Una revisión sistemática actualizada evaluó modelos de time series forecasting (TSF) para predecir la llegada de pacientes a los departamentos de emergencia (ED). Publicada en BMC Emergency Medicine, analizó variables externas, métodos y calidad metodológica, destacando avances técnicos y brechas críticas en transparencia, validación y reporte.
Una revisión sistemática para anticipar la demanda en emergencias
El aumento sostenido de la demanda asistencial en los departamentos de emergencia (Emergency Departments, ED) ha impulsado el desarrollo de herramientas capaces de anticipar la llegada de pacientes y optimizar la planificación de recursos. En este contexto, fue realizada una verificación sistemática actualizada con el objetivo principal de identificar las variables externas utilizadas en modelos de time series forecasting (TSF) para mejorar la precisión de las predicciones, y como objetivo secundario describir los métodos empleados y su desempeño.
El trabajo fue reportado siguiendo las guías TRIPOD-SRMA (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis – Systematic Review and Meta-Analysis)
Evaluó el riesgo de sesgo mediante la herramienta PROBAST (Prediction model Risk Of Bias ASsessment Tool), lo que permitió un análisis estructurado tanto del contenido técnico como de la calidad metodológica de los estudios incluidos.
Búsqueda bibliográfica y criterios de inclusión
La búsqueda bibliográfica se realizó el 13 de febrero de 2025 en cinco bases de datos internacionales: PubMed, Scopus, Web of Science, CINAHL y Embase. No se aplicaron restricciones por diseño de estudio, horizonte temporal o metodología estadística, aunque se incluyeron exclusivamente artículos en inglés que desarrollaran o validaran modelos pronósticos con variables externas.
De un total de 1.247 estudios identificados inicialmente, 668 fueron evaluados tras la eliminación de duplicados.
Finalmente, 30 estudios cumplieron con todos los criterios de inclusión y fueron incorporados en el análisis cualitativo.
Características generales de los estudios analizados
Los estudios incluidos abarcaron períodos de observación promedio de 4 años, con un rango que osciló entre 1 y 13 años. Los tamaños muestrales fueron altamente variables, desde aproximadamente 3.000 hasta 901.000 registros de consultas a ED, lo que refleja la diversidad de contextos asistenciales y volúmenes de atención.
La mayoría de los modelos fue desarrollada en Estados Unidos y en países de Asia, mientras que la representación europea fue menor, concentrándose principalmente en el Reino Unido y España.
El horizonte de predicción mostró una amplia variabilidad, desde pronósticos a 1 día hasta estimaciones a 1 año. En la mayor parte de los estudios se predijo el número total de consultas a ED, aunque algunos trabajos se focalizaron en subpoblaciones específicas, como pacientes con asma o enfermedades respiratorias.
Variables externas: diez grupos temáticos
El resultado primario de la revisión permitió identificar diez grandes grupos temáticos de variables externas incorporadas en los modelos de TSF:
- Variables climáticas
- Calidad del aire
- Redes sociales
- Variables de calendario
- Tendencias de búsqueda en Google
- Visitas a sitios web hospitalarios
- Sistemas de información hospitalaria
- Datos prehospitalarios
- Conocimiento del personal local experimentado
- Líneas telefónicas nacionales de salud
Entre estos grupos, las variables meteorológicas y de calendario fueron las más utilizadas y las que con mayor frecuencia permanecieron en los modelos finales. Aunque algunos estudios exploraron más de 30 variables externas, los modelos finales tendieron a incluir solo unas pocas, seleccionadas por su mayor valor predictivo y estabilidad.
Métodos de time series forecasting identificados
En relación con el objetivo secundario, se identificaron 53 métodos distintos de pronóstico, que fueron agrupados en tres grandes familias:
- Modelos estadísticos clásicos, como ARIMA (AutoRegressive Integrated Moving Average).
- Métodos de machine learning, entre ellos Support Vector Machines (SVM) y Random Forest.
- Modelos híbridos, que combinan enfoques estadísticos y de aprendizaje automático.
ARIMA, SVM y Random Forest fueron los métodos más empleados a lo largo de los estudios analizados.
Sin embargo, la revisión destacó que no fue posible comparar formalmente el rendimiento entre modelos ni realizar un metaanálisis, debido a la marcada heterogeneidad en las métricas reportadas —como MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Square Error) y MSE (Mean Square Error)— y en los horizontes temporales evaluados.
El MAPE fue la métrica más utilizada, presente en 16 de los 30 estudios, y el horizonte de predicción más frecuente fue de 1 día.
Calidad metodológica y riesgo de sesgo
La evaluación del riesgo de sesgo mediante PROBAST mostró resultados preocupantes. Once de los 30 estudios presentaron alto riesgo de sesgo global, mientras que solo dos evidenciaron alta preocupación por problemas de aplicabilidad. Ningún estudio siguió de manera explícita guías de reporte como TRIPOD, lo que limitó la transparencia y reproducibilidad de los modelos.
Solo un trabajo publicó el código completo del modelo desarrollado y la disponibilidad de los datos fue excepcional. La validación externa fue muy poco frecuente y la mayoría de los estudios se basó en divisiones internas de los datos en conjuntos de entrenamiento y prueba (train/test split).
Además, únicamente cinco estudios reportaron intervalos de confianza o de predicción, un elemento clave para interpretar la incertidumbre de los pronósticos.
Implicancias para la planificación de servicios de emergencia
Los resultados de esta revisión confirman que el time series forecasting constituye una estrategia factible y prometedora para anticipar la demanda en los ED y apoyar la toma de decisiones operativas. La incorporación de variables externas, especialmente climáticas y de calendario, parece mejorar la capacidad predictiva de los modelos y permitir una planificación más ajustada de recursos humanos y materiales.
No obstante, las limitaciones metodológicas identificadas reducen la posibilidad de trasladar estos modelos a la práctica clínica de manera generalizada, especialmente en contextos distintos a aquellos donde fueron desarrollados.
Agenda de investigación futura
Los autores subrayan la necesidad urgente de avanzar hacia una mayor estandarización y transparencia en este campo.
Entre las líneas prioritarias de investigación futura se destacan: el desarrollo de estrategias de ingeniería de variables, la exploración de modelos híbridos más robustos, el uso sistemático de datos provenientes de redes sociales e internet, la realización de estudios prospectivos y la incorporación de técnicas de explicabilidad (Explainable Artificial Intelligence, XAI).
Asimismo, se enfatiza la importancia de promover la validación externa de los modelos y la creación de datasets abiertos que permitan la comparabilidad y reproducibilidad de los resultados entre distintos sistemas de salud.
Conclusión
El time series forecasting ofrece un enfoque prometedor para anticipar la llegada de pacientes a los ED, pero su impacto real depende de mejorar la calidad metodológica, la transparencia y la validación externa de los modelos. Sin estos avances, su adopción clínica seguirá siendo limitada.
Referencias
Autor
El equipo de redactores de Sapue realizo esta historia, utilizando herramientas editoriales, de traducción e inteligencia artificial. El proceso de redacción contó con incidencia humana en cada etapa.
