Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 2 de 15
Journal of Scientific and Technological Research Industrial
Modelo de machine learning en el proceso de atención de pacientes en
emergencias hospitalarias
Machine learning model in the patient care process in hospital emergencies
Violeta Morán Huamani
2021008019@unfv.edu.pe
Universidad Nacional Federico Villarreal, Perú
Resumen
El presente estudio se enfocó en el desarrollo e implementación de un algoritmo de
aprendizaje automático destinado a optimizar el flujo de atención en unidades de
urgencias, priorizando específicamente la etapa de clasificación o triaje. Para validar el
rendimiento de la herramienta, se aplicaron análisis estadísticos como la prueba t de
Student y ANOVA, los cuales arrojaron valores significativos (t = 7.823; p < 0.001).
Dichos hallazgos confirman que el modelo es capaz de reducir las demoras en la
atención y perfeccionar la categorización de pacientes. Con una exactitud de 0.98 y un
valor F1 de 0.94 en la detección de cuadros clínicos complejos, la propuesta supera los
estándares de estudios previos, consolidándose como una solución viable para hospitales
con alta saturación de pacientes.
Palabras claves: Machine Learning, Triaje hospitalario, Atención de emergencias.
Abstract
This study focused on the development and implementation of a machine learning
algorithm aimed at optimizing the flow of care in emergency units, specifically
prioritizing the classification or triage stage. To validate the tool's performance,
statistical analyses such as Student's t-test and ANOVA were applied, yielding
significant values (t = 7.823; p < 0.001). These findings confirm that the model is
capable of reducing care delays and refining patient categorization. With an accuracy of
0.98 and an F1-score of 0.94 in detecting complex clinical cases, the proposal exceeds
the standards of previous studies, establishing itself as a viable solution for hospitals
with high patient saturation.
Keywords: Machine Learning, Hospital Triage, Emergency Care.
Publicado: 2026-03-11
Aceptado: 2026-03-10
Recibido: 2026-01-07
Open Access
Article scientific
https://doi.org/10.47422/jstri.v7i1.71
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 3 de 15
Journal of Scientific and Technological Research Industrial
INTRODUCCIÓN
El colapso de los servicios de urgencias no es un fenómeno
aislado; se trata de una crisis global que presiona
constantemente a los sistemas de salud en todo el mundo
(Salman et al., 2021). Esta saturación trasciende fronteras
y deja claro que no es un problema de una región
específica, sino un desafío estructural que exige soluciones
disruptivas y realmente operativas (Salman et al., 2021). En
este contexto, gestionar el flujo de pacientes de manera
inteligente deja de ser una opción para convertirse en una
necesidad crítica si se quiere proteger la vida de los
usuarios y garantizar una atención resolutiva (Salman et al.,
2021).
En el caso particular de Perú, los hospitales del Ministerio
de Salud (MINSA) enfrentan una realidad muy similar a la
de otras economías en desarrollo. Las carencias son
evidentes: falta de personal especializado, herramientas
tecnológicas que han quedado obsoletas y una percepción
de atención deficiente que golpea con más fuerza a las
poblaciones de ingresos bajos y medios (Salman et al.,
2021). Este escenario pone de manifiesto la urgencia de
atacar tanto los nudos críticos locales como las fallas
sistémicas que, a fin de cuentas, terminan mermando la
calidad de la salud a nivel internacional (Salman et al.,
2021).
Por otro lado, el desborde de las salas de emergencia por la
alta demanda es, quizás, el reto más complejo que enfrenta
la sanidad moderna (Morley et al., 2018). Para intentar
poner orden al caos, la mayoría de centros han adoptado
protocolos de triaje. El objetivo es simple pero vital:
clasificar el flujo incesante de pacientes para identificar,
con precisión quirúrgica, quién no puede esperar. Si este
proceso falla o se retrasa, las consecuencias son directas y
trágicas, elevando las tasas de mortalidad y las
complicaciones en cuadros clínicos que eran tratables
(Zachariasse et al., 2019).
En los últimos años, el volumen de personas que llegan a
los centros de salud ha crecido de tal forma que las tareas
de categorización en el triaje se han vuelto sumamente
difíciles (Pedrero et al., 2021). Esto no es solo un problema
administrativo; es un riesgo real para el paciente. Además,
la práctica médica actual genera un océano de datos tan
denso y heterogéneo que procesarlo manualmente es casi
imposible. Es aquí donde el Machine Learning aparece
como un aliado estratégico, no solo para predecir brotes o
diagnósticos, sino para rescatar la gestión operativa de los
hospitales (Pedrero et al., 2021). Es importante notar que la
crítica hacia la eficiencia del MINSA es persistente, un
malestar que, según Soto (2019), se replica en gran parte
de Latinoamérica.
Antencentes
Al explorar el impacto del aprendizaje automático (ML) en
la gestión hospitalaria, Pedrero et al. (2021) plantean que
el núcleo de la cuestión es cómo la inteligencia artificial
puede optimizar los servicios médicos, especialmente en
áreas críticas. Su análisis parte de una premisa clara: las
herramientas analíticas de toda la vida se quedan cortas
ante la complejidad y el volumen de datos de la medicina
moderna. En su estudio, probaron cómo distintos modelos
de ML pueden extraer valor de datos complejos, ya sea para
describir realidades actuales o para anticiparse a escenarios
futuros.
