Automatización de flujos de trabajo en urgencias: guía técnica

No se trata de un objetivo teórico ni de una promesa de proveedor: es una métrica operativa medida y publicada. La cifra marca la diferencia entre una gestión reactiva y una gestión automatizada de los flujos, y condiciona el diseño de cualquier despliegue técnico en un servicio de urgencias.

La automatización de flujos de trabajo en servicios de urgencias no consiste en instalar un único software y esperar que el sistema haga el resto. Exige conectar tres capas distintas: una capa de interoperabilidad que una los sistemas de información existentes, una capa de inteligencia artificial capaz de clasificar y priorizar y una capa de gestión de recursos que opere sobre camas, pruebas y personal. Cada una introduce sus propias métricas de rendimiento. Y cada métrica debe verificarse con datos operativos, no con el discurso comercial del proveedor.

El problema operativo: latencia administrativa y coste de espera

Los servicios de urgencias trabajan bajo una restricción que ningún sistema puede eliminar: el reloj sigue corriendo mientras la información pasa de una pantalla a otra. La admisión, la clasificación de riesgo, la solicitud de pruebas y la asignación de cama forman una cadena en la que cada paso depende del anterior. Cuando una tarea se ejecuta de forma manual o se apoya en sistemas que no comparten información, la demora se acumula.

El problema no está únicamente en el tiempo que tarda un profesional en completar un formulario. También aparece cuando una prueba ya realizada no está disponible en el sistema adecuado, cuando la previsión de alta no llega a admisión o cuando el personal tiene que consultar varias aplicaciones para reconstruir el estado de un episodio. La consecuencia es una cola invisible entre procesos que, sumada a lo largo del turno, termina afectando a la capacidad del servicio.

El coste operativo de esa latencia incluye las horas adicionales de personal, la repetición de pruebas por pérdida de información y el bloqueo de camas por altas no coordinadas. También afecta a la capacidad de anticipación: si el equipo de admisión desconoce qué pacientes pueden abandonar la planta y en qué momento, no puede preparar los siguientes ingresos con suficiente margen.

Cuando estas fricciones se acumulan, la dirección médica deja de hablar solo de eficiencia y empieza a hablar de saturación. La automatización entra en escena precisamente ahí: no para sustituir al personal, sino para reducir las esperas entre una decisión clínica y la acción administrativa que debe ejecutarla.

El punto de partida de cualquier proyecto serio es identificar dónde se produce la espera y qué sistema tiene capacidad real para resolverla. No es lo mismo automatizar la extracción de datos de un episodio que automatizar una decisión de alta. Tampoco es equivalente generar una alerta en un panel y lanzar un evento que actualice el flujo de admisión. La diferencia está en si el sistema informa o si permite actuar.

Interoperabilidad como base: el papel de HL7 FHIR en la integración hospitalaria

Ninguna capa de inteligencia artificial funciona de forma fiable si no puede leer los datos clínicos que necesita y devolver sus resultados al flujo asistencial. En un hospital, esos datos suelen estar repartidos entre el sistema de información hospitalario, el sistema de información radiológica, el archivo de imágenes, la aplicación de urgencias, los dispositivos de monitorización y las herramientas de admisión.

El estándar Health Level Seven, conocido como HL7, creado en 1989, sigue siendo una referencia para el intercambio de información clínica. En muchos entornos hospitalarios se utiliza HL7 v2 para transmitir mensajes relacionados con admisiones, altas, traslados y otros eventos asistenciales. Un mensaje ADT^A01, por ejemplo, comunica la admisión de un paciente. El problema no suele estar en la existencia del mensaje, sino en que cada instalación puede haberlo adaptado de una manera distinta.

Sobre esa base se ha desarrollado HL7 FHIR, siglas de Fast Healthcare Interoperability Resources. FHIR organiza la información clínica en recursos reutilizables y facilita su exposición mediante servicios web con arquitectura REST y formatos como JSON o XML. En lugar de depender únicamente de mensajes segmentados y de un proceso de interpretación específico para cada implementación, los sistemas pueden trabajar con recursos como Patient, Encounter, Observation, DiagnosticReport o Procedure.

