Un análisis basado en datos de hospitales públicos de Singapur mostró que la combinación de pronósticos probabilísticos y estimaciones específicas por causa permitió mejorar la predicción de la demanda en servicios de emergencias y aportar mayor estabilidad para la planificación sanitaria.
La demanda en los servicios de emergencias ha sido reconocida como uno de los desafíos más persistentes para los sistemas de salud contemporáneos.
La sobrecarga asistencial no solo ha sido asociada a mayores tiempos de espera, congestión operativa y dificultades en la asignación de camas, sino también a consecuencias potenciales sobre la calidad del cuidado y la seguridad del paciente.
En ese contexto, la predicción anticipada del volumen de consultas ha sido considerada una herramienta estratégica para ordenar recursos humanos, infraestructura, insumos y circuitos de atención.
Un problema central para los servicios de emergencias
Sobre ese problema se centró el estudio “Ascertaining cause-specific emergency department demand using forecast combinations”, en el que se evaluaron distintas estrategias destinadas a mejorar la predicción de la demanda en emergencias. La investigación fue planteada a partir de una premisa concreta: la predicción de la demanda total podría beneficiarse si, en lugar de modelarse como una única serie general, fuera construida a partir de pronósticos diferenciados según causas específicas de consulta.
A partir de esa idea, fue desarrollado un marco de pronósticos probabilísticos combinados, pensado para superar las limitaciones de los modelos individuales tradicionales.
En vez de depender de una sola técnica de predicción, se propuso integrar múltiples modelos y aprovechar la información que cada uno pudiera aportar. Además, se buscó incorporar al análisis determinantes que suelen influir sobre la demanda sanitaria, como factores ambientales y antropogénicos, con el fin de construir estimaciones más robustas y cercanas al comportamiento real de las consultas.
El interés del trabajo no fue solamente metodológico. Sus resultados quedaron vinculados a una necesidad práctica de enorme relevancia: anticipar con mayor precisión cómo variará la demanda en el tiempo para facilitar la planificación sanitaria.
Cuando los servicios de emergencias enfrentan aumentos inesperados en ciertas causas de consulta, la falta de previsión puede traducirse en saturación, demoras diagnósticas, desorganización del flujo asistencial y utilización ineficiente de recursos. Por ello, contar con modelos más precisos y estables fue presentado como una necesidad operativa y no solo estadística.
Cómo fueron analizados los datos de Singapur
El análisis fue realizado a partir de datos de visitas diarias a emergencias en hospitales públicos de Singapur entre 2009 y 2018. Esos registros fueron agregados a escala semanal, lo que permitió trabajar con una unidad temporal más adecuada para construir modelos predictivos con diferentes horizontes de anticipación. En total se consideraron 16 categorías de enfermedades, aunque 15 fueron analizadas como variables objetivo dentro de los modelos.
La elección de un período prolongado, de casi una década, permitió que fueran observadas variaciones temporales amplias, incluyendo cambios estacionales, oscilaciones en la demanda y patrones diferenciales según tipo de enfermedad.
Esa amplitud temporal resultó particularmente útil para probar el comportamiento de los modelos tanto en horizontes cortos como en horizontes largos. A la vez, el hecho de trabajar con datos provenientes de hospitales públicos otorgó al análisis una base sanitaria real, vinculada al funcionamiento concreto de la red asistencial.
Uno de los puntos metodológicos más relevantes del estudio fue que la demanda total no fue tratada únicamente como un agregado indiferenciado.
Por el contrario, fue explorada la posibilidad de descomponerla en categorías clínicas específicas para luego volver a integrarla. Este enfoque respondió a una intuición epidemiológica y organizacional sólida: los distintos grupos de enfermedades no necesariamente evolucionan del mismo modo en el tiempo, ni responden por igual a cambios ambientales, climáticos o sociales.
Los 12 modelos evaluados y las variables incorporadas
Para construir las predicciones fueron desarrollados 12 modelos individuales. Entre ellos se incluyeron enfoques simples y enfoques más complejos: naive, media histórica (HM), modelos autorregresivos (AR), ridge regression, LASSO, adaptive LASSO, sparse group LASSO, Elastic Net, factor model, KNN y XGBoost. La diversidad de modelos permitió comparar estrategias con diferentes supuestos y capacidades de ajuste, desde métodos basados en persistencia o promedios históricos hasta alternativas de regularización y aprendizaje automático.
Los modelos no trabajaron únicamente con la serie histórica de visitas. También fueron incorporados lags de 1 a 8 semanas de variables clínicas y ambientales, con el objetivo de capturar relaciones temporales plausibles entre cambios del contexto y variaciones posteriores en la demanda. Entre las variables ambientales incluidas figuraron temperatura, humedad, precipitaciones y contaminantes como PM2.5, PM10, O₃, NO₂, SO₂ y CO.