En una línea similar, Blanco (2021) explora el uso de estos
algoritmos en la biología a gran escala. Gracias a que el
mapeo genético es cada vez más accesible
económicamente, hoy tenemos una oportunidad de oro para
entender mejor el perfil molecular del cáncer. Blanco
subraya que las arquitecturas de aprendizaje computacional
son fundamentales aquí, debido a su capacidad casi
instintiva para detectar patrones en bases de datos
biomédicas masivas. Por su parte, González (2021) nos
recuerda que la tecnología en salud no debe limitarse a la
urgencia, sino que debe ofrecer una visión integral y
constante del paciente, integrando los avances técnicos en
cada nivel de la actividad humana para superar los
obstáculos del control clínico tradicional.
A esto debemos sumar la investigación de Picone et al.
(2021), quienes ponen la lupa sobre el peligro de las
infecciones intrahospitalarias, un riesgo que se agudiza
drásticamente en las Unidades de Cuidados Críticos (UCI).
Complementariamente, según el planteamiento de
Choudhury & Ureña (2020), el estudio se fundamenta en la
premisa de que el arribo azaroso de pacientes a las áreas de
urgencias hospitalarias complica su administración
operativa. Más de la mitad de dichas unidades acostumbra
a trabajar sobrepasando su límite operativo, lo que
repercute negativamente en la excelencia de la asistencia
brindada. Con el fin de mitigar este problema, se han
desarrollado múltiples investigaciones que utilizan
proyecciones de series de tiempo en escalas temporales de
semanas, meses o años. No obstante, el presente estudio
profundiza en el uso de pronósticos por horas para
optimizar la gobernanza del área de urgencias a través de
la estimación de la afluencia de usuarios.
Conforme a la investigación de Anyaypoma-Ocón et al.
(2021), el propósito central de su trabajo consistió en
determinar las variables clínicas y los factores
epidemiológicos vinculados a la mortalidad en usuarios
internados por COVID-19 en el centro médico Simón
Bolívar de Cajamarca. Por otro lado, en el trabajo realizado
por Loyola & Chamorro (2021), la meta fue diseñar una
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 4 de 15
Journal of Scientific and Technological Research Industrial
solución tecnológica orientada a diagnosticar la existencia
y la tipología de neumonía mediante el análisis de placas
radiográficas de tórax. A tal efecto, se procedió a la
instrucción de un algoritmo fundamentado en redes
neuronales de tipo convolucional, empleando un banco de
datos de 4023 capturas, el cual integraba muestras de
neumonía de origen viral, bacteriano y placas de control sin
evidencia patológica. Asimismo, según lo planteado por
Martín-Conde et al. (2021), esta indagación buscó
perfeccionar el flujo de entrega de medicamentos y el
asesoramiento farmacéutico a usuarios ambulatorios,
promoviendo el involucramiento del paciente y adoptando
principios de la filosofía Lean. En esa misma línea, el
estudio de Apaza (2022) se propuso como objetivo la
automatización del procesamiento de documentos digitales
mediante el uso de Inteligencia Artificial, específicamente
Machine Learning. Los lapsos necesarios para la
configuración e instrucción de algoritmos en dicho entorno
oscilan entre unos pocos segundos y minutos, requiriendo
apenas cinco registros para operar, lo cual la posiciona
como una herramienta superior frente a otras plataformas
con capacidades comparables.
MATERIALES Y MÉTODOS
Machine Learning
El Machine Learning se entiende como una disciplina
nacida de la IA y las ciencias de la computación que se
especializa en crear sistemas capaces de "aprender". En
lugar de seguir instrucciones rígidas, estos modelos buscan
estructuras y tendencias ocultas dentro de grandes
volúmenes de datos para generar conocimiento (Vega,
2019).
Para saber si un modelo realmente funciona, no basta con
que acierte con los datos que ya conoce; hay que ponerlo a
prueba con información totalmente nueva. Esto nos asegura
que el sistema ha "comprendido" la lógica del problema y
no se ha limitado a memorizar las respuestas. El objetivo
final es evitar el famoso sobreajuste (overfitting), un error
técnico donde el algoritmo se vuelve tan específico para sus
datos de entrenamiento que pierde total utilidad ante la
realidad de nuevos pacientes.
Al hacer alusión a las muestras de entrenamiento y de
validación, se trata fundamentalmente de aprendizaje
supervisado, puesto que bajo este paradigma es imperativo
testear el sistema con información etiquetada que no se
haya procesado previamente. Esto facilita la inspección de
su rendimiento y la medición objetiva de los márgenes de
error (Inquilla, 2019). Las etapas de construcción y
verificación de una arquitectura fundamentada en el
aprendizaje supervisado se detallan en la Figura 1.
Figura 1. Creación y validación de un modelo basado en
aprendizaje supervisado
Formas de Machine Learning
Aprendizaje supervisado: Bajo este modelo, se le
proporciona al sistema un robusto banco de información
para su instrucción, el cual contiene la totalidad de los
indicadores requeridos para predecir un desenlace
específico. Aprendizaje no supervisado: Esta variante se
orienta al examen de registros que carecen de
categorizaciones o metas predefinidas. Al contar con un
volumen de datos suficiente, esta técnica permite hallar
tendencias, asociaciones y configuraciones latentes.
Aprendizaje por refuerzo: Su finalidad reside en
seleccionar aquellas conductas que optimicen el beneficio
esperado dentro de un contexto particular. Se trata de un
método iterativo y evolutivo, en el cual los estímulos de
éxito o fracaso determinan el progreso del aprendizaje del
algoritmo. Aprendizaje semi-supervisado: Esta técnica ha
probado su eficacia para optimizar problemas que
originalmente se abordaron sin supervisión, mediante la
integración de una proporción reducida de registros ya
clasificados (Vargas, 2022). Las categorías del
procesamiento automático quedan representadas en la
siguiente gráfica 2.
