| Tesis Doctorales de la Universidad de Alcalá |
| MODELING PATIENT FLOW IN THE EMERGENCY DEPARTMENT USING MACHINE LEARNING | | Autor/a | Álvarez Chaves, Hugo | | Departamento | Automática | | Director/a | Rodríguez Moreno, María Dolores | | Codirector/a | Muñoz Martínez, Pablo | | Fecha de depósito | 02-02-2026 | | Periodo de exposición pública | 2 a 16 de febrero de 2026 | | Fecha de defensa | Sin especificar | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | Los Servicios de Urgencias Hospitalarios (SUHs) son un componente esencial de los sistemas sanitarios, al proporcionar atención inmediata a pacientes con patologías graves. El crecimiento y envejecimiento de la población, especialmente en áreas urbanas, ha incrementado la presión asistencial, generando problemas de saturación, mayores tiempos de espera, aumento de costes y una posible disminución de la calidad de la atención. Tradicionalmente, la gestión de estos servicios se ha basado en la experiencia del personal sanitario. Sin embargo, la digitalización de los sistemas de información, junto con la disponibilidad de grandes volúmenes de datos y el desarrollo de técnicas de modelado estadístico e Inteligencia Artificial (IA), ha abierto la puerta a una gestión basada en la evidencia. Estas herramientas permiten anticipar la demanda y optimizar la planificación y asignación de recursos en los SUHs.
Esta disertación plantea la hipótesis de que las técnicas de Machine Learning (ML) y Deep Learning (DL) pueden apoyar la gestión hospitalaria mediante la predicción de la afluencia de pacientes y la modelización de las dinámicas internas del SUH. El objetivo no es solo prever la demanda, sino también comprender el comportamiento de los flujos internos para facilitar decisiones más proactivas. Para ello, la investigación adopta una doble perspectiva: la predicción de la demanda externa mediante el modelado de las admisiones y la simulación las transiciones de los pacientes dentro del servicio. Este enfoque integra anticipación y análisis de procesos dentro de un marco basado en datos.
La tesis se articula en cuatro líneas de trabajo, todas ellas desarrolladas con datos reales de hospitales españoles.
La primera se centra en la predicción de admisiones, comparando modelos estadísticos clásicos con algoritmos de ML. Los resultados muestran que los enfoques basados en datos permiten anticipar la demanda con alta precisión en distintos horizontes temporales, apoyando tanto la planificación operativa a corto plazo como la toma de decisiones estratégicas a largo plazo.
La segunda línea analiza la incorporación de información exógena y contextual, como variables meteorológicas, calidad del aire, efectos de calendario y tendencias de búsqueda en la web. Los resultados indican que los factores estacionales y ambientales mejoran de forma significativa la precisión de las predicciones, mientras que otras variables aportan beneficios limitados o introducen ruido, destacando la importancia de una adecuada selección de variables en sistemas de soporte a la decisión.
La tercera línea aborda las limitaciones de acceso a datos hospitalarios mediante el uso de IA Generativa (GenAI) como estrategia de aumento de datos. A través de una red generativa adversaria para series temporales, se demuestra que los datos sintéticos pueden complementar los datos reales manteniendo sus propiedades estadísticas. El entrenamiento conjunto con datos reales y sintéticos mejora de forma consistente el rendimiento predictivo, evidenciando el potencial de la GenAI para mitigar la escasez de datos en entornos sanitarios.
La cuarta línea presenta un marco de simulación estadística interpretable para modelar el flujo de pacientes en los SUHs a partir de los tiempos de paso por las distintas etapas del servicio. Mediante métodos paramétricos y no paramétricos se reconstruyen trayectorias de pacientes con alta fidelidad, permitiendo evaluar escenarios operativos alternativos y apoyar la toma de decisiones.
En conjunto, la disertación integra ML, DL y GenAI en un marco coherente de predicción y simulación que contribuye a una planificación sanitaria basada en la evidencia y sienta las bases para su aplicación en otros contextos del sistema sanitario. |
|
