J Emerg Enfermería. 9 de septiembre de 2025: S0099-1767(25)00258-2. Revista: 10.1016/j.jen.2025.07.015. En línea antes de imprimir.

INTRODUCCIÓN: La clasificación eficaz en el departamento de emergencias (SU) es esencial para optimizar la asignación de recursos, mejorar la eficiencia y mejorar los resultados de los pacientes. Los sistemas convencionales dependen en gran medida del juicio clínico y de directrices estandarizadas, que pueden resultar insuficientes ante un volumen creciente de pacientes y presentaciones cada vez más complejas.

MÉTODOS: Desarrollamos un modelo de clasificación de aprendizaje automático, MIGWO-XGBOOST, que incorpora un algoritmo de optimización mejorada del lobo gris multiestrategia (MIGWO) para el ajuste de parámetros. Se procesaron los datos faltantes y el conjunto de datos se dividió aleatoriamente en un 80 por ciento para entrenamiento y un 20 por ciento para pruebas. El rendimiento del modelo se evaluó frente a los estándares XGBOOST, GWO XGBOOST, AdaBoost, LSTM y CNN-BiGRU.

RESULTADOS: MIGWO-XGBOOST mejoró la precisión en un 8,5 por ciento con respecto a XGBOOST no optimizado y redujo el tiempo de optimización en 9285 segundos en relación con GWO-XGBOOST. En comparación con otros puntos de referencia, las ganancias en precisión fueron del 12,5 por ciento con respecto a AdaBoost, del 3,3 por ciento con respecto a LSTM y del 1,9 por ciento con respecto a CNN-BiGRU. Estos resultados demuestran tanto fuerza predictiva como eficiencia computacional en entornos de datos complejos.

DISCUSIÓN: MIGWO-XGBOOST proporciona un marco sólido para decisiones de clasificación rápidas y precisas en el servicio de urgencias. Al mejorar la precisión y al mismo tiempo reducir sustancialmente el tiempo de cálculo, este enfoque demuestra el potencial del aprendizaje automático avanzado para respaldar la toma de decisiones de emergencia y optimizar las vías de atención al paciente.

PubMed:40923962 | Revista:10.1016/j.jen.2025.07.015