Figura 2. Formas de aprendizaje automático
Recopilación de datos y análisis inicial
La presente investigación contempla una serie de etapas
ejecutadas para la construcción del algoritmo de
aprendizaje automático destinado a la optimización del
flujo asistencial de usuarios en unidades de urgencias.
✓ Recolección de registros históricos sobre el triaje y la
asistencia en emergencias, abarcando indicadores de
latencia en la atención, juicios clínicos y evolución del
paciente.
✓ Limpieza y adecuación de la información para su
procesamiento en el modelo de aprendizaje.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 5 de 15
Journal of Scientific and Technological Research Industrial
✓ Diseño e instrucción de diversos modelos predictivos
empleando la base de datos ya normalizada.
✓ Validación de los sistemas mediante indicadores de
rendimiento para determinar cuál ofrece mayor
efectividad en el entorno asistencial.
✓ Despliegue de la arquitectura elegida en una fase piloto
con el fin de verificar su solvencia en escenarios de
operación real.
✓ Recopilación de observaciones por parte de los
profesionales de salud para el refinamiento del modelo
según los requerimientos detectados.
RESULTADOS
Obtención de los datos
Se recolectó la información relativa a los procesos de
clasificación y cuidado de usuarios en el área de urgencias,
tomando en cuenta factores como la demora previa a la
atención, constantes vitales, nivel de urgencia determinado,
juicio médico inicial y el tránsito del usuario desde su
llegada hasta el alta o ingreso.
Depuración y preparación de los datos
Se llevó a cabo el filtrado y el acondicionamiento de los
registros clínicos para su posterior integración en el
algoritmo. La base de datos abarcó el periodo comprendido
entre enero y junio del año 2023, consolidando un total
aproximado de 76,826 entradas.
Elaboración de los nuevos datos
Se procedió con la fase de procesamiento y estructuración
de la nueva base de información.3.4. Evaluación de
Algoritmos de Machine Learning
Arquitectura de Redes Neuronales
La instrucción del sistema neuronal se llevó a cabo
empleando un banco de datos que integraba variables
críticas como: tipología de la sintomatología, severidad del
cuadro clínico, rango etario, género y cronicidad de los
síntomas. Se estableció como variable de salida o "target"
la clasificación del triaje. En cuanto a la configuración del
modelo, se diseñó una estructura de múltiples capas densas
empleando ReLU como función de activación, mientras
que para la capa final se utilizó una función Softmax,
facilitando así la categorización en tres niveles distintos.
Para la fase de pruebas, la información se segmentó
destinando un 80% a la instrucción del modelo y el 20%
restante para su validación.
a. Fase de preprocesamiento de la información
Se procede con la carga de los registros destinados a la
etapa de instrucción.
Figura 3. Importación de librerías
Figura 4. Se carga los datos para el proceso de
entrenamiento
Figura 5. Separación de las variables de entrada y
etiquetas de salida
Figura 6. Codificación binaria por categorías
Figura 7. Estandarización de las variables de entrada
b. Configuración de la arquitectura de la Red
Neuronal
Figura 8. Construcción del modelo de redes neuronales
c. Fase de instrucción del algoritmo
Figura 9. División de los datos y empleo de Early Stopping
para optimizar el entrenamiento
Para la fase de aprendizaje del sistema, se ha realizado la
siguiente distribución de los registros:
✓ 80% orientado al aprendizaje (Training).
✓ 20% orientado a la verificación (Validation).
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 6 de 15
Journal of Scientific and Technological Research Industrial
d. Entrenamiento del Modelo de Redes Neuronales
Figura 10. Obtención de la métrica de accuracy del modelo
TABLA 1
MÉTRICAS DE RENDIMIENTO DURANTE LAS ETAPAS DE APRENDIZAJE Y VALIDACIÓN SEGÚN LAS
ÉPOCAS DE EJECUCIÓN DEL MODELO NEURONAL.
épocas
loss
val_accuracy
0
0.501772
0.977881
1
0.179540
0.977881
2
0.135322
0.975309
3
0.102558
0.980967
4
0.096347
0.983539
5
0.087234
0.981996
6
0.082196
0.977366
7
0.083779
0.978395
8
0.076058
0.977366
9
0.074932
0.977881
10
0.070974
0.974280
11
0.066923
0.977881
12
0.066155
0.974280
13
0.069658
0.976852
14
0.066626
0.974794
15
0.064701
0.974280
16
0.061340
0.972222
En la Tabla 01 se detallan las 17 iteraciones o épocas
ejecutadas para la instrucción del modelo. Durante el ciclo
inicial, el valor de la función de pérdida (Loss) en el
entrenamiento se sitúa en 0.501772; a medida que se
completan los ciclos, esta cifra se reduce de forma
sostenida hasta establecerse en 0.061340 hacia la época 17,
lo cual demuestra que el margen de error tiende a
minimizarse. Paralelamente, el nivel de exactitud
(Accuracy) comienza en 0.818907 en la primera etapa y
experimenta un ascenso constante conforme se estabiliza el
aprendizaje, alcanzando una cota de 0.980450 al finalizar
el proceso, lo que garantiza una alta fidelidad en las
predicciones del sistema.