La inclusión de esas variables amplió el alcance del análisis. No se trató solo de proyectar la continuidad de tendencias previas, sino de permitir que los modelos absorbieran información del entorno físico y antropogénico que pudiera incidir sobre las consultas a emergencias.
Esa decisión fue especialmente importante en categorías de enfermedades potencialmente sensibles a cambios ambientales, como cuadros infecciosos, respiratorios u otras condiciones susceptibles a variaciones de calidad del aire y clima.
Pronósticos probabilísticos y bootstrap con 1000 remuestreos
El estudio no se restringió a producir estimaciones puntuales. En lugar de señalar únicamente un valor esperado de visitas futuras, se recurrió a un marco de pronósticos probabilísticos, una aproximación más adecuada cuando se pretende modelar fenómenos complejos e inciertos como la demanda asistencial.
Desde el punto de vista de la gestión, esa diferencia es sustancial: una predicción probabilística permite conocer no solo el valor más probable, sino también la distribución posible de escenarios.
Para generar esas distribuciones se aplicaron procedimientos de bootstrap con 1000 remuestreos. Gracias a este enfoque, pudieron estimarse distribuciones completas de predicción para cada combinación de modelo, causa y horizonte temporal. De ese modo, la incertidumbre no fue omitida, sino incorporada al proceso de estimación.
Esta característica volvió especialmente valioso el modelo propuesto para contextos hospitalarios, donde no basta con prever un número promedio de consultas; también resulta útil conocer el rango de variación esperable y la probabilidad de escenarios de sobrecarga.
El esquema de entrenamiento fue dinámico y se implementó con validación fuera de muestra, utilizando 70% de los datos para entrenamiento y 30% para test. Esta división permitió evaluar el desempeño de los modelos sobre datos no utilizados durante el ajuste, un punto clave para valorar su capacidad de generalización. En términos prácticos, ello permitió aproximarse de forma más realista al desempeño que podría esperarse si los modelos fueran aplicados en entornos operativos.
Predicción por causa y agregación de la demanda total
Uno de los hallazgos más relevantes del estudio fue que agregar pronósticos por causa para estimar la demanda total permitió obtener mejores resultados que los logrados cuando se intentó predecir directamente el total de visitas a emergencias. Este resultado tuvo especial importancia conceptual, porque respaldó la idea de que la demanda total es una suma de dinámicas heterogéneas y que esas dinámicas conviene modelarlas por separado antes de integrarlas.
La ventaja del enfoque por causa fue cuantificada de manera concreta. Por ejemplo, con Elastic Net a 6 semanas, la estimación basada en la agregación de pronósticos específicos por causa logró una reducción del error medida por CRPS de 13,1% frente a la estrategia de pronóstico directo de visitas totales.
Ese dato no fue marginal, sino que mostró una mejora significativa en un problema operativo donde pequeñas variaciones en precisión pueden traducirse en decisiones mejor orientadas.
El resultado sugiere que cuando las categorías de enfermedad presentan patrones temporales propios, la agregación posterior de esas trayectorias conserva mejor la estructura subyacente del fenómeno. En cambio, al modelar el total como una única serie, parte de esa información específica se diluye.
Desde una perspectiva epidemiológica, esto resulta razonable: las consultas endocrinas, infecciosas, neurológicas, musculoesqueléticas o genitourinarias pueden responder a disparadores distintos, tener estacionalidades diferentes o exhibir sensibilidades desiguales ante factores ambientales.
Superioridad de los modelos combinados frente a los individuales
La segunda gran conclusión del trabajo fue que los modelos combinados superaron con claridad a los modelos individuales en la mayor parte de los escenarios analizados. En números concretos, la superioridad de los modelos combinados fue observada en 164 de 180 combinaciones causa-horizonte, lo que representó un mejor desempeño en una amplia mayoría de situaciones. Solo en 16 casos (8,9%) un modelo individual resultó superior.
La superioridad de los modelos combinados fue más marcada en los horizontes largos (≥8 semanas). El estudio indicó además que las diferencias fueron estadísticamente significativas (p < 0,05) en más del 30% de los escenarios, y que esa proporción superó el 50% en múltiples categorías de enfermedades, entre ellas las endocrinas, genitourinarias, musculoesqueléticas, infecciosas, neurológicas y neoplasias.
Estos hallazgos reforzaron la idea de que la combinación no solo mejora el promedio global de desempeño, sino que también puede ofrecer beneficios clínicamente relevantes en grupos de enfermedades concretos. En hospitales y redes asistenciales, esta información podría ser útil para anticipar con mayor precisión picos de demanda y facilitar decisiones relacionadas con especialidades, disponibilidad de camas, refuerzo de guardias o ajustes de circuitos de derivación.