FHIR no reemplaza el sistema de información hospitalario: añade una capa de interoperabilidad modular que conecta el núcleo del sistema con herramientas externas, dispositivos y algoritmos sin exigir una migración completa.

La diferencia operativa respecto a HL7 v2 es importante. Un sistema basado en mensajes puede seguir siendo imprescindible para determinados flujos, pero FHIR ofrece una forma más flexible de consultar y compartir recursos clínicos. Un módulo de triaje, un motor de visión artificial o un sistema predictivo de camas pueden consumir datos estructurados a través de interfaces comunes, siempre que el hospital haya definido correctamente el significado de cada campo.

El despliegue suele apoyarse en tres pasos:

1. Mapear los recursos clínicos existentes en el HIS al esquema FHIR. El trabajo no consiste en traducir nombres de campos, sino en determinar qué representa cada dato, qué unidad utiliza, cuándo se actualiza y qué sistema es responsable de él.

2. Desplegar un servidor FHIR que indexe la información del HIS mediante mensajes HL7 v2, conectores específicos o un adaptador ETL. Esta capa debe mantener la relación entre el recurso expuesto y el registro de origen.

3. Exponer API REST hacia los módulos de inteligencia artificial, con autenticación, control de permisos y registro de auditoría. OAuth 2.0 y el perfil SMART on FHIR pueden formar parte de esta arquitectura cuando el entorno lo permite.

La fase que más se subestima es el mapeo clínico. Si una constante llega con una unidad incorrecta, si un diagnóstico provisional se interpreta como diagnóstico confirmado o si un evento de alta no se distingue de un traslado interno, el algoritmo recibirá datos formalmente válidos pero clínicamente ambiguos. La interoperabilidad no se resuelve porque dos sistemas puedan intercambiar mensajes; se resuelve cuando ambos interpretan esos mensajes de la misma manera.

Por eso, la validación de cada recurso FHIR contra los datos reales del HIS debe incluir muestreo manual y revisión por perfiles clínicos. Las pruebas automáticas pueden confirmar que el formato es correcto, pero no siempre detectan que el contenido está mal etiquetado o que llega demasiado tarde para ser útil. En urgencias, la calidad del dato tiene dos dimensiones: exactitud y oportunidad.

También conviene definir desde el principio qué ocurre cuando la conexión falla. Una integración robusta necesita colas de mensajes, reintentos, control de duplicados y un mecanismo para identificar qué eventos no han llegado a destino. Si el sistema de triaje procesa información incompleta sin advertirlo, la automatización puede generar una falsa sensación de seguridad.

IA aplicada al triaje: del procesamiento de lenguaje natural a la clasificación de riesgo

El triaje hospitalario es un proceso de clasificación bajo restricción temporal. El profesional debe convertir síntomas, antecedentes, constantes y motivo de consulta en una prioridad asistencial que puede modificarse a medida que aparecen nuevos datos. La inteligencia artificial puede ayudar a estructurar esa información, pero no elimina la necesidad de valoración clínica.

El proyecto Triaje Smart Decision, desarrollado por el Instituto Tecnológico de Castilla y León desde 2021, implementó algoritmos de procesamiento de lenguaje natural y aprendizaje profundo para automatizar el cribado inicial y la asignación de nivel de riesgo en urgencias hospitalarias. Su interés técnico está en trabajar con información que no siempre llega en un formato limpio: texto libre, expresiones clínicas abreviadas y descripciones introducidas durante la primera valoración.

El modelo opera en dos fases. Primero, el procesamiento de lenguaje natural extrae entidades clínicas del texto introducido durante el triaje: síntomas declarados, antecedentes, constantes registradas y otros elementos relevantes. Después, un clasificador entrenado sobre historiales etiquetados asigna un nivel de prioridad siguiendo la escala validada por el servicio.

Este planteamiento no convierte el triaje en un proceso automático de principio a fin. Aporta una segunda lectura estructurada y puede reducir la variabilidad entre turnos, centros y perfiles de experiencia. La decisión final debe mantenerse dentro del circuito clínico, con la posibilidad de corregir la recomendación y dejar constancia de la razón de esa modificación.