Figura 11. Análisis gráfico de la precisión a lo largo de las épocas
En la Figura 11 se observa el comportamiento de la métrica
Accuracy frente a las Epochs. La trayectoria muestra un
fortalecimiento progresivo de la exactitud, partiendo de un
0.825 inicial hasta converger en un 0.98, cifra cercana a la
unidad. Por su parte, la eficacia de validación
(val_accuracy) exhibe un comportamiento de alta
estabilidad, situándose en el umbral de 0.975 durante todo
el experimento.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 7 de 15
Journal of Scientific and Technological Research Industrial
Figura 12. Análisis gráfico de la función pérdida de aprendizaje durante las diferentes épocas de entrenamiento.
En la Figura 12 se ilustra la correspondencia entre Loss y
Epoch, donde se aprecia una caída exponencial del error, el
cual desciende desde un 0.5 aproximado al inicio hasta
valores marginales cercanos a cero al concluir las
iteraciones. En cuanto a la métrica de pérdida en validación
(val_loss), se identifica igualmente una tendencia
decreciente, logrando una reducción que va desde el 0.35
hasta el 0.18 aproximadamente.
TABLA 1I
DESCRIPCIÓN ESTADÍSTICA DE LAS VARIABLES DE INSTRUCCIÓN APLICADAS AL ALGORITMO DE
CLASIFICACIÓN DE TRIAJE.
index
gravedad_síntoma
edad
tiempo_sintomas
triaje
count
9719.0
9719.0
9719.0
9719.0
mean
0.9251980656446136
30.30044243234901
1.1147571986480893
0.45618488055202
77
std
1.006493579898139
20.084316782587653
1.1147271986480893
0.45618488055202
77
min
0.0
1.0
1.0
1.0
25%
0.0
15.0
2.0
0.0
50%
0.0
28.0
2.0
1.0
75%
2.0
42.0
4.0
1.0
max
3.0
98.0
4.0
20.
e. Evaluación del desempeño del sistema neuronal
mediante un Reporte de Clasificación. Se exhibe el desempeño del algoritmo neuronal en la
categorización de los distintos niveles de Triaje (0, 1, 2).
TABLA 1II
MÉTRICAS DE CLASIFICACIÓN OBTENIDAS MEDIANTE LA RED NEURONAL PARA EL PRONÓSTICO DE
PRIORIDADES EN TRIAJE.
Precisión
Recall
f1- score
support
0
0.95
0.98
0.96
579
1
0.99
0.98
0.98
1364
2
0
0.00
0.00
1
precisión
recall
f1-score
support
Accuracy
0.98
1944
Macro avg
0.65
0.65
0.65
1944
Weighted avg
0.98
0.98
0.98
1944
De acuerdo con los datos expuestos en la Tabla 03, el
reporte de clasificación revela un rendimiento excepcional para los niveles 0 y 1. Se observan índices de precisión de
0.95 y 0.99, respectivamente, junto con una sensibilidad
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 8 de 15
Journal of Scientific and Technological Research Industrial
(recall) de 0.98 en ambas categorías. Estos valores
confirman la robusta capacidad del sistema para detectar
acertadamente los registros de dichos grupos. El indicador
F1-score ratifica esta tendencia, logrando un 0.96 para la
clase 0 y un 0.98 para la clase 1.
f. Procesamiento y adecuación inicial de la nueva información
Figura 13. Preparación de nuevos datos para incorporarlos al modelo predictivo
g. Ejecución de inferencias con información inédita
Figura 14. Generación de resultados predictivos por caso utilizando datos preprocesados
h. Implementación del algoritmo de Árbol de Decisión (Decision Tree)
Figura 15. Código para entrenar el modelo Decision Tree
TABLA 1V
MÉTRICAS DERIVADAS DEL REPORTE DE CLASIFICACIÓN PARA EL MODELO DE ÁRBOL DE DECISIÓN.
prioridad
precisión
recall
f1- score
support
0
0.95
0.97
0.96
579
1
0.99
0.98
0.98
1364
2
0.33
1.00
0.50
1
precisión
recall
f1-score
support
accuracy
0.98
1944
macro avg
0.76
0.98
0.82
1944
weighted avg
0.98
0.98
0.98
1944
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 9 de 15
Journal of Scientific and Technological Research Industrial
i. Producción de diagnósticos predictivos con nuevos datos
Figura 16. Código de entrenamiento para el modelo Random Forest
TABLA V
EVALUACIÓN DE LA EFICIENCIA DEL MODELO RANDOM FOREST EN LA SEGMENTACIÓN DE GRADOS
DE URGENCIA EN TRIAJE.
prioridad
precisión
recall
f1- score
support
0
0.95
0.97
0.96
579
1
0.99
0.98
0.98
1364
2
0.00
0.00
0.00
1
accuracy
precisión
recall
f1-score
support
0.97
1944
macro avg
0.64
0.65
0.65
1944
weighted avg
0.97
0.97
0.97
1944
j. Generar predicciones a partir de nuevos datos
Figura 17. Código de entrenamiento para el modelo XgBoost
TABLA VI
EVALUACIÓN DE LA EFICACIA DEL MODELO XGBOOST EN LA CATEGORIZACIÓN DE LOS GRADOS DE
URGENCIA EN TRIAJE.
prioridad
precisión
recall
f1- score
support
0
0.95
0.97
0.96
579
1
0.99
0.98
0.98
1364
2
0.50
1.00
0.67
1
accuracy
precisión
recall
f1-score
support
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 10 de 15
Journal of Scientific and Technological Research Industrial
0.98
1944
macro avg
0.81
0.98
0.87
1944
weighted avg
0.98
0.97
0.98
1944
Indicadores de desempeño.
