Descarga la app Emergencing

El nomograma generativo mejorado con IA predice que los pacientes del departamento de emergencias transportados en ambulancia se quedan sin ser atendidos

Revista

American Journal of Emergency Medicine

Fecha de publicación

25 de noviembre de 2025

Am J Emerg Med. 13 de noviembre de 2025; 100: 62-69. doi: 10.1016/j.ajem.2025.11.010. En línea antes de imprimir.

ANTECEDENTES: Dejar sin ser atendido (LWBS) es una métrica de calidad clave para evaluar el desempeño del departamento de emergencias (DE). LWBS se asocia con mayores riesgos de responsabilidad, disminución de la satisfacción del paciente y desperdicio de recursos de atención médica, lo que a menudo resulta en resultados subóptimos para los pacientes, particularmente entre los pacientes transportados en ambulancia. Este estudio tuvo como objetivo desarrollar y validar un nomograma para predecir el riesgo de LWBS en pacientes transportados en ambulancia con condiciones menos urgentes.

MÉTODOS: Se incluyeron un total de 54.380 visitas de pacientes (32.582 pacientes únicos) y se dividieron aleatoriamente en un conjunto de entrenamiento (37.996) y un conjunto de pruebas (16.384). Se utilizó una herramienta de inteligencia artificial generativa basada en modelos de lenguaje grande (LLM) para convertir datos no estructurados de quejas principales en datos estructurados. Los predictores independientes se identificaron mediante la regresión del operador de selección y contracción mínima absoluta (LASSO) y se analizaron mediante regresión logística multivariable para construir un nomograma. El rendimiento del nomograma se evaluó utilizando métricas como el área bajo la curva característica operativa del receptor (AUC), la curva de calibración, el análisis de la curva de decisión (DCA), la sensibilidad y la especificidad.

RESULTADOS: Se identificaron siete factores predictivos mediante el análisis de regresión LASSO. El nomograma derivado predijo probabilidades de LWBS que oscilaban entre el 10 % y el 70 %. Los valores de AUC para el nomograma fueron 0,804 en el conjunto de entrenamiento y 0,802 en el conjunto de prueba, lo que indica un fuerte desempeño discriminatorio. Las curvas de calibración y la prueba de Hosmer-Lemeshow confirmaron una buena calibración. El análisis de la curva de decisión demostró la utilidad clínica del nomograma, mostrando un beneficio neto en varios umbrales de probabilidades.

CONCLUSIÓN: Este estudio presenta un nomograma validado para predecir LWBS entre pacientes transportados en ambulancia con condiciones menos urgentes. El nomograma proporciona información valiosa para ayudar a los proveedores de atención médica a tomar decisiones clínicas informadas y optimizar la gestión de pacientes.

PubMed:41289798 | DOI:10.1016/j.ajem.2025.11.010

Descarga la app Emergencing!

Accede a los abstracts en español de las revistas científicas más importantes en medicina de urgencias, emergencias y paciente crítico.

Descargo de responsabilidad
El idioma original es este artículo es el inglés. Mediante el sistema de traducción automático de la IA de emergencing, el contenido se ha traducido al español. Esta es una traducción no supervisada por lo que puede que alguna parte del contenido no refleje con exactitud la publicación original del autor/autores.