Linear opinion pool y el comportamiento de los pesos
Entre los métodos de combinación evaluados se incluyeron linear opinion pool (LOP), harmonic pool, logarithmic pool y Vincentization. De todos ellos, el linear opinion pool (LOP) mostró el mejor desempeño global y la mayor estabilidad, posicionándose como el método más prometedor dentro del marco analizado.
Además, fueron comparados dos esquemas de ponderación: pesos iguales (P1) y pesos dinámicos (P2). El análisis mostró que P1 fue levemente superior en la mayoría de los casos, respaldando el concepto del forecast combination puzzle, según el cual el promedio simple de pronósticos puede superar a esquemas más sofisticados de ponderación.
Este resultado tuvo una implicancia práctica importante, ya que una estrategia eficaz basada en pesos iguales podría facilitar la implementación operativa del modelo en hospitales y sistemas de salud, reduciendo complejidad sin sacrificar rendimiento.
Variabilidad de los modelos individuales y robustez de la combinación
Otro aspecto destacado por los autores fue la alta variabilidad observada en los modelos individuales según el horizonte temporal. Un ejemplo claro fue el de la media histórica (HM), que mostró un comportamiento competitivo a 1 semana, pero un rendimiento bajo a 12 semanas. Esa oscilación evidenció que un modelo puede resultar útil en el corto plazo y perder valor cuando el horizonte se extiende.
Frente a esa inestabilidad, los modelos combinados demostraron mayor estabilidad y robustez en todos los horizontes. Esa consistencia fue uno de los argumentos más sólidos a favor de su utilización. En un entorno como el de los servicios de emergencias, donde la incertidumbre es inherente y la respuesta institucional debe ser anticipada con márgenes razonables de confianza, la robustez de una herramienta predictiva puede ser tan importante como su precisión promedio.
Implicancias para la planificación sanitaria y la gestión hospitalaria
Las conclusiones del estudio tuvieron implicancias directas para la optimización de recursos, la planificación sanitaria y la reducción de la sobrecarga hospitalaria. Si la demanda en emergencias puede estimarse con mayor precisión y estabilidad, entonces pueden mejorarse decisiones clave vinculadas a la distribución de personal, la preparación de insumos, la organización de turnos, el uso de camas y la coordinación entre servicios.
La utilidad potencial de estas herramientas es amplia. En el corto plazo, pueden facilitar ajustes operativos semanales.
En horizontes de varias semanas, pueden respaldar decisiones tácticas de mayor alcance, como la reorganización de coberturas, la redistribución de recursos entre áreas o la preparación anticipada frente a aumentos esperables en determinadas categorías de enfermedades. La ventaja adicional de trabajar con pronósticos específicos por causa es que no solo se anticipa el volumen total, sino también la composición de la demanda.
El estudio también dejó abierta la posibilidad de integración en sistemas hospitalarios en tiempo real mediante pipelines de datos. Esa línea futura fue señalada por los autores como un paso lógico para trasladar el modelo desde el plano analítico hacia la práctica institucional.
Limitaciones del estudio y próximos pasos
Como todo análisis aplicado, el trabajo presentó limitaciones que fueron reconocidas por los autores. Una de las principales fue la falta de evaluación durante la pandemia de COVID-19, un período que alteró de forma profunda los patrones de consulta a los servicios de emergencias en todo el mundo. Debido a ello, no pudo determinarse cómo se comportarían estos modelos en escenarios de disrupción sanitaria extrema o de cambio abrupto en las conductas de búsqueda de atención.
Otra limitación señalada fue la ausencia de variables sociodemográficas. Aunque se incorporaron múltiples factores ambientales y antropogénicos, no fueron integrados datos poblacionales que podrían influir sobre la demanda, como distribución etaria, condiciones socioeconómicas, movilidad, densidad urbana o acceso diferencial a la atención primaria.
También fue mencionada la generalización limitada al contexto de Singapur. Si bien el análisis se apoyó en datos reales y extensos de hospitales públicos, sus conclusiones no pueden trasladarse automáticamente a otros países o sistemas de salud con estructuras, patrones epidemiológicos y circuitos asistenciales distintos.
Por ello, fue propuesta la validación externa en entornos post-pandemia y en otras jurisdicciones.
En síntesis, la investigación mostró que la predicción de la demanda en emergencias puede ser significativamente mejorada cuando se abandona la dependencia de modelos únicos y se adopta una lógica de combinación, especialmente si la demanda total es reconstruida a partir de sus causas. En un campo donde la precisión predictiva puede traducirse en mejores condiciones de atención y menor saturación, ese aporte metodológico adquiere una relevancia sanitaria concreta.
Conclusión
El estudio mostró que la combinación de pronósticos probabilísticos, especialmente a partir de estimaciones específicas por causa, permitió mejorar de forma significativa la precisión y la estabilidad en la predicción de la demanda en emergencias. Los resultados respaldaron su potencial para optimizar recursos, fortalecer la planificación sanitaria y reducir la sobrecarga hospitalaria.
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.
