Aprendizaje Automático vs. Predicción de Enfermeras en el Triage: Una Nueva Era en la Admisión Hospitalaria

Un reciente estudio publicado en Mayo Clinic Proceedings Digital Health comparó prospectivamente la capacidad predictiva de enfermeras de triage con modelos de aprendizaje automático (ML) para determinar qué pacientes del departamento de emergencias (ED) serían hospitalizados, ofreciendo perspectivas importantes sobre el futuro de la gestión del flujo de pacientes.

El fenómeno conocido como “boarding” o estancia prolongada en el ED representa uno de los desafíos operativos más significativos para los sistemas de salud modernos. Los pacientes que experimentan demoras en su admisión enfrentan consecuencias graves: los pacientes de cuidados intensivos con retrasos muestran una mortalidad del 17.4% comparado con 12.9% sin demoras. En pacientes quirúrgicos, cada demora representa un aumento del 53% en mortalidad, 2.6 días adicionales de estancia hospitalaria y $3,335 en costos incrementales.

Estas estadísticas subrayan la urgencia de desarrollar sistemas predictivos más precisos que puedan identificar tempranamente qué pacientes requerirán hospitalización, permitiendo una planificación proactiva de camas y optimización del flujo de pacientes.

Este estudio prospectivo observacional se desarrolló en seis hospitales del sistema Mount Sinai en Nueva York, abarcando desde centros académicos cuaternarios hasta hospitales comunitarios, con un censo anual combinado de aproximadamente 500,000 pacientes.

El modelo de ML fue entrenado con 1.8 millones de visitas históricas al ED (enero 2019 a diciembre 2023) y posteriormente probado en 46,912 visitas prospectivas con predicciones de enfermeras registradas (septiembre a octubre 2024). El equipo desarrolló un modelo ensemble combinando XGBoost para datos estructurados (demografía, signos vitales, historial médico) y Bio-Clinical BERT para análisis de texto de las notas de triage.

Las enfermeras de triage, todas con al menos un año de experiencia en ED y capacitación certificada en el índice de severidad de emergencia (ESI), registraron predicciones binarias (sí/no) sobre la admisión de cada paciente al finalizar el triage, sin conocimiento de las predicciones del modelo.

El aprendizaje automático (machine learning) es una rama de la inteligencia artificial que permite a los sistemas aprender y mejorar automáticamente a partir de la experiencia, sin ser programados explícitamente. Utiliza algoritmos que analizan datos, identifican patrones y realizan predicciones o decisiones basadas en ellos. Se aplica en reconocimiento de voz, visión por computadora, detección de fraudes, recomendaciones personalizadas y más. Los modelos se entrenan con grandes volúmenes de datos y se ajustan para optimizar su precisión. Este enfoque permite automatizar tareas complejas, descubrir relaciones ocultas en la información y mejorar continuamente su rendimiento con nuevos datos.

Resultados Principales

Los hallazgos revelaron diferencias significativas en el rendimiento predictivo. Las enfermeras alcanzaron una precisión del 81.6% (IC 95%, 81.3-81.9), con una sensibilidad del 64.8% (63.7-65.8) y especificidad del 85.7% (85.3-86.0). El valor predictivo positivo (PPV) fue del 52.2%, indicando que aproximadamente la mitad de los pacientes que las enfermeras predijeron para admisión fueron efectivamente hospitalizados.

En contraste, el modelo ensemble de ML demostró un rendimiento superior con un área bajo la curva (AUC) de 0.894. Utilizando un umbral de probabilidad de 0.30, el modelo alcanzó una precisión del 85.4% (85.0-85.7) y una sensibilidad del 70.8% (69.8-71.7), superando las predicciones de enfermeras en todas las métricas clave.

El análisis de importancia de características mediante SHAP reveló que el ratio hospital/ED, la edad y los términos del motivo de consulta que reflejan intención quirúrgica o admisión directa dominaron el ranking de importancia, confirmando que el modelo aprende patrones clínicamente relevantes.

Implicaciones para la Medicina de Emergencias

Uno de los hallazgos más intrigantes fue que agregar las predicciones de enfermeras al modelo de ML no mejoró la precisión más allá del modelo solo. Esto sugiere que el concepto de “humano en el bucle” (HITL), aunque intuitivamente atractivo, requiere refinamiento metodológico para aportar valor incremental a sistemas de ML bien desarrollados.

El patrón de predicción varió según el nivel de acuidad ESI. Para pacientes ESI 1, las enfermeras predijeron admisiones en 59.6% de los casos (tasa real de admisión: 64.8%), mientras que para ESI 5, solo predijeron admisión en 0.6% (tasa real: 0.5%). Este gradiente sugiere que tanto enfermeras como modelos de ML calibran sus predicciones según la severidad clínica evidente.

Aplicaciones Prácticas y Perspectivas Futuras

La capacidad de predecir admisiones hospitalarias con una precisión del 85.4% utilizando únicamente datos disponibles al triage representa un avance significativo con potencial para transformar operaciones hospitalarias. Un PPV del 60.6% (modelo ML al umbral 0.30) significa que de cada 10 pacientes flagged para admisión, aproximadamente 6 serán efectivamente hospitalizados.

Esta información podría utilizarse para iniciar procesos de admisión horas antes de lo que sería posible esperando la evaluación completa del proveedor, creando una “lista de reserva” que permite planificación paralela de camas mientras se completa el trabajo inicial del ED. Estudios previos han demostrado que sistemas similares pueden predecir picos de admisión aproximadamente 3.5 horas antes de que ocurran, permitiendo ajustes proactivos en dotación de personal.

Limitaciones y Consideraciones

El estudio se realizó en un único sistema de salud durante un periodo de dos meses para la recolección prospectiva, lo que puede limitar la generalización. Además, el modelo utilizó únicamente datos estructurados de triage y notas de texto, omitiendo resultados de laboratorio o imágenes disponibles posteriormente en la visita. La implementación en tiempo real completamente integrada no fue probada, dejando preguntas sobre el desempeño operacional real y el impacto en resultados clínicos.

Este estudio demuestra que los modelos de aprendizaje automático pueden superar las predicciones de enfermeras experimentadas para admisión hospitalaria desde el triage. La tecnología está alcanzando un nivel de precisión que podría finalmente ser suficiente para impactar operaciones hospitalarias reales, reduciendo tiempos de boarding y mejorando el flujo de pacientes.

El futuro de la predicción de admisión probablemente no resida en reemplazar el juicio clínico, sino en desarrollar sistemas híbridos donde la IA proporcione decisión support basada en datos mientras los profesionales de salud aportan contexto clínico y supervisión. La clave será traducir esta precisión predictiva en mejoras tangibles en seguridad del paciente, eficiencia operacional y resultados clínicos.

Fuente: Nover J, Bai M, Tismina P, Raut G, Patel D, Nadkarni GN, Abella BS, Klang E, Freeman R. Comparing Machine Learning and Nurse Predictions for Hospital Admissions in a Multisite Emergency Care System. Mayo Clin Proc Digital Health. 2025;3(3):100249.

Para más información —.