💻 computer science

Machine Learning Approaches for Hourly Emergency Department Patient Arrival Forecasting: A Multi-Horizon Comparison with Operational Benchmarking at a Norwegian Hospital

Este estudio demuestra que los modelos de aprendizaje automático, particularmente una arquitectura Direct LSTM+Optuna que evita el problema de las "características congeladas" inherente a los enfoques autorregresivos recursivos, superan significativamente al de referencia operativo basado en calendarios de Noruega para la previsión horaria de llegadas de pacientes al departamento de emergencias a través de horizontes de planificación tanto cortos como extendidos.

Autores originales: Md Ariful Islam Foysal, Gustav Trygve Siqueland, Vetle Ellingsen Hauge, Rasmus Rimestad, Vimala Nunavath, Bjørn-Jostein Singstad

Publicado 2026-08-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Md Ariful Islam Foysal, Gustav Trygve Siqueland, Vetle Ellingsen Hauge, Rasmus Rimestad, Vimala Nunavath, Bjørn-Jostein Singstad

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Los hospitales son lugares de movimiento constante, donde el flujo de personas es tan crítico de gestionar como el flujo de sangre o electricidad. En un departamento de emergencias, la diferencia entre un turno fluido y una crisis caótica suele depender del tiempo. Si un hospital sabe exactamente cuántos pacientes llegarán en la próxima hora, puede abrir el número adecuado de camas, programar el número correcto de enfermeros y preparar el equipo de diagnóstico antes de que la primera persona cruce la puerta. Durante décadas, los administradores de hospitales han dependido de promedios históricos simples para tomar estas decisiones, observando qué sucedió un martes a las 2 p. m. durante los últimos meses y asumiendo que hoy será lo mismo. Este método funciona lo suficientemente bien para patrones generales, pero es ciego a la realidad inmediata: una tormenta repentina, un aumento en los casos de gripe o una oleada inesperada de lesiones pueden dejar inútil un promedio histórico. El desafío para la medicina moderna es pasar de adivinar basándose en el pasado a predecir el futuro con la ayuda de computadoras que puedan aprender de datos complejos y cambiantes.

Un equipo de investigadores en el Hospital Trust de Vestfold, en Noruega, se propuso resolver este problema específico construyendo un sistema de aprendizaje automático capaz de pronosticar las llegadas de pacientes hora por hora. Recopilaron un año de datos, rastreando más de 35,000 visitas de pacientes, y combinaron esto con información en tiempo real sobre el clima, las tasas de infección locales y los días festivos. Luego entrenaron cinco tipos diferentes de modelos computacionales para aprender los patrones ocultos en estos datos. El objetivo no era solo ver si una computadora podía predecir el futuro mejor que una simple consulta de calendario, sino entender qué tan lejos en el futuro esa predicción podría seguir siendo precisa. Los investigadores compararon sus nuevos modelos contra el sistema actual del hospital, que simplemente busca la mediana del número de llegadas para un día y hora específicos.

Los resultados mostraron que, para el futuro inmediato, los modelos computacionales eran significamente más precisos que el método tradicional. Al predecir solo una hora de antelación, el mejor modelo de aprendizaje automático redujo el error promedio en casi un paciente completo por hora en comparación con el enfoque estándar del hospital. Esto puede sonar como un número pequeño, pero en una sala de emergencias concurrida, saber si se espera recibir cuatro pacientes o seis puede determinar si se llama a un médico anticipadamente o si se le deja esperando. Los modelos computacionales lograron esto al notar señales sutiles que un calendario no puede ver, como cómo está cambiando la tasa de llegada en este momento o cómo el clima actual podría influir en las decisiones de las personas para buscar atención médica.

Sin embargo, el estudio reveló un fallo sorprendente y crítico en la forma en que trabajan algunos de estos modelos computacionales avanzados cuando se les pide mirar más hacia el futuro. Cuando los investigadores pidieron a los modelos predecir con doce o veinticuatro horas de antelación, los sistemas de aprendizaje profundo más sofisticados fallaron repentinamente. Sus predicciones se volvieron tan inexactas que fueron peores que simplemente adivinar el promedio. Los investigadores descubrieron la causa: un problema estructural que llamaron el "problema de la característica congelada". Estos modelos estaban diseñados para mirar una ventana del pasado para predecir el siguiente paso, luego usar esa predicción para adivinar el paso posterior. Al hacerlo, mantenían la información de la hora del día fija en el punto de partida de la ventana. Debido a que la hora del día es el factor más importante para predecir las llegadas de pacientes, el modelo efectivamente olvidó que el tiempo estaba pasando. Seguía prediciendo el futuro como si todavía fuera la misma hora en la que comenzó, lo que llevó a un colapso total en la precisión a medida que se extendía el horizonte de pronóstico.

