En el marco del track de ateneos sobre Indicadores e Implementación de Tableros de Gestión Hospitalaria, analizamos cómo la analítica predictiva y los tableros en tiempo real pueden contribuir a optimizar la asignación del recurso hospitalario y anticipar patrones de demanda asistencial.

La ciencia de datos ofrece hoy herramientas cada vez más sofisticadas, desde el aprendizaje automático supervisado y no supervisado hasta los modelos predictivos de series temporales, que permiten avanzar de la analítica descriptiva y diagnóstica hacia la analítica predictiva y prescriptiva. 

Sin embargo, su implementación efectiva en el ámbito clínico y operativo continúa enfrentando desafíos de interoperabilidad, calidad del dato y adopción por parte de los equipos asistenciales: se estima que la mitad de los tableros no incorpora al usuario final en su codiseño, y que con frecuencia se implementan sin una validación previa con los usuarios finales. 

A partir del análisis de dos experiencias internacionales se expondrá cómo dos organizaciones aplicaron inteligencia artificial integrada a tableros en tiempo real para optimizar la gestión de los recursos hospitalarios. Al mismo tiempo, poder extraer aprendizajes sólidos que puedan ser de utilidad a nuestra realidad local.

Se analizan dos artículos:

AlSerkal YM, Ibrahim NM, Alsereidi AS, Ibrahim M, Kurakula S, Naqvi SA, Khan Y, Oottumadathil NP. Real-Time Analytics and AI for Managing No-Show Appointments in Primary Health Care in the United Arab Emirates: Before-and-After Study. JMIR Form Res. 2025 Jan 6;9:e64936. doi:10.2196/64936.

Branda F, Andretta V, Mustaf Ahmed M, Rizzelli A, Cerrone V, Boccia G, Ceccarelli G, Scarpa F, Ciccozzi M. EmergInsight: a real-time dashboard for optimizing emergency care through data visualization and analytics. JAMIA Open. 2026 Jan 20;9(1):ooag008. doi:10.1093/jamiaopen/ooag008.

Artículo 1
El estudio de AlSerkal et al. evalúa el impacto de una solución de inteligencia artificial integrada a un tablero en tiempo real, implementada en Emirates Health Services (EHS), la red pública de atención primaria de los Emiratos Árabes Unidos, con presencia en 6 emiratos y más de 140.000 visitas mensuales.

Propuesta

• Analítica de tiempo de espera: identificar incrementos para reubicar staff o redirigir pacientes a otro centro de la red.
• Analítica de recursos: detectar agotamiento de recursos humanos y equipamiento, con reubicación interna o externa.
• Predicción de ausentismo: identificar pacientes con riesgo elevado de inasistencia para intervenir mediante contacto telefónico proactivo y así reprogramar el turno o liberar el espacio a tiempo para ser reasignado a demanda espontánea.

Factores predictores de inasistencia

• Especialidad: nutrición y pediatría, con mayor riesgo que endocrinología y clínica médica.
• Modalidad presencial, con una tasa de inasistencia hasta 4 veces mayor que la teleconsulta.
• Historial de inasistencias previas del paciente.
• Aspectos demográficos: menores de 14 años y pacientes extranjeros.
• Detalles de la reserva: mayor cantidad de días entre la reserva y el turno, y turnos en la franja de la mañana.

Los autores concluyen que hubo un impacto positivo en la eficiencia operativa, reflejado en los indicadores de tiempo, aunque no se evidenció un impacto directo sobre la experiencia del paciente más allá de esta mejora indirecta. Como limitación reconocen que esa gestión de mitigación ocurre fuera del registro electrónico, por lo que no pudieron cuantificar con precisión el esfuerzo humano invertido, y que el análisis del impacto financiero de reducir el ausentismo quedó fuera del alcance del estudio.

Artículo 2
En el segundo artículo, Branda et al. (2026) presentan EmergInsight, una prueba de concepto de un  tablero en tiempo real para optimizar la atención en un servicio de urgencias, desarrollada con datos del Hospital Universitario “San Giovanni di Dio e Ruggi d’Aragona”, en Salerno, Italia, entre 2022 y 2023 (114.050 consultas de emergencia en total: 54.224 en 2022 y 59.826 en 2023).