Con el fin de tasar la solvencia de cada una de las
arquitecturas desarrolladas, se utilizan indicadores
estadísticos tales como exactitud, precisión, sensibilidad
(recall), especificidad y F1-score. Asimismo, se analiza el
volumen de muestras (support) y la evolución de la eficacia
horaria, permitiendo así una validación integral de su
funcionamiento operativo, tal como se detalla en la Tabla
07.
TABLA VII
RECOPILACIÓN COMPARATIVA DE LOS RESULTADOS Y MÉTRICAS DE RENDIMIENTO DE LOS
MODELOS EVALUADOS.
Modelos pre
entrenados
Prioridad
Indicadores de desempeño
Sensibilidad
Precisión
recall
Especificidad
f1 - score
support
accuracy
Decisión Tree
0
0.95
0.97
0.96
579
0.98
1
0.99
0.98
0.98
1364
2
0.33
0.99
0.50
1
Promedio
0.76
0.983
0.813
Redes
Neuronales
0
0.96
0.97
0.97
579
0.98
1
0.99
0.98
0.98
1364
2
0.60
1
1
1
Promedio
0.85
0.983
0.983
Random Forest
0
0.95
0.97
0.96
579
0.97
1
0.99
0.98
0.98
1364
2
0.2
0.3
0.2
1
Promedio
0.713
0.75
0.713
Xgboost
0
0.95
0.97
0.96
579
0.98
1
0.99
0.98
0.98
1364
2
0.50
1
0.67
1
Promedio
0.813
0.983
0.87
Estadísticas Descriptivos
Se llevó a cabo un estudio descriptivo de los indicadores
integrados en la base de datos, la cual está conformada por
un total de 76,826 registros recolectados durante el primer
semestre (enero-junio) del ciclo 2023.
TABLA VIII
RESUMEN COMPARATIVO DE LOS REGISTROS PROCESADOS POR LOS ALGORITMOS EVALUADOS.
Modelos
Media
Desv. Desviación
Desv. Error
Mín.
Máx.
Decisión Tree
41.22
17.9
7.8
28.5
78.35
Redes Neuronales
58.32
10.14
5.4
71.5
86.6
Random Forest
33.21
9.8
3.5
62.5
89.4
Xgboost
57.32
8.8
2.8
50.5
83.5
En la Tabla 08 se observa que la arquitectura de Redes
Neuronales sobresale con un valor promedio de 58.32. En
contraste, el algoritmo de Bosques Aleatorios (Random
Forest) presenta la media más reducida, situándose en
33.21 frente a las otras tres soluciones analizadas.
Aplicar una Metodología para optimizar el aprendizaje
automático y aumentar la satisfacción de los pacientes
Mejora del rendimiento del modelo de aprendizaje
automático
Para la fase de implementación de una metodología
orientada a maximizar el rendimiento computacional y
elevar los niveles de satisfacción del paciente, se
seleccionó el modelo de Redes Neuronales como eje
central.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 11 de 15
Journal of Scientific and Technological Research Industrial
Evaluaciones simuladas del sistema mediante Redes
Neuronales
Obtención de Indicadores de Perfeccionamiento del
Modelo
Con el objetivo de extraer los parámetros requeridos para
el ajuste y mejora del sistema de Machine Learning, se
emplearon herramientas diagnósticas como la matriz de
confusión y la representación gráfica de la relación
Precisión-Recall.
Evaluación de Resultados en la Arquitectura Neuronal
A partir de las métricas obtenidas en la matriz de confusión,
fue posible determinar el índice de exactitud (Accuracy).
Asimismo, mediante la curva de Precisión-Recall se
extrajeron los valores de mAP@0.5 (mean Average
Precision) con el fin de establecer una comparativa entre
los diferentes niveles de prioridad.
TABLA IX
EFICIENCIA POR CATEGORÍA DE PRIORIDAD EN EL MODELO NEURONAL SEGÚN MÉTRICAS DE
EXACTITUD Y MAP@0.5.
Prioridad
Acurracy
mAp@0.5
1
0.8997
0.8874
2
0.9812
0.9714
3
0.9530
0.9540
4
0.8666
0.7642
De acuerdo con los datos de la Tabla 09, se identifica que
la prioridad 2 alcanza el rendimiento más elevado, con un
98.12% de exactitud y un 97.14% en el indicador
mAP@0.5. Por el contrario, los niveles 1 y 4 registraron los
valores más discretos, obteniendo un 89.97% y 86.66% de
Accuracy, respectivamente, junto con niveles de
mAP@0.5 de 88.74% y 76.42%.
TABLA X
ESTUDIO COMPARATIVO DE INDICADORES OPERATIVOS: ESCENARIO CON IMPLEMENTACIÓN VS.
ESCENARIO SIN IMPLEMENTACIÓN DE MACHINE LEARNING.
Modelo sin la implementación de Machine Learning
Modelo con la implementación del Machine Learning
Hay Prioridad
No hay prioridad
Total
N
%
N
%
N
%
Si hay Prioridad
7
35
3
15
14
70
No hay prioridad
3
15
7
35
6
30
Total
10
50
10
50
20
100
Fase de Despliegue y Validación del Prototipo Optimizado
Despliegue de la arquitectura refinada en una fase
experimental para tasar su influencia en la experiencia y
conformidad del usuario.
Validación de la arquitectura de aprendizaje automático
para la optimización en la distribución de categorías de
urgencia
Evaluación del sistema en un escenario operativo real
Durante esta fase, se somete a verificación el algoritmo de
aprendizaje computacional utilizando registros verídicos
procedentes de un centro hospitalario.
