La iniciativa liderada por el académico del Doctorado en Inteligencia Artificial e Ingeniería UdeC, Ricardo Flores, combina inteligencia artificial, datos sanitarios y variables ambientales para proyectar la demanda de urgencias y camas críticas con hasta dos semanas de anticipación.
Anticiparse a los períodos de mayor presión asistencial es uno de los principales desafíos que enfrentan los hospitales durante la temporada de enfermedades respiratorias. Con ese objetivo, el académico e investigador de la Facultad de Ingeniería de la Universidad de Concepción y del Doctorado en Inteligencia Artificial, Ricardo Flores Huenchullanca, lidera el proyecto RespiraPlanAI que utiliza inteligencia artificial para predecir la demanda hospitalaria y contribuir a una mejor gestión de los recursos sanitarios.
La herramienta, desarrollada a través del Proyecto FIC “Capital Humano Avanzado en Inteligencia Artificial para el Biobío” y financiado por el Gobierno Regional del Biobío, está diseñada para estimar cuántas personas acudirán a los servicios de urgencias y cuántas camas básicas y complejas UTI y UCI, tanto pediátricas como de adultos, serán necesarias en dos semanas.
Según explicó la coordinadora ejecutiva de RespiraPlanAI, Daniela Constanzo, el proyecto surge como respuesta a las dificultades que enfrentan los establecimientos de salud durante los meses de invierno. «El aumento repentino de enfermedades respiratorias genera una fuerte presión sobre las urgencias y las camas críticas. Tradicionalmente, la gestión de esta capacidad se realiza de manera reactiva, día a día. Nuestro objetivo es avanzar hacia una planificación anticipada que permita prevenir situaciones de colapso y optimizar el uso de los recursos disponibles», señaló.
Para generar estas proyecciones, RespiraPlanAI integra datos históricos de atenciones hospitalarias de los últimos tres a cinco años con variables externas que influyen en la circulación de enfermedades respiratorias, entre ellas la temperatura, los calendarios escolares y los procesos de vacunación. A ello se suma un sistema de vigilancia avanzada que incorpora información genómica para detectar la aparición de nuevas variantes virales y evaluar su posible impacto en la demanda asistencial.
Este enfoque se consolidó gracias a un trabajo sistemático que incorporó los conocimientos de los especialistas clínicos.
«Fueron tres los factores claves: organizar los datos para entender el problema; reuniones con médicos y especialistas para explicarnos el problema y los datos; y la variedad de modelos de machine learning Así que esos fueron los tres factores eh claves, organizar los datos, incorporar conocimiento de especialista y la variedad de modelos de machine learning que probamos hasta llegar al que nos dio el mejor resultado», dijo Ricardo Flores.
Uno de los componentes centrales de la iniciativa es la creación de una plataforma de visualización que reúne toda la información en un tablero web interactivo. Desde este espacio, los equipos directivos de salud pueden monitorear indicadores clave, recibir alertas tempranas de sobreocupación y adoptar medidas preventivas basadas en evidencia.
Sobre esto, la Epidemióloga del Hospital Regional Guillermo Grant Benavente y colaboradora del proyecto, Marta Werner, destacó la ayuda que genera esta iniciativa para el personal del Hospital. “En la práctica, significa poder programar refuerzos de personal con antelación, planificar reconversiones de camas antes de la saturación, asegurar la disponibilidad oportuna de insumos, es decir, organizar una respuesta sanitaria de forma más ordenada y eficiente”.
Asimismo, añadió que “uno de los principales problemas que debemos enfrentar cada invierno es la incertidumbre. Con esta herramienta, basada en diversas y multiples fuentes de datos reales, el problema debería reducirse. Ya que, de esta forma, podremos tomar decisiones antes que los servicios se saturen y brindaremos de forma oportuna y eficaz la atención que el paciente requiera”, indicó.
Detrás de estas proyecciones se encuentra un conjunto de modelos matemáticos y algoritmos de aprendizaje automático que procesan grandes volúmenes de datos para identificar patrones y proyectar escenarios futuros.
Los resultados obtenidos hasta ahora muestran avances significativos, entre ellos, se destaca la alta precisión alcanzada por los modelos predictivos, con márgenes de error cercanos al 7% en las pruebas de entrenamiento. Asimismo, la investigación confirmó una fuerte relación entre las bajas temperaturas y el aumento de consultas respiratorias, consolidando al factor climático como una variable clave dentro de las proyecciones.
Otro de los hitos del proyecto es la automatización de la descarga y procesamiento de datos públicos, lo que permite reducir los tiempos de actualización de información desde varias horas a solo segundos.
La iniciativa también se destaca por su potencial de escalamiento, ya que gracias a una arquitectura modular y al uso de fuentes de información de cobertura nacional provenientes de plataformas abiertas del Estado, el sistema podría adaptarse a distintos hospitales y regiones del país, incorporando las particularidades de cada territorio.
La coordinadora ejecutiva del proyecto explicó que «el mismo motor predictivo puede utilizarse en otros centros asistenciales, aprovechando la información local disponible y manteniendo la capacidad de generar pronósticos ajustados a cada realidad».
Al respecto, Ricardo Flores enfatizó en la necesidad de contar con información organizada y accesible en los recintos de salud, además de velar por la integración técnica, para que el sistema pueda replicarse.
«Cada hospital debería tener su información bien organizada en algún dataset para que uno pueda llegar y obtener esa información histórica y actualizada. Además, los sistemas informáticos deben ser sean capaces de incorporar estos nuevos modelos. Es decir, tiene que haber compatibilidad con las herramientas que ellos tienen», manifestó.
Otra de las innovaciones que incorpora RespiraPlanAI es el uso de la información de los Centros de Salud Familiar (CESFAM) como indicadores tempranos de presión asistencial. Mediante técnicas matemáticas y modelos predictivos, el equipo busca anticipar cuándo un aumento de consultas en atención primaria podría traducirse semanas después en una mayor demanda hospitalaria.