Una línea de trabajo paralela es la del proyecto trIAje, impulsado por el Centro de Emergencias Sanitarias 061 de Andalucía. Su objetivo es aplicar aprendizaje automático y procesamiento de lenguaje natural al triaje telefónico de emergencias, un contexto en el que la información inicial es más limitada y la conversación puede contener señales clínicas dispersas. En este caso, la velocidad de respuesta resulta especialmente relevante, pero no puede analizarse separada del riesgo de no detectar un patrón crítico.

La métrica decisiva no es la precisión global del modelo. Una cifra agregada puede ocultar un comportamiento deficiente precisamente en los casos que más importan. En triaje hay que observar el rendimiento por nivel de prioridad y por tipo de presentación clínica. Un modelo que acierta en los casos de baja complejidad, pero falla en patrones de soporte vital avanzado, ictus o síndrome coronario, no es adecuado para producción aunque su promedio estadístico sea alto.

Para el integrador, los parámetros auditables de un despliegue de triaje algorítmico incluyen:

• La latencia de inferencia por consulta, diferenciando el tiempo de procesamiento del tiempo que tarda el resultado en aparecer dentro del flujo asistencial.
• La tasa de falsos negativos en los niveles de prioridad alta, revisada por subgrupos clínicos y no solo como promedio general.
• La trazabilidad de cada predicción, con la versión del modelo, la fecha de inferencia, las variables utilizadas y la recomendación generada.
• La posibilidad de que el profesional acepte, modifique o rechace la clasificación, dejando registrada la intervención.
• Un mecanismo de retroalimentación clínica para revisar errores, detectar deriva de datos y preparar nuevos ciclos de entrenamiento supervisado.

La interfaz también forma parte de la seguridad. Una recomendación que aparece en una aplicación distinta de la que utiliza enfermería durante el triaje puede llegar tarde o quedar fuera del proceso. La IA debe integrarse en el punto en el que se toma la decisión, no en un cuadro de mando que obligue a consultar otra pantalla.

Optimización diagnóstica: reducción de tiempos en traumatología mediante visión artificial

La lectura y priorización de pruebas radiológicas en urgencias de traumatología es otro punto susceptible de automatización. El volumen de imágenes, la variación de la carga asistencial y la necesidad de identificar rápidamente determinados hallazgos pueden generar una cola entre la adquisición de la prueba y su revisión por el especialista.

El caso del hospital CHU de Rennes, con el despliegue del software de Incepto, aporta una cifra concreta: la aplicación de algoritmos de inteligencia artificial a la lectura y clasificación automática de pruebas radiológicas redujo los tiempos de espera entre un 30 % y un 40 %. La métrica documentada se refiere a la espera dentro del circuito diagnóstico, no a una reducción general del tiempo de elaboración del informe radiológico.

El mecanismo técnico es relativamente directo. El modelo de visión artificial analiza las imágenes, identifica estudios con sospecha de fractura u otros hallazgos relevantes y los prioriza en la cola del radiólogo. El especialista puede revisar antes los casos que requieren una valoración más urgente, confirmar la sospecha o descartarla y emitir el informe correspondiente.

El flujo de trabajo no cambia en su responsabilidad clínica. El algoritmo puede ordenar, señalar y priorizar, pero el radiólogo sigue siendo responsable de la interpretación y del informe final. La ganancia potencial está en reducir el tiempo que transcurre hasta que el estudio llega a la revisión adecuada, no en convertir la clasificación automática en un diagnóstico autónomo.

La reducción del 30-40 % no es extrapolable a cualquier hospital sin contexto. Depende del volumen de pruebas, del tipo de patología atendida, de la organización de la cola y del grado de integración con el sistema de información radiológica y el PACS. También depende de que la alerta llegue al profesional que realmente puede modificar la prioridad del estudio.

Medir solo el rendimiento del modelo sería insuficiente. El hospital debe comparar el tiempo desde la adquisición hasta la revisión, el tiempo desde la revisión hasta la comunicación del hallazgo y el comportamiento del sistema en periodos de alta demanda. Si la herramienta clasifica correctamente, pero sus resultados llegan tarde o no modifican la cola de trabajo, la mejora clínica será limitada.

