Annu Int Conf IEEE Eng Med Biol Soc. 2025 julio; 2025: 1-6. doi: 10.1109/EMBC58623.2025.11254809.
Los servicios médicos de emergencia (EMS) son fundamentales para brindar atención extrahospitalaria mediante el despliegue de recursos especializados para tratar a los pacientes. Para optimizar las operaciones de EMS, en la literatura se proponen varios modelos para predecir la demanda y asignar recursos de manera más eficiente. Los patrones de demanda están influenciados por numerosos factores, incluidos la demografía, las características territoriales y las condiciones ambientales. En la región de Lombardía, en el norte de Italia, la agencia pública responsable de la gestión de los servicios de emergencia (AREU) confía en un gemelo digital del sistema EMS, desarrollado en colaboración con el Politécnico de Milán. Si bien esta herramienta ofrece información importante, implica un procesamiento que requiere mucho tiempo, especialmente para simular la demanda de emergencia futura, y no incorpora patrones temporales críticos, como las condiciones ambientales. Esto pone de relieve la necesidad de un modelo más eficiente. Por lo tanto, este estudio propone mejorar el gemelo digital existente con técnicas de aprendizaje automático para mejorar la previsión de la demanda, integrando factores externos variables en el tiempo y reduciendo el tiempo de procesamiento. Se prueban y comparan múltiples modelos, y se evalúa el desempeño del seleccionado, considerando métricas de error, frente a datos históricos reales de emergencia y el modelo de referencia. Los resultados demuestran que el modelo mejorado con aprendizaje automático mejora significativamente la precisión predictiva, reduciendo el RMSE de 8,7 a 2,5 eventos/hora. Este enfoque también reduce sustancialmente el tiempo computacional, lo que permite predicciones diarias y toma de decisiones en tiempo real para la implementación de EMS y la optimización de recursos. Estos hallazgos subrayan el potencial del aprendizaje automático para proporcionar información valiosa para el desarrollo de políticas, con el objetivo de alinear mejor los recursos de los SEM con la dinámica de la demanda y, en última instancia, mejorar los resultados de la respuesta de emergencia. Relevancia clínica: cuantifica los beneficios esperados de la aplicación de métodos de aprendizaje automático para predecir la demanda de servicios médicos de emergencia, lo que es fundamental para optimizar el servicio y brindar una mejor atención extrahospitalaria a los pacientes.
PubMed:41335897 | DOI:10.1109/EMBC58623.2025.11254809