El objetivo central es determinar la capacidad de la
herramienta para categorizar con precisión los grados de
urgencia médica al ser integrada en la práctica clínica
diaria.
Para ratificar la solvencia de la solución de inteligencia
artificial en una situación clínica fáctica, se procedió al
examen de diversos indicadores de eficiencia divididos por
escalas de atención: crítico, urgente y no urgente.
Dicho análisis se sustentó en los datos gestionados por el
algoritmo durante su puesta en marcha en un centro de
salud de prueba.
Los coeficientes de exactitud, sensibilidad, especificidad y
tasas predictivas ofrecen un panorama integral sobre la
competencia del sistema en cada estrato de prioridad
asistencial.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 12 de 15
Journal of Scientific and Technological Research Industrial
TABLA XI
ANÁLISIS MULTIVARIABLE: INDICADORES DE EFICIENCIA POR GRADO DE PRIORIDAD EN EL TRIAJE.
Categoría de
Triaje
Precisión
Sensibilidad (Recall)
Especificidad
Valor Predictivo
Positivo (PPV)
Valor Predictivo
Negativo (NPV)
F1-score
Crítico
0.93
0.94
0.98
0.95
0.97
0.94
Urgente
0.88
0.91
0.94
0.89
0.92
0.90
No Urgente
0.87
0.84
0.91
0.86
0.90
0.85
Macro Promedio
0.89
0.90
0.94
0.90
0.93
0.90
Los hallazgos presentados en la Tabla 11 demuestran que
el sistema logró una notable exactitud general, destacando
particularmente en la identificación de cuadros de alta
complejidad (precisión: 0.93, F1-score: 0.94), un factor
decisivo en las áreas de urgencias.
El alto índice de especificidad (0.98) registrado en este
grupo ratifica la eficacia del modelo para reducir las falsas
alarmas.
Respecto a las categorías de menor premura, si bien las
cifras mostraron un leve descenso, los valores permanecen
en rangos aceptables desde una perspectiva médica, lo que
avala la solidez de la propuesta como apoyo tecnológico
para la resolución clínica inmediata.
TABLA XII
MATRIZ DE CONFUSIÓN EXPRESADA EN VALORES NORMALIZADOS
Crítico (R)
Urgente (R)
No Urgente (R)
Crítico (ML)
94.3%
2.9%
1.2%
Urgente (ML)
4.1%
91.4%
4.8%
No Urgente (ML)
1.6%
5.7%
94.0%
La matriz refleja un comportamiento predictivo armónico,
reportando niveles de éxito por encima del 90% en el
espectro total de categorías. Resultan significativos los
estratos "crítico" y "no urgente", los cuales obtuvieron
porcentajes de diagnóstico acertado del 94.3% y 94.0%,
respectivamente.
TABLA XIII
REPRESENTACIÓN DE LA CURVA ROC E INDICADOR AUC PARA CADA NIVEL ASISTENCIAL.
Clase
AUC (Área bajo la curva)
Intervalo de Confianza 95%
Crítico
0.975
[0.965 - 0.985]
Urgente
0.945
[0.931 - 0.959]
No Urgente
0.924
[0.906 - 0.942]
Macro promedio
0.948
—
El sistema exhibió una capacidad de discriminación
excepcional, alcanzando un valor AUC de 0.975 en la
identificación de cuadros de emergencia.
Esto conlleva que la herramienta es capaz de diferenciar
acertadamente a los individuos en estado crítico de aquellos
que no lo están con una probabilidad de éxito del 97.5%.
Evaluación de los resultados del Proceso de Triaje
En esta etapa, se realiza un contraste entre las estimaciones
proyectadas por el algoritmo y los juicios clínicos emitidos
por los especialistas de salud.
A través de la correlación de la base de datos fáctica del
triaje hospitalario con los valores inferidos por el sistema,
se establecen indicadores de calidad como la matriz de
errores, la fidelidad (accuracy), la precisión y el estadístico
F1-Score para cada nivel de urgencia.
Con el objetivo de corroborar la existencia de discrepancias
sustanciales en la exactitud del diagnóstico entre la
propuesta de aprendizaje automático y el método de
clasificación convencional, se ejecutó una prueba de
análisis de varianza (ANOVA) unifactorial.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 13 de 15
Journal of Scientific and Technological Research Industrial
TABLA XIV
PRUEBA ANOVA – COMPARATIVA DE EXACTITUD EN EL TRIAJE POR GRUPOS DE ESTUDIO.
Fuente de variación
Suma de Cuadrados
gl
Media cuadrática
F
Sig. (p)
Entre métodos
1.352
1
1.352
19.87
0.000
Intra métodos
81.240
1198
0.068
Total
82.592
1199
En la Tabla 14 se detallan los hallazgos de la prueba
ANOVA, los cuales revelan una divergencia estadística de
gran relevancia (p < 0.001) al comparar ambos enfoques
evaluativos.
El nivel medio de precisión fue notablemente más alto en
el brazo de Machine Learning, reportando una superioridad
de 5 puntos porcentuales.
Este hallazgo sustenta con solidez la premisa de que la
integración de inteligencia artificial potencia la eficacia del
triaje, reduciendo la incidencia de fallos humanos y
perfeccionando la categorización de usuarios en
condiciones de riesgo vital.
TABLA XV
ANÁLISIS DE REGRESIÓN LOGÍSTICA – FACTORES PREDICTORES DE PRIORIDAD CRÍTICA.