Para solucionar esto, el equipo desarrolló un enfoque diferente que no intenta predecir una hora a la vez y alimentar el resultado de vuelta al sistema. En su lugar, construyeron un modelo que calcula las veinticuatro horas del futuro en un solo paso simultáneo. Este método, que llamaron modelo LSTM directo, evitó la trampa de olvidar el paso del tiempo. Aunque fue ligeramente menos preciso para la primera hora en comparación con los otros modelos, se mantuvo confiable durante todo un día. En la marca de las doce horas, donde los otros modelos avanzados habían colapsado en la inutilidad, este nuevo enfoque aún proporcionaba una predicción significativa. En la marca de las veinticuatro horas, era el único modelo que podía ofrecer un pronóstico útil, superando tanto al sistema tradicional del hospital como a los otros intentos de aprendizaje automático.

El estudio concluye que no existe un único "mejor" modelo para cada situación. Para decisiones inmediatas, como la dotación de personal para la próxima hora, los modelos de aprendizaje profundo tradicionales funcionan mejor. Pero para la planificación a largo plazo, como prepararse para el día siguiente, el nuevo enfoque directo es esencial. Los investigadores ya han convertido esta solución en una herramienta prototipo que el hospital puede usar directamente, alimentándola con datos actuales para generar un pronóstico de veinticuatro horas que se integra perfectamente en su panel de control de planificación existente. Este trabajo demuestra que, si bien la inteligencia artificial puede mejorar drásticamente las operaciones hospitalarias, la forma en que se construye la tecnología importa tanto como los datos de los que aprende. Al identificar y corregir una debilidad estructural específica en cómo estos modelos manejan el tiempo, los investigadores han proporcionado un camino práctico para que los hospitales de todo el mundo gestionen su recurso más preciado: el tiempo.

Resumen Técnico: Enfoques de Aprendizaje Automático para la Predicción Horaria de Llegadas de Pacientes a Departamentos de Emergencias

Planteamiento del Problema
El hacinamiento en los Departamentos de Emergencia (DE) es una crisis global vinculada al aumento de la mortalidad y la reducción de la satisfacción del paciente. Una gestión eficaz requiere la predicción precisa de los volúmenes de llegada de pacientes para permitir una dotación de personal y una asignación de recursos proactivas. Aunque la literatura sobre predicción ha evolucionado desde métodos estadísticos (p. ej., ARIMA) hacia el aprendizaje automático (ML), persisten brechas significativas:

La mayoría de los estudios operan a una resolución diaria en lugar de la resolución horaria operativa requerida para la planificación de turnos.
El rendimiento de la predicción de múltiples pasos suele degradarse severamente en horizontes más largos, sin que se hayan aislado completamente las causas estructurales de dicha degradación.
Pocos enfoques se comparan con los sistemas operativos reales que utilizan los hospitales (p. ej., búsquedas de la mediana basadas en el calendario), lo que limita su relevancia práctica.

Este estudio aborda estas brechas mediante el desarrollo y la evaluación de marcos de ML para la predicción horaria de llegadas a DE en el Hospital Vestfold (SiV) en Noruega, comparando explícitamente múltiples familias de modelos contra la línea base operativa del hospital a través de horizontes de 1 a 24 horas.

Metodología
El estudio utilizó 12 meses de datos de visitas a DE (35.674 pacientes, octubre de 2023 – octubre de 2024) combinados con covariables externas para crear un conjunto de características de 46 variables. Las fuentes de datos incluyeron:

Características temporales: Codificaciones cíclicas (seno/coseno) para el tiempo, características de retardo (lag) y medias móviles exponenciales (EMA).
Covariables externas: Datos meteorológicos horarios, estadísticas mensuales de infecciones (influenza, COVID-19) e indicadores de días festivos.

El conjunto de datos se dividió cronológicamente (80/10/10) para evitar la fuga de información. Se entrenaron y evaluaron cinco modelos:

Mediana Base: El sistema operativo del hospital, una tabla de búsqueda de la mediana de 7×24 basada en los cuatro meses anteriores.
LightGBM: Un modelo de gradient boosting con la recomputación explícita de las características temporales en cada paso de predicción.
LSTM / BiLSTM: Redes de Memoria a Largo Corto Plazo (LSTM) estándar y Bidireccionales utilizando un despliegue (rollout) autorregresivo recursivo.
LSTM+Optuna: Una arquitectura LSTM optimizada mediante búsqueda de hiperparámetros bayesiana (Optuna).
Direct LSTM+Optuna: Un modelo de salida múltiple directa que predice todas las 24 horas futuras simultáneamente en una sola pasada hacia adelante, eliminando el despliegue recursivo.

