Programas de Métodos Computacionales Biomed. 274:109153. doi: 10.1016/j.cmpb.2025.109153. Publicación electrónica del 8 de noviembre de 2025.

JUSTIFICATIVA Y OBJETIVO: El hacinamiento en los departamentos de emergencia (SU) sigue siendo un desafío crítico en los sistemas de salud. Una previsión precisa de las visitas de los pacientes es fundamental para optimizar la asignación de recursos humanos y materiales. Sin embargo, los modelos de pronóstico tradicionales a menudo fallan cuando ocurren cambios abruptos en la distribución, como durante pandemias o cambios organizacionales, porque requieren un reentrenamiento manual frecuente. El objetivo de este estudio es diseñar un marco de pronóstico basado en aprendizaje profundo que mantenga la precisión en condiciones cambiantes sin intervención manual ni reentrenamiento completo.

MÉTODOS: Se propone un enfoque de pronóstico adaptativo, construido sobre una arquitectura Seq2Seq LSTM, mejorado con dos estrategias independientes: Escalado por secuencia (PSS), que preserva estadísticas específicas de secuencia, y Aprendizaje continuo (CL), que actualiza incrementalmente el modelo con nuevos datos a través de buffers de reproducción. Estos métodos se evalúan por separado con respecto a un LSTM, ARIMA y Prophet estándar. Se utilizan datos históricos de visitas diarias al servicio de urgencias que cubren las fases previas a la COVID, COVID y posteriores a la COVID. El rendimiento se evalúa en horizontes de 1, 7 y 30 días utilizando MSE, MAE, MAPE y MASE.

RESULTADOS: El LSTM adaptativo reduce significativamente los errores de pronóstico en comparación con las líneas de base estadísticas y de aprendizaje profundo en horizontes cortos y medianos (1 día y 1 semana), logrando valores MASE consistentemente por debajo de 1. Para los pronósticos de 1 mes, el rendimiento converge hacia el punto de referencia ingenuo estacional, y ARIMA ocasionalmente logra una precisión superior durante los cambios abruptos relacionados con COVID. Es importante destacar que el LSTM adaptativo recupera la superioridad en condiciones posteriores a COVID y mantiene una precisión estable al ajustarse continuamente a nuevas distribuciones sin requerir un reentrenamiento completo, una propiedad particularmente valiosa en condiciones de privacidad hospitalaria y limitaciones de TI, lo que garantiza solidez en los regímenes cambiantes y reduce la carga operativa en entornos hospitalarios.

CONCLUSIONES: El marco adaptativo Seq2Seq LSTM ofrece una solución sólida y operativamente viable para el pronóstico de la DE en condiciones cambiantes. Supera consistentemente a Prophet y ARIMA una vez que se estabilizan las distribuciones de datos, mientras que solo se queda temporalmente atrás de ARIMA durante los shocks estructurales. Su capacidad de autoajuste incremental elimina la necesidad de reconfiguración manual cuando cambian las distribuciones de datos, lo que lo hace particularmente adecuado para la implementación hospitalaria en tiempo real bajo restricciones de privacidad y TI. Las aplicaciones futuras pueden extenderse más allá del pronóstico de urgencias a otros departamentos hospitalarios que enfrentan una variabilidad similar en la demanda.

PubMed:41218323 | DOI:10.1016/j.cmpb.2025.109153