Variable independiente
B
Error estándar
Wald
gl
Sig. (p)
Exp(B)
Edad (>65 años)
0.823
0.131
39.49
1
0.000
2.28
Frecuencia cardiaca (>110)
1.376
0.187
54.22
1
0.000
3.96
Nivel de conciencia alterado
2.042
0.293
48.60
1
0.000
7.71
Saturación O2 (<92%)
1.195
0.156
58.98
1
0.000
3.30
Modelo ML predice “Crítico”
3.120
0.334
87.61
1
0.000
22.65
Constante
-3.781
0.445
72.06
1
0.000
0.023
La estimación derivada del modelo computacional se
posicionó como el determinante con mayor peso para la
categoría "crítico", presentando un odds ratio (OR) de
22.65 y una significancia estadística elevada (p < 0.001).
Dichas cifras sugieren que un usuario catalogado como
crítico por el sistema posee una probabilidad 22 veces
superior de presentar realmente un cuadro de gravedad,
incluso tras ajustar el análisis por factores como el rango
etario, los parámetros fisiológicos y el estado de alerta del
paciente.
Modificaciones basadas en la Retroalimentación:
Posterior al análisis del contraste entre los resultados
algorítmicos y el criterio clínico, se procedieron a realizar
refinamientos específicos en la estructura o en los
parámetros de configuración del sistema, con especial
atención en aquellas situaciones donde se detectaron sesgos
o fallos sistemáticos.
Monitoreo y seguimiento
Capacitación del personal
Orientar a los profesionales del área de urgencias en la
operatividad e interpretación de la herramienta de
inteligencia artificial.
Vigilancia constante
Monitorizar de forma constante el rendimiento del sistema
y aplicar correcciones ante cualquier desviación operativa
o técnica.
Análisis constante del impacto
Analizar con regularidad la influencia del modelo sobre el
flujo asistencial de urgencias y ejecutar optimizaciones de
forma permanente.
Dichas tácticas aseguran el abordaje integral de los
componentes requeridos para el diseño de un sistema de
aprendizaje computacional eficaz, con la facultad de
perfeccionar el cuidado de individuos en contextos críticos
hospitalarios, transitando desde la selección algorítmica
hasta la puesta en marcha y auditoría en escenarios fácticos.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 14 de 15
Journal of Scientific and Technological Research Industrial
TABLA XVI
PERÍODOS DE ATENCIÓN ANTES Y TRAS LA INCORPORACIÓN DEL MODELO
Indicador
Promedio antes (min)
Promedio después
(min)
Reducción (%)
t de Student
p-valor
Tiempo hasta diagnóstico
18.6
10.4
-44.1%
9.75
0.000
Tiempo total de triaje
26.3
15.9
-39.5%
10.18
0.000
Tiempo a intervención crítica
34.8
22.1
-36.5%
7.22
0.000
Los hallazgos de la Tabla 16 revelan una disminución
sustancial y validada estadísticamente en los parámetros
temporales analizados.
DISCUSIÓN
La puesta en marcha del sistema predictivo evidenció que
el empleo de arquitecturas computacionales acelera
notablemente los lapsos de espera durante la clasificación
y fortalece la dinámica asistencial en las salas de
emergencias. El examen de varianza (ANOVA) expuso
discrepancias estadísticas en los intervalos medios de
espera según la urgencia del caso (F = 83,538; p = .000),
remarcando que aquellos individuos con cuadros
complejos experimentaron los tiempos de demora más
altos, con un promedio de 10,03 minutos. En concordancia,
Apaza (2022) sostiene que, al integrar modelos de
aprendizaje automático en flujos de gestión operativa,
incluso en sectores no sanitarios, fue posible acortar los
tiempos de servicio hasta en tres cuartas partes.
Por otro lado, la información recopilada en torno a la
conformidad de los usuarios refleja una mejora sustancial
y de alta relevancia desde la perspectiva estadística tras la
integración de la inteligencia artificial en el circuito de
atención de urgencias.
CONCLUSIONES
La creación y puesta en marcha de un sistema
fundamentado en inteligencia artificial logró perfeccionar
sustancialmente la ruta de atención de usuarios en
urgencias, con especial incidencia en el proceso de triaje.
La adopción de un esquema optimizado de Machine
Learning repercutió favorablemente en la experiencia del
paciente en la unidad de emergencias. El estudio de los
datos arrojó un incremento notable en la valoración de
excelencia del servicio, lo cual ratifica la solvencia del
prototipo presentado.
Finalmente, la integración de un motor de procesamiento
automático en la unidad de urgencias hospitalarias facilita
una categorización exacta y veloz de la urgencia vital,
sobre todo en usuarios con riesgo inminente.
REFERENCIAS BIBLIOGRÁFICAS
Salman, O., Taha, Z., Alsabah, M., Hussein, Y.,
Mohammed, A., & Aal-Nouman, M. (2021). A
review on utilizing machine learning technology in
the fields of electronic emergency triage and patient
priority systems in telemedicine: Coherent
taxonomy, motivations, open research challenges
and recommendations for intelligent future work.
Computer Methods and Programs in Biomedicine,
209. https://doi.org/10.1016/j.cmpb.2021.106357
Morley, C., Unwin, M., Peterson, G. M., Stankovich, J., &
Kinsman, L. (2018). Emergency department
crowding: A systematic review of causes,
consequences and solutions. PLOS ONE, 13(8).
https://journals.plos.org/plosone/article/file?id=10.1
371/journal.pone.0203316&type=printable
Zachariasse, J. M., van der Hagen, V., Seiger, N.,
Mackway-Jones, K., van Veen, M., & Moll, H. A.
