Artif Intell Med. 2026 de enero; 171: 103316. doi: 10.1016/j.artmed.2025.103316. Publicación electrónica de 2025, 25 de noviembre.
OBJETIVO: El propósito de esta revisión fue explorar exhaustivamente el panorama de la literatura publicada recientemente sobre las aplicaciones de la inteligencia artificial (IA) en la predicción de los tiempos de espera individualizados de los pacientes en un departamento de emergencias (DE) e identificar consideraciones pertinentes para los profesionales y los tomadores de decisiones hospitalarias.
INTRODUCCIÓN: Los hospitales de todo el mundo están experimentando un hacinamiento en los servicios de urgencias y ha empeorado en la era posterior a la COVID-19. Las experiencias negativas de los pacientes y del personal y los malos resultados clínicos debido al hacinamiento son evidentes y requieren soluciones para abordar este problema actual. Los hospitales que ofrecen estimaciones del tiempo de espera en el servicio de urgencias a los pacientes y al personal se están volviendo populares; sin embargo, los métodos más comunes, como el uso de promedios móviles, adolecen de una incapacidad para capturar las relaciones matizadas dentro de un DE. Las aplicaciones recientes de IA y aprendizaje automático (ML) en la atención médica plantean la posibilidad de aplicar estas técnicas a predicciones individualizadas del tiempo de espera en el servicio de urgencias; aunque la literatura sobre el tema es escasa.
MÉTODOS: Se realizó una búsqueda sistematizada el 10 de noviembre de 2025, utilizando las bases de datos electrónicas CINAHL, EMBASE (OVID), Medline (OVID), PsychINFO, Web of Science y PubMed. Se consideraron para revisión los artículos escritos en inglés, revisados por pares, publicados después de 2014 y que utilizaron técnicas de inteligencia artificial. Se realizó un análisis descriptivo de los datos finales extraídos para facilitar la identificación de temas comunes entre los estudios. Los temas se infirieron del uso proporcional entre estudios de diferentes estrategias de preparación de datos, selección de características y modelado.
RESULTADOS: La búsqueda identificó 8613 citas que, después de un riguroso proceso de selección y evaluación crítica, se redujeron a 15 estudios para su revisión final. La mayoría de los estudios incluidos fueron observacionales y utilizaron datos de registros médicos históricos para comparar técnicas de modelado o demostrar una prueba de concepto. Los estudios utilizaron comúnmente una o más de las categorías de funciones basadas en colas de urgencias, basadas en personal/recursos, basadas en pacientes y basadas en tiempo. Los métodos de IA incorporados incluyeron técnicas de bosque aleatorio, regresión lineal y operador de selección y contracción mínima absoluta (LASSO), entre varios otros. Todas las formas de IA y ML superaron las estimaciones promedio móviles tradicionales utilizadas por los hospitales.
CONCLUSIONES: Esta revisión identificó aplicaciones de la IA en la predicción de los tiempos de espera individualizados de los pacientes en el servicio de urgencias que superan las estrategias actuales de estimación del tiempo de espera. El uso de técnicas no lineales, como el método Random Forest, o la incorporación de categorías de características basadas en colas, parecían proporcionar un mejor rendimiento en las estimaciones predictivas. Dependiendo del usuario final y la modalidad en la que se transmite la estimación del tiempo de espera, se destaca la importancia de la selección del modelo como una consideración a tener en cuenta si se prefieren sobreestimaciones o subestimaciones.
PubMed:41313968 | DOI:10.1016/j.artmed.2025.103316