Una estrategia de aprendizaje automático para predecir el número de niños de alta agudeza que se van sin ser vistos...

Área de la Ciencia:

• Medicina de Emergencia
• Ciencia de Datos
• Atención Pediátrica

Sus antecedentes:

• Los pacientes de alta agudeza que se van sin ser vistos (LWBS) en los departamentos de emergencias pediátricos (ED) representan un desafío significativo.
• La modelización predictiva puede ayudar en las estrategias operativas para mitigar los eventos de LWBS.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático operacionalmente útil para predecir pacientes de alta agudeza LWBS en servicios de urgencias pediátricos.
• Identificar períodos de tiempo específicos susceptibles de ser dirigidos operativamente para la mitigación de LWBS.

Principales métodos:

• Análisis de 512 616 visitas a urgencias pediátricas de 2018-2024.
• Desarrollo y comparación de seis modelos de aprendizaje automático (regresión logística, LASSO, SVM, random forest, XGBoost, temporal fusion transformers) y un modelo de conjunto.
• Validación cruzada de series temporales utilizando datos de 2018-2023 para entrenamiento y 2024 para pruebas, centrándose en ventanas de 8 horas y un período específico de 12 p. m. a 8 p. m.

Principales resultados:

• Los modelos XGBoost y temporal fusion transformer lograron el mayor rendimiento predictivo (AUC 0.85-0.86) para predecir 2 o más pacientes de alta agudeza LWBS durante ventanas de 8 horas.
• Estos modelos también funcionaron mejor para el período de 12 p. m. a 8 p. m.
• Un conjunto de votos mayoritarios no mejoró el rendimiento predictivo.

Conclusiones:

• Los modelos de aprendizaje automático demuestran sólidas capacidades predictivas para pacientes de alta agudeza LWBS en servicios de urgencias pediátricos.
• Estos modelos pueden identificar períodos óptimos para intervenciones operativas para reducir los eventos de LWBS.
• XGBoost y los transformadores de fusión temporal son prometedores para la predicción en tiempo real y las estrategias de mitigación.