Soy J Emerg Med. 2025 diciembre; 98: 239-244. doi: 10.1016/j.ajem.2025.08.064. Publicación electrónica de 2025 1 de septiembre.
OBJETIVO DEL ESTUDIO: Predecir con precisión qué pacientes del Departamento de Emergencias (SU) tienen un alto riesgo de irse sin ser atendidos (LWBS) podría permitir intervenciones específicas destinadas a reducir las tasas de LWBS. Se desarrollaron y validaron modelos de aprendizaje automático (ML) que actualizan dinámicamente estas predicciones de riesgo a medida que los pacientes experimentan más tiempo de espera, para mejorar la precisión de la predicción e identificar correctamente a más pacientes con LWBS.
MÉTODOS: La junta de revisión institucional consideró que el estudio era una mejora de la calidad y recopiló todas las visitas de pacientes al servicio de urgencias de un gran campus médico académico durante 24 meses. Los primeros 18 meses de datos se utilizaron para desarrollar dos tipos de modelos de clasificación utilizando XGboost: (1) un modelo estático que utiliza información del censo del paciente y del servicio de urgencias en el momento de la llegada para predecir el riesgo de LWBS; y (2) un modelo dinámico que actualiza las predicciones en función de nueva información después de 30 minutos para los pacientes que todavía están esperando en el servicio de urgencias. Los últimos seis meses de datos se utilizaron como período experimental para probar la precisión de los dos modelos.
RESULTADOS: Para una cohorte de 150.959 llegadas de pacientes al servicio de urgencias, la edad media de los pacientes fue de 46 años, el 51 % de las llegadas eran mujeres y el 2,17 % de los pacientes tenían LWBS durante su espera. Los modelos lograron un área bajo la curva característica operativa del receptor (AUROC) de 0,86 al actualizar dinámicamente los niveles de riesgo LWBS a lo largo del tiempo. Esto contrasta con un AUROC de 0,80 para el modelo estático de literatura anterior que no actualiza la puntuación después del momento de llegada. Durante el período experimental, el modelo dinámico también mostró la capacidad de reducir el número de casos de LWBS omitidos en aproximadamente un 50 % en comparación con el modelo estático, sin incurrir en ningún falso positivo adicional.
CONCLUSIÓN: La actualización dinámica del riesgo de los pacientes a LWBS a medida que avanza la espera reduce significativamente el número de pacientes con LWBS que los modelos de predicción pasan por alto en comparación con los enfoques de predicción estática tradicionales.
PubMed:40925054 | DOI:10.1016/j.ajem.2025.08.064