📄 medicine

Construction and Verification of A Prediction Model for Stranded Risk Nomograms in Emergency Department Patients

Este estudio desarrolló y validó un modelo de nomograma utilizando datos de 25.391 pacientes del departamento de emergencias para predecir eficazmente el riesgo de una duración de estancamiento prolongada, ofreciendo así una herramienta práctica para la gestión del hacinamiento en los departamentos de emergencias.

Autores originales: Manman SHANG, Qin WEI

Publicado 2026-07-01

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Manman SHANG, Qin WEI

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

Imagina el Departamento de Emergencias (DE) como una estación de tren concurrida y de alto riesgo. La gente llega con todo tipo de "boletos" (condiciones médicas), con la esperanza de tomar el tren correcto hacia el destino adecuado (una cama de hospital, un especialista o irse a casa). A veces, la estación se llena tanto que los pasajeros se quedan "atrapados" en el andén durante horas, esperando un tren que aún no ha llegado.

Este documento es como un informe de detective de una estación de tren específica (Hospital de la Unión de la Universidad Médica de Fujian) que intentó averiguar por qué algunos pasajeros se quedan atrapados por mucho tiempo y cómo predecir quién se quedará atrapado incluso antes de que llegue.

Aquí está la historia de su investigación, desglosada de forma sencilla:

1. La Misión: Predecir a los "Atrapados"

Los investigadores analizaron a más de 25,000 pacientes que visitaron el DE entre 2021 y 2023. Querían resolver un rompecabezas: ¿Qué hace que un paciente permanezca en el DE por más de 16 horas? (Ellos llamaron a esto "tiempo de atrapamiento").

Para resolver esto, dividieron los datos en dos grupos:

El Grupo "Normal": Pacientes que lograron salir en 16 horas o menos.
El Grupo "Atrapado": Pacientes que esperaron más de 16 horas.

Excluyeron los datos de principios de 2023 porque una ola masiva de casos de neumonía (debido a la pandemia) habría arruinado sus cálculos, como intentar medir el flujo de tráfico durante un desfile masivo.

2. Las Pistas: ¿Qué hace que la gente espere?

Los investigadores actuaron como detectives, buscando pistas que separaran las "salidas rápidas" de las "esperas largas". Encontraron varios factores clave que actuaban como mochilas pesadas, retrasando a los pacientes:

Cómo llegas: Si entrabas caminando o eras llevado por familiares, era más probable que esperaras más tiempo. Curiosamente, si llegabas en ambulancia (120), en realidad pasabas más rápido. Es como tener un pase VIP; el equipo de la ambulancia te otorga atención prioritaria de inmediato.
Tu edad: Los pasajeros de mayor edad tendían a esperar más tiempo. A medida que envejecemos, nuestros cuerpos son más complejos y toma más tiempo descifrar qué tren debemos tomar.
El boleto de "Triaje": Cuando llegas, una enfermera te entrega un "boleto" basado en qué tan enfermo estás (Grado I es crítico, Grado IV es menor). Sorprendentemente, los pacientes con boletos menos urgentes (Grado III y IV) esperaron más tiempo. ¿Por qué? Porque los pacientes críticos reciben atención inmediata, mientras que los que "no son tan urgentes" se quedan atrapados en un cuello de botella.
Tu historial médico: Ciertas enfermedades eran como equipaje pesado. Los pacientes con infecciones, tumores o trastornos sanguíneos esperaron más tiempo. Estas condiciones suelen requerir muchas pruebas y una observación cuidadosa.
La carga de "Pruebas": Si un paciente necesitaba muchas pruebas (más de 12 ítems diferentes de análisis de sangre) o muchos escaneos (más de 2 radiografías/TC), era mucho más probable que quedara atrapado. Es como tener que pasar por diez controles de seguridad diferentes antes de poder abordar.
La hora del día: La estación se llena más durante el día (de 8 AM a medianoche). Si llegas en ese horario, es más probable que esperes. El turno de la noche (medianoche a 8 AM) fue sorprendentemente más rápido.
Los "Habituales": Las personas que visitan el DE cuatro o más veces al año tenían una ligera probabilidad de quedar atrapadas, quizás porque sus condiciones son complejas o crónicas.

