Un estudio del sistema de salud Mount Sinai muestra que un modelo de machine learning logró mayor precisión que el juicio clínico de enfermeras al predecir admisiones desde el triaje.
Un análisis prospectivo publicado en Mayo Clinic Proceedings: Digital Health comparó la capacidad de predicción de enfermeras de triaje con un modelo de machine learning o aprendizaje automático para anticipar ingresos hospitalarios en seis hospitales del sistema Mount Sinai, en Nueva York. El objetivo fue determinar si la inteligencia artificial (IA) podía igualar o mejorar el juicio humano y si la combinación de ambos enfoques incrementaría la precisión en la planificación de camas y la gestión de flujo de pacientes.
El estudio incluyó más de 46 mil visitas a departamentos de urgencias entre septiembre y octubre de 2024. El personal de enfermería registró una predicción binaria, es decir sí o no, sobre la probabilidad de ingreso de cada paciente, mientras que el modelo de machine learning utilizó datos estructurados como edad, signos vitales, historial médico y texto libre de las notas de triaje. Este modelo combinó dos técnicas: XGBoost para datos estructurados y Bio-Clinical BERT para texto clínico.
Los resultados mostraron que el modelo alcanzó una precisión del 85.4% y una sensibilidad del 70.8%, frente al 81.6% y 64.8% logrados por el personal de enfermería, respectivamente. Además, el valor predictivo positivo fue mayor para la IA (60.6%) que para el juicio humano (52.2%). Sin embargo, integrar las predicciones de enfermería al modelo no mejoró de forma significativa la exactitud, que se mantuvo similar a la de la IA por sí sola.
“La saturación de los servicios de urgencias y los embarques se han convertido en una crisis nacional que afecta a todo, desde los resultados de los pacientes hasta el rendimiento financiero. Industrias como las aerolíneas y los hoteles utilizan las reservas para prever la demanda y planificar. En urgencias, no tenemos reservas. ¿Se imagina a las aerolíneas y los hoteles sin reservas, únicamente previendo y planificando a partir de tendencias históricas? Bienvenidos a la sanidad”, explica el autor principal, Jonathan Nover, vicepresidente de Enfermería y Servicios de Urgencias en el sistema de salud de Mount Sinai,
Los autores señalan que, aunque la combinación humano-máquina no aportó mejoras en este caso, el potencial operativo de la IA es notable. Al basarse solo en información disponible durante el triaje, estas herramientas podrían iniciar antes los procesos de admisión y optimizar la asignación de camas, reduciendo los tiempos de espera y el hacinamiento en urgencias.
“Nuestro objetivo era ver si la IA, combinada con las aportaciones de nuestras enfermeras, podía ayudar a acelerar la planificación de los ingresos, una especie de reserva. Desarrollamos una herramienta para prever las necesidades de admisión antes de realizar un pedido, ofreciendo información que podría mejorar fundamentalmente la forma en que los hospitales gestionan el flujo de pacientes, lo que llevaría a mejores resultados”, expresó Nover.
El estudio concluye que la IA puede superar al juicio clínico de las enfermeras en la predicción temprana de ingresos hospitalarios, utilizando únicamente datos recopilados en el triaje. Aunque la integración de ambas fuentes no mostró ventajas claras, los investigadores consideran que modelos como este podrían ser clave para mejorar la eficiencia hospitalaria y la seguridad del paciente si se incorporan a los flujos de trabajo en tiempo real.
“Queríamos diseñar un modelo que no sólo funcionara bien en teoría, sino que pudiera ayudar a tomar decisiones en la primera línea de la atención sanitaria”, detalló el coautor principal, el Dr. Eyal Klang, jefe de IA Generativa del Departamento Windreich de Inteligencia Artificial y Salud Humana de la Facultad de Medicina Icahn de Mount Sinai. “Al entrenar el algoritmo con más de un millón de visitas de pacientes, pretendíamos captar patrones significativos que pudieran ayudar a anticipar los ingresos antes que los métodos tradicionales”, concluyó.
Además, el Dr. Klang explicó que la importancia del enfoque utilizado en el estudio es la capacidad de convertir datos complejos en información oportuna y procesable para los equipos clínicos, lo cual permitió centrarse menos en la logística y más en la prestación de la atención personal y compasiva que sólo los seres humanos pueden proporcionar.
