EUVIMEDEUVIMED entdecken
Validierungsstudie

Real-time prediction of emergency department admissions using an AI model and its integration into hospital bed-planning

Javier Millán Soria, Javier Medina Álvarez, Laura Sánchez Suárez, Cesar Cano Cerviño, Leticia Serrano Lázaro, M ª Carmen García-Minguillán Castillo, Vanesa Ginestar Miravet

Emergencias · 2026

DOI: 10.55633/s3me/009.2026 ↗

Kurz gefasst

Validierungsstudie in der Zeitschrift Emergencias, 2026. Verfasst von Javier Millán Soria und 6 weiteren Autor:innen. Beteiligte Einrichtung: Servicio de Urgencias. Hospital Universitari i Politècnic La Fe, Valencia, España. Departamento de Medicina. Universitat de Valencia, España. Hauptthemen laut MEDLINE: Emergency Service, Hospital, Patient Admission, Bed Occupancy, Hospital Planning.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Objetivo. Diseñar, validar e implementar una herramienta basada en un modelo de aprendizaje automático capaz de predecir en tiempo real los ingresos de los pacientes urgentes y desarrollar una aplicación que incluya el modelo junto a indicadores clásicos sobre la presión asistencial. Métodos. Se analizaron los datos anonimizados de 328.696 episodios de urgencias. Se identificaron 15 variables con mayor capacidad predictiva mediante análisis de correlación de Pearson. Se seleccionó el modelo RandomForest. Para el proceso de construcción se utilizó el lenguaje Python, y para el diseño y validación el software Jupyter Notebook. Para el entrenamiento se utilizaron 209.530 episodios (64%), 52.383 (16%) para la validación y 66.783 (20%) para test. El modelo se integró en un Panel de Control con la herramienta Microsoft Power BI. Resultados. El modelo presenta una elevada capacidad predictiva para distinguir los pacientes que van a precisar ingreso, con un área bajo la curva (ABC) de la característica operativa del receptor (COR) de 0,97. Para cada métrica se observa como disminuye la puntuación del entrenamiento al tiempo que aumenta la puntuación de validación lo que descarta comportamientos de sobreajuste. El punto de saturación en las curvas de aprendizaje se alcanza a los 130.000 episodios. La calibración del modelo tiene una puntuación Brier de 0,0414. Conclusiones. El modelo muestra un rendimiento excelente y un potencial significativo para predecir el ingreso de los pacientes atendidos en urgencias. La combinación de algoritmos de machine learning con sistemas de visualización interactiva representa un paso importante hacia una gestión y planificación más eficiente para evitar problemas de drenaje y sobreocupación

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Emergency Service, HospitalPatient AdmissionBed OccupancyHospital PlanningMachine LearningHumansPredictive Learning ModelsPrediction AlgorithmsROC CurveRandom ForestEmergency Room Visits

Stichwörter der Autor:innen

Artificial intelligenceClinical decision support systemsEvaluación de riesgosHospital emergency serviceHospitalizaciónHospitalizationInteligencia artificialRisk assessmentServicio de Urgencias HospitalariosSistemas de apoyo a la toma de decisiones clínicas

Autor:innen und Institutionen

  • Servicio de Urgencias. Hospital Universitari i Politècnic La Fe, Valencia, España. Departamento de Medicina. Universitat de Valencia, España.
  • Subdirección de Sistemas de Información. Hospital Universitari i Politècnic La Fe, Valencia, España.
  • Servicio de Urgencias. Hospital Universitari i Politècnic La Fe, Valencia, España.

Zitieren

APA

Millán Soria, J., Medina Álvarez, J., Sánchez Suárez, L., Cano Cerviño, C., Serrano Lázaro, L., García-Minguillán Castillo, M. C., & Ginestar Miravet, V. (2026). Real-time prediction of emergency department admissions using an AI model and its integration into hospital bed-planning. Emergencias. https://doi.org/10.55633/s3me/009.2026

Vancouver

Millán Soria J, Medina Álvarez J, Sánchez Suárez L, Cano Cerviño C, Serrano Lázaro L, García-Minguillán Castillo MC, et al. Real-time prediction of emergency department admissions using an AI model and its integration into hospital bed-planning. Emergencias. 2026. doi:10.55633/s3me/009.2026

BibTeX
@article{MillnSoria2026,
  author = {Millán Soria, Javier and Medina Álvarez, Javier and Sánchez Suárez, Laura and Cano Cerviño, Cesar and Serrano Lázaro, Leticia and García-Minguillán Castillo, M ª Carmen and Ginestar Miravet, Vanesa},
  title = {Real-time prediction of emergency department admissions using an AI model and its integration into hospital bed-planning},
  journal = {Emergencias},
  year = {2026},
  doi = {10.55633/s3me/009.2026}
}
Kostenlos starten →