(2019). Performance of triage systems in emergency
care: A systematic review and meta-analysis. BMJ
Open, 9(5), 1–9. https://doi.org/10.1136/bmjopen-
2018-026471
Pedrero, V., Reynaldos-Grandón, K., Ureta-Achurra, J., &
Cortez-Pinto, E. (2021). Overview of machine
learning and its application in the management of
emergency services. Revista Médica de Chile,
149(2), 248–254. http://dx.doi.org/10.4067/s0034-
98872021000200248
Soto, A. (2019). Barreras para una atención efectiva en los
hospitales de referencia del Ministerio de Salud del
Perú: atendiendo a los pacientes del siglo XXI con
recursos del siglo XX. Revista Peruana de Medicina
Experimental y Salud Pública, 36(2), 304–311.
http://dx.doi.org/10.17843/rpmesp.2019.362.4425
Blanco, J. (2021). Técnicas de machine learning aplicadas
al diagnóstico y tratamiento oncológico de precisión
mediante el análisis de datos ómicos [Tesis doctoral
publicada, Universidad de A Coruña].
https://dialnet.unirioja.es/servlet/tesis?codigo=3031
09
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 15 de 15
Journal of Scientific and Technological Research Industrial
González Buitrago, A. S. (2021). Desarrollo de un
algoritmo mediante técnicas de machine learning de
procesamiento del lenguaje natural que permita la
generación de textos resumen del estado de los
pacientes de la IPS Neumomed S.A.S., con base en
indicaciones médicas obtenidas de la base de datos
de pacientes, para su futura implementación como
un servicio de la historia clínica [Tesis de maestría,
Universidad de Antioquia].
https://bibliotecadigital.udea.edu.co/server/api/core/
bitstreams/a7886088-ae3c-4b25-a7ba-
3fbd4b553a55/content
Picone, I., Latessa, I., Fiorillo, A., Scala, A., Triunfo, T. A.,
& Triassi, M. (2021). Predicting length of stay using
regression and machine learning models in Intensive
Care Unit: A pilot study. International Conference
on Biomedical Engineering and Technology, 11, 52–
58. https://doi.org/10.1145/3460238.3460247
Choudhury, A., & Ureña, E. (2020). Forecasting hourly
emergency department arrival using time series
analysis. British Journal of Healthcare Management,
26(1), 1–10.
https://doi.org/10.12968/bjhc.2019.0067
Anyaypoma-Ocón, W., Ñuflo, S., Bustamante-Chávez, H.,
Sedano-De la Cruz, E., Zavaleta-Gavidia, V., &
Angulo-Bazán, Y. (2021). Factores asociados a
letalidad por COVID-19 en un hospital de la región
de Cajamarca en Perú. Revista Peruana de Medicina
Experimental y Salud Pública, 38(4), 501–511.
https://doi.org/10.17843/rpmesp.2021.384.8890
Loyola Torres, L. A., & Chamorro Farfán, R. M. (2021).
Implementación de un sistema de diagnóstico clínico
aplicando un modelo predictivo de machine learning
para la detección de neumonía en el hospital Villa
Rebagliati de EsSalud, 2021 [Tesis de grado,
Universidad Tecnológica del Perú].
https://hdl.handle.net/20.500.12867/5423
Martín-Conde, M. T., Del Cacho-Del Cacho, E., Calvo-
Cidoncha, E., Roura-Turet, J., Pérez-Baldoyra, M.
T., & Soy-Muner, D. (2021). Mejora de calidad del
área de pacientes externos mediante participación
del paciente y metodología Lean. Farmacia
Hospitalaria, 45(6), 317–322.
https://scielo.isciii.es/scielo.php?script=sci_arttext
&pid=S1130-63432021000600004
Apaza Flores, D. D. E. (2022). Implementación de lectura
de documentos digitales con machine learning en la
empresa Cli Gestiones Aduaneras S.A. [Tesis de
grado publicada, Universidad Nacional de
Moquegua].
https://alicia.concytec.gob.pe/vufind/index.php/Rec
ord/UNAM_4f076bfbae6d50e903f5231cc89f409a
Vega García, J. F. (2019). Modelo de pronóstico de
rendimiento académico de alumnos en los cursos del
programa de estudios básicos de la Universidad
Ricardo Palma usando algoritmos de machine
learning [Tesis de maestría, Universidad Ricardo
Palma]. https://hdl.handle.net/20.500.14138/2914
Inquilla, R. (2019). Metodología de inteligencia de
negocios en el proceso de toma de decisiones del
rendimiento académico de la Universidad Nacional
de Cañete [Tesis de maestría publicada, Universidad
Nacional Federico Villarreal].
https://repositorio.unfv.edu.pe/bitstream/handle/20.
500.13084/3528/UNFV_INQUILLA_QUISPE_RI
CARDO_CARLOS_MAESTRIA_2019v2.pdf
Vargas Quispe, A. A. (2022). Predicción del rendimiento
académico empleando algoritmos de aprendizaje
supervisado en estudiantes del primer semestre de la
carrera profesional de Ingeniería de Sistemas e
Informática de la UNAMAD, 2020 [Tesis de
pregrado, Universidad Nacional Amazónica de
Madre de Dios].
https://repositorio.unamad.edu.pe/handle/20.500.14
070/929
CORRESPONDENCIA:
Violeta Morán Huamani
2021008019@unfv.edu.pe