Aprendizaje automático para la predicción de la demanda de atención en urgencias. Revisión sistemática rápida.

Abstract

La demanda creciente de atenciones en los servicios de urgencias es un fenómeno permanente, que causa sobreocupación, incrementa los tiempos de atención y la insatisfacción de los pacientes y los equipos de salud. El aprendizaje automático ha tomado relevancia en el cuidado de la salud en un sin número de campos de actuación y podría ser útil para eliminar la incertidumbre del volumen de llegadas de pacientes a urgencias y realizar predicciones precisas de la demanda de atenciones en este servicio, lo cual podría contribuir a mejorar la planeación de recursos y en consecuencia a mejorar los tiempos de atención.

El propósito de este trabajo es analizar la literatura actual sobre el uso del aprendizaje automático en la predicción de la demanda de urgencias, identificando métodos efectivos, desafíos clave y posibles aplicaciones prácticas. Se realizo una revisión sistemática rápida usando como fuentes las bases de datos EBSCO Host, PubMed, SciELO, Scopus, Science Direct, y Ovid, limitada a las publicaciones realizadas entre 2014 y 2024. En total se incluyeron 21 publicaciones en la revisión. Se utilizó una herramienta de inteligencia artificial para realizar la extracción de datos de los estudios seleccionados, identificar los algoritmos de pronóstico y los variables de predicción más frecuentemente utilizados, la precisión de cada uno de los modelos de pronóstico implementados, sus limitaciones y aplicaciones prácticas.

En conclusión, el aprendizaje automático es útil para prever la demanda de atenciones a urgencias con porcentajes absolutos de error bajos. Sin embargo, no es posible generalizar un modelo para su aplicación en múltiples instituciones, y las aplicaciones prácticas de estas predicciones deben ser exploradas con mayor profundidad.

The increasing demand for care in the emergency department is a permanent phenomenon, causing overcrowding, increasing care times and dissatisfaction of patients and healthcare teams. Machine learning has become relevant in healthcare in a number of fields and could be useful to eliminate the uncertainty of the volume of patient arrivals in the ED and to make accurate predictions of the demand for care in this service, which could contribute to improve resource planning and consequently to improve care times.

The purpose of this paper is to review the current literature on the use of machine learning in ED demand prediction, identifying effective methods, key challenges and possible practical applications. A rapid systematic review was conducted using EBSCO Host, PubMed, SciELO, Scopus, Science Direct, and Ovid databases as sources, limited to publications published between 2014 and 2024. A total of 21 publications were included in the review. An artificial intelligence tool was used to extract data from the selected studies, identify the most frequently used forecasting algorithms and predictor variables, the accuracy of each of the forecasting models implemented, their limitations and practical applications.

In conclusion, machine learning is useful for forecasting ED demand with low absolute error rates. However, it is not possible to generalise a model for application in multiple institutions, and the practical applications of these predictions need to be further explored.