Modelos Predictivos para el Triaje en Urgencias

Abstract

Los servicios de urgencias hospitalarios reciben cada vez más pacientes, generando situaciones de sobrecarga asistencial que dificultan una atención adecuada, especialmente para los casos más graves. El triaje es el proceso por el que se decide el orden de atención según la urgencia de cada paciente. En España, el personal de enfermería lo realiza siguiendo el Sistema Español de Triaje (SET), que clasifica a los pacientes en cinco niveles de gravedad. Sin embargo, es un proceso manual que depende del criterio de cada profesional, lo que puede introducir variabilidad en las decisiones y supone una carga de trabajo considerable en momentos de alta demanda. Este trabajo desarrolla un modelo de machine learning que predice el nivel de gravedad del paciente (según los niveles 1, 2 y 3 del SET) a partir de los datos disponibles en el momento de su llegada a urgencias. Se utilizó el conjunto de datos público MIMIC-IV-ED y se compararon cuatro algoritmos: regresión logística, random forest, gradient boosting y red neuronal multicapa, todos entrenados con validación cruzada estratificada y optimización de hiperparámetros con Optuna. El gradient boosting calibrado fue el modelo con mejor rendimiento, alcanzando un AUC global de 0.7557 en el conjunto de test y un AUC de 0.8610 para la detección de pacientes críticos (nivel 1). El trabajo se completa con un estudio de explicabilidad basado en valores SHAP para identificar las variables más influyentes en las predicciones, un análisis de equidad algorítmica para comprobar si el modelo funciona de forma similar en distintos grupos demográficos (sexo, edad y etnia), y una estimación del impacto operativo y económico que tendría su implantación en el Sistema Nacional de Salud.

Hospital emergency departments are receiving increasingly more patients, leading to overcrowding situations that make it difficult to provide adequate care, especially for the most serious cases. Triage is the process by which patients are prioritised according to the urgency of their condition. In Spain, nursing staff carry out this process following the Spanish Triage System (SET), which classifies patients into five severity levels. However, it is a manual process that relies on each professional's clinical judgement, which can introduce variability in decision-making and represents a considerable workload during periods of high demand. This work develops a machine learning model that predicts a patient's severity level (according to levels 1, 2 and 3 of the SET) using data available at the time of arrival to the emergency department. The public MIMIC-IV-ED dataset was used, and four algorithms were compared: logistic regression, random forest, gradient boosting and multilayer perceptron neural network, all trained using stratified cross-validation and hyperparameter optimisation with Optuna. The calibrated gradient boosting model achieved the best performance, with a global AUC of 0.7557 on the test set and an AUC of 0.8610 for detecting critical patients (level 1). The work is completed with an explainability study based on SHAP values to identify the most influential variables in the predictions, an algorithmic fairness analysis to check whether the model performs similarly across different demographic groups (sex, age and ethnicity), and an estimation of the operational and economic impact of its implementation in the Spanish National Health System.