Simulación de un flujo de trabajo asistido por Inteligencia Artificial en el Triaje de un servicio de Urgencias: Estudio comparativo de eficiencia.
Resumen
Importancia:
La saturación de los servicios de urgencias hospitalarios (SUH) se asocia con un aumento de la morbilidad y la mortalidad. Entre los factores modificables, los retrasos en el diagnóstico desempeñan un papel crucial. En este contexto, los modelos de lenguaje de gran escala (MLGE), como ChatGPT, representan una herramienta prometedora para optimizar la toma de decisiones clínicas en las fases iniciales del triaje.
Objetivo:
Evaluar la capacidad de ChatGPT para proponer pruebas diagnósticas adecuadas basándose en la información clínica inicial que el paciente comunica al personal de enfermería durante el triaje, y analizar su impacto en la solicitud temprana de pruebas (antes de la valoración médica) sobre los tiempos de atención en urgencias, teniendo en cuenta distintos escenarios hospitalarios.
Diseño:
Estudio observacional retrospectivo que simula dos flujos de trabajo diagnósticos: Circuitoo tradicional: Triaje-Médico-Prueba [Circuitoo 1] vs. Triaje-Prueba-Médico [Circuitoo 2]).
Contexto:
Hospitalteterciario privado universitario de atención terciaria en España.
Participantes:
Muestra consecutiva de 100 pacientes adultos (>18 años) que acudieron al servicio de urgencias entre enero y marzo de 2024. De estos, se incluyeron 84 pacientes con narrativas de triaje completas y registros de pruebas diagnósticas. Exclusiones: 4 registros incompletos, 7 casos pediátricos, 5 altas voluntarias.
Resultados Principales y Medidas:
Resultado primario: concordancia entre las pruebas diagnósticas sugeridas por la inteligencia artificial (IA) y las solicitadas por el médico del SUH. Resultado secundario: diferencia simulada en el tiempo total de atención en urgencias entre los Circuitoos 1 y 2 bajo distintas condiciones hospitalarias (hospital público vs. privado) y de saturación (saturación alta, media y baja)..
Resultados:
La concordancia de la IA con las decisiones médicas fue del 69,05 % utilizando solo las notas de triaje, aumentando al 79,76 % al incorporar la anamnesis médica completa. Las simulaciones mostraron que el Circuitoo 2 redujo sistemáticamente el tiempo total de atención en urgencias en comparación con el Circuitoo 1 en todos los escenarios. El tiempo promedio ahorrado por paciente fue de 14,4 minutos (desviación estándar: 8,1 minutos). El análisis de regresión multivariante mostró que los hospitales públicos lograron un ahorro adicional de 9,77 minutos (IC 95 %, 6,99–12,56; p < 0,001), y que cada incremento en el nivel de saturación del servicio de urgencias se asoció con 4,04 minutos adicionales de ahorro (IC 95 %, 2,33–5,75; p < 0,001).
Conclusiones y Relevancia:
El uso de inteligencia artificial para apoyar el diagnóstico durante el triaje, combinado con flujos de trabajo que prioricen la solicitud temprana de pruebas antes de la evaluación médica, puede mejorar de forma significativa la eficiencia operativa en los servicios de urgencias, especialmente en hospitales públicos y en contextos de alta saturación. No obstante, se requieren estudios prospectivos que validen estos hallazgos en entornos clínicos reales.
La saturación de los servicios de urgencias hospitalarios (SUH) se asocia con un aumento de la morbilidad y la mortalidad. Entre los factores modificables, los retrasos en el diagnóstico desempeñan un papel crucial. En este contexto, los modelos de lenguaje de gran escala (MLGE), como ChatGPT, representan una herramienta prometedora para optimizar la toma de decisiones clínicas en las fases iniciales del triaje.
Objetivo:
Evaluar la capacidad de ChatGPT para proponer pruebas diagnósticas adecuadas basándose en la información clínica inicial que el paciente comunica al personal de enfermería durante el triaje, y analizar su impacto en la solicitud temprana de pruebas (antes de la valoración médica) sobre los tiempos de atención en urgencias, teniendo en cuenta distintos escenarios hospitalarios.
Diseño:
Estudio observacional retrospectivo que simula dos flujos de trabajo diagnósticos: Circuitoo tradicional: Triaje-Médico-Prueba [Circuitoo 1] vs. Triaje-Prueba-Médico [Circuitoo 2]).
Contexto:
Hospitalteterciario privado universitario de atención terciaria en España.
Participantes:
Muestra consecutiva de 100 pacientes adultos (>18 años) que acudieron al servicio de urgencias entre enero y marzo de 2024. De estos, se incluyeron 84 pacientes con narrativas de triaje completas y registros de pruebas diagnósticas. Exclusiones: 4 registros incompletos, 7 casos pediátricos, 5 altas voluntarias.
Resultados Principales y Medidas:
Resultado primario: concordancia entre las pruebas diagnósticas sugeridas por la inteligencia artificial (IA) y las solicitadas por el médico del SUH. Resultado secundario: diferencia simulada en el tiempo total de atención en urgencias entre los Circuitoos 1 y 2 bajo distintas condiciones hospitalarias (hospital público vs. privado) y de saturación (saturación alta, media y baja)..
Resultados:
La concordancia de la IA con las decisiones médicas fue del 69,05 % utilizando solo las notas de triaje, aumentando al 79,76 % al incorporar la anamnesis médica completa. Las simulaciones mostraron que el Circuitoo 2 redujo sistemáticamente el tiempo total de atención en urgencias en comparación con el Circuitoo 1 en todos los escenarios. El tiempo promedio ahorrado por paciente fue de 14,4 minutos (desviación estándar: 8,1 minutos). El análisis de regresión multivariante mostró que los hospitales públicos lograron un ahorro adicional de 9,77 minutos (IC 95 %, 6,99–12,56; p < 0,001), y que cada incremento en el nivel de saturación del servicio de urgencias se asoció con 4,04 minutos adicionales de ahorro (IC 95 %, 2,33–5,75; p < 0,001).
Conclusiones y Relevancia:
El uso de inteligencia artificial para apoyar el diagnóstico durante el triaje, combinado con flujos de trabajo que prioricen la solicitud temprana de pruebas antes de la evaluación médica, puede mejorar de forma significativa la eficiencia operativa en los servicios de urgencias, especialmente en hospitales públicos y en contextos de alta saturación. No obstante, se requieren estudios prospectivos que validen estos hallazgos en entornos clínicos reales.
Palabras Clave
Inteligencia artificial, ChatGPT, Triaje, apoyo a la decisión clínica, medicina de urgencias.