Soy J Emerg Med. 2025 diciembre; 98: 298-308. doi: 10.1016/j.ajem.2025.09.008. Publicación electrónica del 6 de septiembre de 2025.
OBJETIVOS: La imprevisibilidad de las visitas al departamento de emergencias (SU) es una razón importante para la aglomeración de los SU. Este estudio tiene como objetivo comparar diferentes métodos convencionales de aprendizaje estadístico, aprendizaje automático y modelos de lenguaje grande (LLM) para pronosticar las visitas diarias al servicio de urgencias en hospitales primarios, secundarios y terciarios en diferentes regiones de Taiwán, durante los períodos anteriores a COVID-19, COVID-19 y pospandemia.
MÉTODOS: Los registros de visitas diarias al servicio de urgencias de 2007 a 2022, derivados de los registros médicos electrónicos de seis hospitales de Taiwán, se combinaron con datos de calendario e indicadores de la pandemia de COVID-19 para que sirvieran como elementos de entrada. El objetivo principal era desarrollar modelos para un horizonte de pronóstico de siete días. Ambos modelos estadísticos, como SARIMAX y Prophet, y modelos de aprendizaje automático, incluida Light Gradient Boosting Machine (LightGBM), Long Short-Term Memory (LSTM), DLinear y Time-series Dense Encoder (TiDE), se desarrollaron utilizando conjuntos de datos de entrenamiento de 2007 a 2017. Luego comparamos el rendimiento de los modelos estadísticos, los modelos de aprendizaje automático y un LLM basado en transformador previamente entrenado en el conjunto de pruebas (2018-2022), que incluía los períodos pre-COVID-19, COVID-19 y pospandemia. Utilizamos como métrica el error porcentual absoluto medio (MAPE), definido como la diferencia porcentual entre los valores previstos y reales.
RESULTADOS: Se registraron un total de 7.540.271 visitas al servicio de urgencias y 31.064 puntos de datos en dos hospitales terciarios, tres regionales y uno primario. Los modelos estadísticos convencionales revelaron un patrón de ciclo significativo de siete días en los datos de visitas al servicio de urgencias en todos los hospitales. Las visitas diarias al servicio de urgencias aumentaron significativamente durante la pandemia de COVID-19. El LLM previamente entrenado demostró el mejor rendimiento general (MAPE 7,59, IC del 95 %: 7,20-7,99), seguido de cerca por LightGBM (MAPE 8,08, IC del 95 %: 7,67-8,50). Específicamente, TiDE (MAPE 5,89, IC 95 %: 5,48-6,29) y Prophet (MAPE 6,80, IC 95 %: 6,41-7,18) obtuvieron mejores resultados en el período anterior a COVID-19. Aunque los cambios abruptos durante COVID-19 provocaron caídas en el rendimiento de todos los modelos, el LLM y el LightGBM previamente entrenados demostraron resiliencia, con MAPE de 9,03 (IC del 95 %: 8,32, 9,77) y 10,60 (IC del 95 %: 9,77, 11,52), respectivamente.
CONCLUSIONES: El LLM previamente capacitado mostró un rendimiento general superior en la previsión de visitas al servicio de urgencias, particularmente durante los períodos pandémico y pospandémico. LightGBM tuvo un desempeño relativamente bueno en todos los períodos. Prophet y TiDE demostraron un desempeño favorable y estable solo durante el período prepandémico. Estos hallazgos subrayan el potencial de los modelos avanzados de series de tiempo para mejorar los pronósticos de visitas al servicio de urgencias.
PubMed:40945473 | DOI:10.1016/j.ajem.2025.09.008