Contexto y desafíos
El problema abordado es el congestionamiento de los servicios de emergencia, de causa multicausal: el uso no siempre adecuado de estos servicios y las dificultades de coordinación asistencial. A esto se suma una fuerte fragmentación de los datos clínicos y administrativos característica del sistema sanitario italiano, altamente regionalizado, con 20 sistemas autonómicos y coexistencia de múltiples registros clínicos.

Diseño del prototipo
El desarrollo siguió un proceso de co-diseño iterativo concretado por un grupo de trabajo integrado por médicos de emergencias, enfermería, gestores operativos, científicos de datos e ingenieros de software. como parte del proceso se señalan los principales hitos:

• Extracción de datos: consultas SQL semanales más rutinas automáticas de actualización diaria; deduplicación mediante identificadores de paciente (hash ID, fecha de nacimiento, timestamp de ingreso) dentro de una ventana de 24 horas; imputación de datos perdidos (moda para variables categóricas, mediana estratificada por edad y triage para variables continuas) y exclusión de variables con más del 10% de datos faltantes.
• Capa analítica: cálculo de KPI (indicadores clave de rendimiento), modelos pronósticos y distribución espacial
• Capa visual: dashboard interactivo estructurado en 4 módulos: métricas operativas y tendencias regionales; severidad y patrones temporales de acceso; resultados de pacientes y utilización de recursos; y pronóstico/analítica predictiva.

Entre las variables consideradas se incluyeron la distribución temporal de visitas, la severidad de triage, el movimiento dentro del centro de salud (ingreso y estancia en la unidad de observación de urgencias), la distribución entre días de semana y fin de semana, el rango etario, el género y el lugar de procedencia. Como métricas clave se definieron la tasa de abandono (pacientes que se retiran sin ser atendidos) y el tiempo hasta la primera evaluación médica.

En la discusión, los autores comparan EmergInsight con otras experiencias de tableros de emergencias publicadas  y señalan que su aporte diferencial pasa por integrar en una misma plataforma monitoreo en tiempo real, analítica predictiva y visualización geoespacial, diseñada específicamente para funcionar en ecosistemas de datos fragmentados como el italiano, con un doble propósito operativo (decisiones diarias) y estratégico (planificación regional). Como líneas futuras, plantean incorporar modelos más avanzados de series temporales (LSTM, GRU) y de ensamble (XGBoost, LightGBM), datos en tiempo real de dispositivos wearables), además de IA generativa para explotar el texto libre de las evoluciones clínicas del triage.


Conclusiones
En el Hospital Italiano, el Departamento de Informática en Salud cuenta con un área de Inteligencia de Negocios que ya viene transitando este camino. Dos experiencias propias lo ilustran: por un lado, el perfilamiento de pacientes del Servicio de Medicina Familiar y Comunitaria realizado junto al equipo de Experiencia del Cliente sobre la plataforma Looker (Soli, De Masi et al., 2026); por otro, la implementación de un tablero en tiempo real para el Departamento de Emergencias que, si bien todavía no incorpora un módulo de pronóstico, permitió delinear nuevas estrategias asistenciales por ejemplo, a partir de detectar una incidencia elevada de subtriage en pacientes que terminaban derivados a la unidad coronaria, se definió la creación de una unidad de dolor torácico y se comenzó a medir el tiempo entre el ingreso del paciente y la realización del electrocardiograma (Frutos et al., 2025).

Las herramientas de analítica avanzada llegaron para quedarse, y con el crecimiento de las nuevas tecnologías es esperable verlas cada vez más integradas, muchas veces como soluciones enlatadas o enlazadas a plataformas externas. Conocer estas experiencias también deja una plusvalía metodológica: la necesidad de sostener un criterio riguroso a la hora de gestionar el ciclo del datos dentro de nuestros sistemas, ya que un set de datos que no cumple los criterios necesarios llevará inevitablemente a un modelado erróneo, impreciso y sesgado, sin importar cuán sofisticada sea la técnica empleada.