3. La Solución: La tarjeta de puntuación de "Riesgo de Atrapamiento" (Nomograma)

Una vez que descubrieron las pistas, los investigadores construyeron una herramienta de predicción llamada Nomograma.

Piensa en este Nomograma como un pronóstico del clima personalizado para tu visita al DE.

En lugar de predecir lluvia, predice el "riesgo de atrapamiento".
Tomas los detalles del paciente (¿Edad? Sí. ¿Llegó en ambulancia? No. ¿Necesita 15 análisis de sangre? Sí) y los introduces en la tarjeta de puntuación.
La tarjeta suma puntos y da un porcentaje de probabilidad: "Este paciente tiene un 80% de probabilidad de quedar atrapado por más de 16 horas".

4. ¿Funcionó la tarjeta de puntuación?

Los investigadores probaron su tarjeta de puntuación de dos maneras:

Prueba Interna: La compararon con los datos que usaron para construirla. Funcionó bien, identificando correctamente alrededor del 75% de los riesgos.
Prueba Externa: La probaron en un nuevo grupo de pacientes de un período de tiempo diferente. Sigue funcionando bien, lo que demuestra que no fue solo un golpe de suerte.

También utilizaron una "Curva de Decisión" (una forma elegante de decir "¿Es esto útil en la vida real?"). El resultado fue que sí: si un médico utiliza esta herramienta, puede tomar mejores decisiones sobre la gestión de la multitud.

5. La Gran Conclusión

El documento concluye que este Nomograma es una herramienta confiable. Ayuda a los administradores de hospitales y a los médicos a ver el "atasco de tráfico" antes de que ocurra. Al saber quién tiene probabilidades de quedarse atrapado, pueden potencialmente reorganizar los recursos para despejar el andén más rápido.

En resumen: Los investigadores convirtieron un DE caótico y concurrido en un sistema predecible mediante la creación de una simple tarjeta de puntuación que les dice: "Oye, este paciente probablemente esperará mucho tiempo porque es mayor, llegó caminando y necesita muchas pruebas". Esto ayuda a que la estación funcione mejor para todos.

Resumen Técnico: Construcción y Verificación de un Nomograma de Riesgo de Estancamiento para Pacientes en Departamentos de Emergencias

Planteamiento del Problema
Los Departamentos de Emergencias (DE) a nivel mundial enfrentan una presión creciente debido al aumento de los volúmenes de pacientes y las limitaciones de recursos, lo que conduce a tiempos de "estancamiento" prolongados (estancias extendidas dentro del DE antes del traslado, el alta o la muerte). Esta congestión compromete la seguridad del paciente, aumenta los costos médicos y sobrecarga los recursos humanos. Si bien existen modelos de advertencia de riesgo, existe la necesidad de herramientas específicas y validadas para predecir la probabilidad de estancamiento de los pacientes en el DE para facilitar la intervención temprana y una mejor asignación de recursos. Este estudio aborda esta brecha investigando los factores de riesgo para la duración del estancamiento en el DE y desarrollando un modelo de nomograma predictivo.

Metodología
El estudio empleó un análisis retrospectivo de 25,391 pacientes tratados en el Departamento de Emergencias del Hospital de la Unión de la Universidad Médica de Fujian entre enero de 2021 y agosto de 2023.

