Palabras clave
Triaje hospitalario
Atención de emergencias
Cómo citar
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.
Referencias
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=10.1371/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=303109
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/Record/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_RICARDO_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/20.500.14070/929
CORRESPONDENCIA:
Violeta Morán Huamani
2021008019@unfv.edu.pe
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2026 Violeta Morán Huamani