El rendimiento se evaluó utilizando RMSE, MAE, $R^2$ y MAPE en horizontes de 1, 2, 6, 12 y 24 horas.

Contribuciones Clave y Hallazgos

1. Rendimiento de Corto Horizonte (1–6 Horas)
En el horizonte de 1 hora, todos los modelos de ML autorregresivos superaron a la Mediana Base operativa en RMSE.

LSTM+Optuna logró el RMSE más bajo (1.75 pacientes/hora) en comparación con el 2.43 de la línea base.
LightGBM alcanzó el coeficiente de determinación más alto ( $R^2 = 0.46$ ), lo que indica una captura superior de la varianza de las llegadas en comparación con la familia LSTM ( $R^2 \approx 0.36–0.39$ ).
El análisis de importancia de características reveló que, si bien las características temporales (específicamente hour cos) dominaron, LightGBM aprovechó las señales en tiempo real (tendencias EMA, tasas de infección, presión) para mejorar la explicación de la varianza, capacidades de las que carece la línea base basada únicamente en el calendario.

2. El "Problema de la Característica Congelada" en la Predicción de Largo Horizonte
Un hallazgo crítico fue el fallo catastrófico de los modelos LSTM autorregresivos en el horizonte de 12 horas.

Observación: Las tres variantes de LSTM autorregresivas (LSTM, BiLSTM, LSTM+Optuna) arrojaron valores de $R^2$ negativos a las 12 horas (que oscilaron entre -0.08 y -0.45), rindiendo peor que una simple media global.
Mecanismo: El estudio identifica el "problema de la característica congelada" como la causa. En el despliegue recursivo, las características temporales dentro de la ventana de retrovisión (lookback) escalada (específicamente hour cos) permanecen fijas en sus valores iniciales en lugar de actualizarse para reflejar la hora de la predicción objetivo. Dado que hour cos es la característica más importante (ganancia de importancia 119,021), este fallo estructural desorienta sistemáticamente las predicciones.
Contraste: LightGBM evitó este colapso porque recomputa explícitamente las características temporales en cada paso de despliegue, manteniendo un $R^2$ positivo (0.14) a las 12 horas.

3. Salida Múltiple Directa como Solución
El modelo Direct LSTM+Optuna, que predice la trayectoria completa de 24 horas en una sola pasada hacia adelante, eliminó con éxito tanto la acumulación de errores como el problema de la característica congelada.

Mantuvo un $R^2$ positivo en todos los horizontes, descendiendo suavemente de 0.29 (1h) a 0.26 (12h) y 0.18 (24h).
A las 12 y 24 horas, superó significativamente a las variantes de LSTM autorregresivas, logrando el $R^2$ más alto de cualquier modelo en el horizonte de 24 horas.

Significancia y Reivindicaciones
El artículo sostiene que, si bien los modelos de ML ofrecen mejoras significativas sobre las líneas base operativas para la planificación a corto plazo, la arquitectura del modelo es crítica para los horizontes más largos.

Recomendación Estratégica: Los autores proponen una estrategia de selección de modelos por horizonte: utilizar LSTM+Optuna o BiLSTM para ventanas de 1 a 6 horas (minimizando el RMSE), y cambiar a Direct LSTM+Optuna para ventanas de planificación de 12 a 24 horas para evitar la degradación estructural.
Generalizabilidad: El "problema de la característica congelada" se identifica como una causa estructural general de la degradación de largo horizonte en cualquier pronosticador recursivo basado en LSTM que incorpore codificaciones temporales cíclicas. La arquitectura de salida múltiple directa se presenta como un remedio general.
Integración Operativa: El modelo Direct LSTM+Optuna se ha implementado como una API de inferencia prototipo en Hugging Face, diseñada para alinearse directamente con el panel de control de planificación de 24 horas de SiV sin requerir canales de preprocesamiento personalizados.

El estudio concluye que el aprendizaje automático puede mejorar las operaciones de los DE, pero solo cuando se toman decisiones arquitectónicas específicas para abordar los desafíos únicos del pronóstico de series temporales recursivas en entornos de atención médica.

Más como este