Partición de Datos: El conjunto de datos se dividió en un grupo de modelado (19,057 pacientes de enero 2021–octubre 2022) para la identificación de factores y construcción del modelo, y un grupo de validación (6,334 pacientes de marzo–agosto 2023) para la evaluación del desempeño.
Criterios de Exclusión: Se excluyeron los datos de noviembre 2022–febrero 2023 para evitar sesgos derivados del aumento de neumonía por COVID-19. También se excluyeron los pacientes con datos críticos faltantes (p. ej., duración de la estancia, diagnóstico, modo de llegada).
Definición de Variables: La variable dependiente fue el "tiempo de estancamiento", categorizado en un grupo normal (≤16 horas) y un grupo de estancamiento (>16 horas) basado en la mediana. Se analizaron trece variables independientes a través de tres categorías:
1. Factores del Paciente: Edad, género, método de llegada y frecuencia de visitas al DE.
2. Factores de la Enfermedad: Nivel de triaje pre-examen, Escala de Alerta Temprana Modificada (MEWS), clasificación de diagnóstico CIE-10 y número de ítems de pruebas/exámenes.
3. Factores Institucionales: Destino de desviación, atribución de especialidad, período de tiempo de tratamiento y adherencia a los tiempos de espera estándar.
Análisis Estadístico: El análisis univariante (pruebas de Chi-cuadrado y de suma de rangos) identificó factores significativos. Se utilizó la regresión logística binaria (eliminación hacia atrás) para determinar los predictores independientes. Se construyó un nomograma utilizando el software R (paquete rms).
Evaluación del Modelo: El desempeño se evaluó mediante el Área Bajo la Curva (AUC) de la Característica Operativa del Receptor (ROC), curvas de calibración, pruebas de bondad de ajuste y el Análisis de la Curva de Decisión (DCA) para la utilidad clínica.

Contribuciones Clave

Identificación de Predictores: El estudio identificó factores independientes específicos que influyen en el estancamiento en el DE, incluyendo el método de llegada, el nivel de triaje, la especialidad, el período de tiempo, el cumplimiento del tiempo de espera y la clasificación de diagnóstico CIE-10, así como el volumen de pruebas realizadas.
Desarrollo del Nomograma: Se construyó una herramienta de predicción visual (nomograma) para calcular la probabilidad de que un paciente se estanque (>16 horas) basándose en la puntuación acumulada de los factores de riesgo identificados.
Validación: El modelo fue sometido a una rigurosa validación interna y externa, demostrando un desempeño consistente a través de diferentes cohortes de pacientes.

Resultados

Estadística Descriptiva: La mediana del tiempo de estancamiento para la cohorte fue de 15.69 horas (IQR: 5.64–26.73). Aproximadamente el 50.54% de los pacientes permanecieron ≤16 horas, mientras que el 17.92% permaneció >32 horas.
Hallazgos de la Regresión: El análisis multivariante confirmó que el método de llegada (p. ej., a pie vs. ambulancia), el nivel de triaje (los Grados III y IV mostraron un mayor riesgo que el Grado I), categorías de enfermedades específicas (p. ej., enfermedades respiratorias, tumores, enfermedades infecciosas) y factores institucionales (p. ej., incumplimiento de los tiempos de espera estándar) fueron predictores independientes significativos.
Desempeño del Modelo:
- Discriminación: El modelo logró un AUC de 0.748 en la validación interna (grupo de modelado) y de 0.732 en el grupo de validación externa.
- Calibración: Las pruebas de bondad de ajuste indicaron una fuerte alineación entre la incidencia predicha y la real (Interna $\chi^2=0.086, p=0.931$ ; Externa $\chi^2=0.193, p=0.847$ ).
- Utilidad Clínica: El Análisis de la Curva de Decisión (DCA) demostró que el nomograma proporcionó un mayor beneficio neto que las estrategias alternativas cuando la probabilidad de umbral para predecir la estancia prolongada estaba entre 0.35 y 0.65 (interno) y entre 0.35 y 0.60 (externo).

Significancia y Reivindicaciones
Los autores afirman que el nomograma desarrollado es una herramienta validada que predice eficazmente el riesgo de estancamiento de los pacientes en el DE. El estudio postula que este modelo ofrece un soporte de decisión práctico para gestionar la saturación de los DE. Al permitir que el personal médico evalúe con precisión los riesgos de estancamiento y proporcione advertencias tempranas, la herramienta tiene como objetivo facilitar intervenciones oportunas. Además, el modelo se presenta como un recurso para que los gestores de los DE comprendan mejor la dinámica operativa, optimicen el personal y mejoren la asignación de recursos humanos y la gestión de la calidad. El estudio concluye que el nomograma sirve como un instrumento valioso para los esfuerzos de respuesta clínica de emergencia.