{"id":58826,"date":"2025-08-15T07:32:00","date_gmt":"2025-08-15T13:32:00","guid":{"rendered":"https:\/\/saluddigital.com\/?p=58826"},"modified":"2025-08-14T18:40:22","modified_gmt":"2025-08-15T00:40:22","slug":"ia-supera-a-las-predicciones-de-enfermeria-para-ingresos-hospitalarios-en-urgencias","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/ia-supera-a-las-predicciones-de-enfermeria-para-ingresos-hospitalarios-en-urgencias\/","title":{"rendered":"IA supera a las predicciones de enfermer\u00eda para ingresos hospitalarios en urgencias"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Un estudio del sistema de salud Mount Sinai muestra que un modelo de machine learning logr\u00f3 mayor precisi\u00f3n que el juicio cl\u00ednico de enfermeras al predecir admisiones desde el triaje.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Un an\u00e1lisis prospectivo publicado en Mayo Clinic Proceedings: Digital Health<\/em><\/a> compar\u00f3 la capacidad de predicci\u00f3n de enfermeras de triaje con un modelo de machine learning<\/em> o aprendizaje autom\u00e1tico para anticipar ingresos hospitalarios<\/strong> en seis hospitales del sistema Mount Sinai, en Nueva York. El objetivo fue determinar si la inteligencia artificial (IA) pod\u00eda igualar o mejorar el juicio humano y si la combinaci\u00f3n de ambos enfoques incrementar\u00eda la precisi\u00f3n en la planificaci\u00f3n de camas y la gesti\u00f3n de flujo de pacientes.<\/p>

El estudio incluy\u00f3 m\u00e1s de 46 mil visitas a departamentos de urgencias entre septiembre y octubre de 2024. El personal de enfermer\u00eda registr\u00f3 una predicci\u00f3n binaria, es decir s\u00ed o no, sobre la probabilidad de ingreso de cada paciente, mientras que el modelo de machine learning utiliz\u00f3 datos estructurados como edad, signos vitales, historial m\u00e9dico y texto libre de las notas de triaje<\/strong>. Este modelo combin\u00f3 dos t\u00e9cnicas: XGBoost para datos estructurados y Bio-Clinical BERT para texto cl\u00ednico.<\/p>

Los resultados mostraron que el modelo alcanz\u00f3 una precisi\u00f3n del 85.4% y una sensibilidad del 70.8%, frente al 81.6% y 64.8% logrados por el personal de enfermer\u00eda<\/strong>, respectivamente. Adem\u00e1s, el valor predictivo positivo fue mayor para la IA (60.6%) que para el juicio humano (52.2%). Sin embargo, integrar las predicciones de enfermer\u00eda al modelo no mejor\u00f3 de forma significativa la exactitud, que se mantuvo similar a la de la IA por s\u00ed sola.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

\u201cLa saturaci\u00f3n 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 aerol\u00edneas y los hoteles utilizan las reservas para prever la demanda y planificar. En urgencias, no tenemos reservas. \u00bfSe imagina a las aerol\u00edneas y los hoteles sin reservas, \u00fanicamente previendo y planificando a partir de tendencias hist\u00f3ricas? Bienvenidos a la sanidad\u201d, explica el autor principal, Jonathan Nover, vicepresidente de Enfermer\u00eda y Servicios de Urgencias en el sistema de salud de Mount Sinai,<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Los autores se\u00f1alan que, aunque la combinaci\u00f3n humano-m\u00e1quina no aport\u00f3 mejoras en este caso, el potencial operativo de la IA es notable. Al basarse solo en informaci\u00f3n disponible durante el triaje, estas herramientas podr\u00edan iniciar antes los procesos de admisi\u00f3n y optimizar la asignaci\u00f3n de camas, reduciendo los tiempos de espera y el hacinamiento en urgencias.<\/p>

\u201cNuestro objetivo era ver si la IA, combinada con las aportaciones de nuestras enfermeras, pod\u00eda ayudar a acelerar la planificaci\u00f3n de los ingresos, una especie de reserva. Desarrollamos una herramienta para prever las necesidades de admisi\u00f3n antes de realizar un pedido, ofreciendo informaci\u00f3n que podr\u00eda mejorar fundamentalmente la forma en que los hospitales gestionan el flujo de pacientes, lo que llevar\u00eda a mejores resultados\u201d, expres\u00f3 Nover.<\/p>

El estudio concluye que la IA puede superar al juicio cl\u00ednico de las enfermeras en la predicci\u00f3n temprana de ingresos hospitalarios, utilizando \u00fanicamente datos recopilados en el triaje. Aunque la integraci\u00f3n de ambas fuentes no mostr\u00f3 ventajas claras, los investigadores consideran que modelos como este podr\u00edan ser clave para mejorar la eficiencia hospitalaria y la seguridad del paciente si se incorporan a los flujos de trabajo en tiempo real.<\/p>

\u201cQuer\u00edamos dise\u00f1ar un modelo que no s\u00f3lo funcionara bien en teor\u00eda, sino que pudiera ayudar a tomar decisiones en la primera l\u00ednea de la atenci\u00f3n sanitaria\u201d,<\/strong> detall\u00f3 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. \u201cAl entrenar el algoritmo con m\u00e1s de un mill\u00f3n de visitas de pacientes, pretend\u00edamos captar patrones significativos que pudieran ayudar a anticipar los ingresos antes que los m\u00e9todos tradicionales\u201d, concluy\u00f3.<\/p>

Adem\u00e1s, el Dr. Klang explic\u00f3 que la importancia del enfoque utilizado en el estudio es la capacidad de convertir datos complejos en informaci\u00f3n oportuna y procesable para los equipos cl\u00ednicos, lo cual permiti\u00f3 centrarse menos en la log\u00edstica y m\u00e1s en la prestaci\u00f3n de la atenci\u00f3n personal y compasiva que s\u00f3lo los seres humanos pueden proporcionar. \u00a0<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

MOUNT SINAI<\/strong><\/p>

https:\/\/www.mountsinai.org\/about\/newsroom\/2025\/ai-could-help-emergency-rooms-predict-admissions-driving-more-timely-effective-care<\/a><\/p>

MAYO CLINIC PROCEEDINGS DIGITAL HEALTH <\/strong><\/p>

https:\/\/www.mcpdigitalhealth.org\/article\/S2949-7612(25)00056-2\/fulltext<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

IA supera a las predicciones del personal de enfermer\u00eda para ingresos hospitalarios en urgencias en el sistema de Mount Sinai.<\/p>","protected":false},"author":1,"featured_media":58828,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-58826","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/58826","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=58826"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/58826\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/58828"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=58826"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=58826"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=58826"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}