La validación debe incluir además los casos en los que el algoritmo no está seguro. Forzar una clasificación en todas las imágenes puede ser menos seguro que enviar algunos estudios a revisión convencional. Un sistema útil necesita expresar su incertidumbre y permitir que el servicio defina qué ocurre con los resultados ambiguos.

Gestión predictiva de camas y alta hospitalaria: eficiencia operativa en tiempo real

Una cama bloqueada puede convertirse en un ingreso que no llega a producirse o en un paciente que permanece en urgencias más tiempo del necesario. Los sistemas predictivos de alta intentan anticipar cuándo estará disponible una cama a partir de los datos del episodio en curso, la evolución de las constantes, los resultados pendientes y los criterios de alta definidos por el servicio clínico.

El modelo calcula una ventana probable de alta y la comunica al servicio de admisión o a la unidad responsable de la gestión de camas. Cuando esa predicción se cruza con la planificación de ingresos y con la disponibilidad de camas en planta, el hospital puede preparar antes la limpieza, la documentación, el transporte y la asignación del siguiente paciente.

En ciertos centros hospitalarios españoles, este tipo de sistema ha permitido reducir el tiempo medio de desocupación de una cama de urgencias de seis horas a noventa minutos. La cifra solo tiene sentido si se entiende qué se está midiendo: el tiempo que transcurre desde que la cama queda disponible clínicamente hasta que vuelve a estar preparada para otro uso. No equivale a una reducción automática de la estancia total ni demuestra por sí sola que todos los retrasos del circuito hayan desaparecido.

Un sistema predictivo de camas sin integración con admisión es, operativamente, un cuadro de mando sin actuadores: informa, pero no mueve pacientes.

El despliegue requiere combinar datos clínicos y administrativos sin confundir sus funciones. El modelo puede utilizar información del episodio, pero los criterios que determinan el alta deben seguir bajo responsabilidad del equipo clínico. La predicción sirve para coordinar recursos; no debe convertirse en una presión automática para adelantar una decisión asistencial.

Una secuencia habitual de implantación incluye:

• Extraer datos de episodios cerrados para construir el conjunto de entrenamiento y comprobar qué variables están disponibles de forma consistente.
• Definir las variables de admisión, estancia, comorbilidad, pruebas pendientes y criterios de alta con participación de los servicios implicados.
• Validar el modelo de forma retrospectiva, prestando atención a su calibración y a la desviación entre la ventana prevista y la disponibilidad real de la cama.
• Integrar el resultado con el HIS mediante eventos FHIR relacionados con Encounter y Location, o con los mecanismos de interoperabilidad que utilice el hospital.
• Poner el sistema en producción con supervisión clínica y operativa, revisando los casos en los que la previsión se desvía de la evolución real.

El error más frecuente en esta capa es desacoplar el modelo del proceso de admisión. Cuando el sistema envía una estimación por correo electrónico o la muestra únicamente en un panel web, la información puede no llegar a la persona que debe ejecutar el siguiente paso. La cama seguirá bloqueada hasta que alguien revise el aviso, confirme la disponibilidad y actualice manualmente el estado.

La integración no significa que cada predicción deba desencadenar una acción automática. Significa que el resultado debe incorporarse al flujo adecuado, con permisos, confirmaciones y registro de lo ocurrido. En un entorno sanitario, la automatización responsable no elimina los puntos de control; elimina las esperas que no aportan valor.

También hay que vigilar la deriva del modelo. Los patrones de ingresos, la disponibilidad de personal, los circuitos de alta y la presión asistencial pueden cambiar. Un modelo que funciona con los datos históricos del centro puede perder capacidad predictiva si cambian las reglas de admisión o la organización de una planta. La eficiencia operativa en tiempo real exige revisar el comportamiento del sistema en tiempo real, no dar por terminada la validación el día de la puesta en producción.

Límites de la automatización: el criterio clínico frente a la asistencia algorítmica

Toda capa de automatización tiene un límite definido por el coste del error. En triaje, un falso negativo puede retrasar la atención de un paciente de alto riesgo. En radiología, una clasificación incorrecta puede hacer que un estudio urgente quede fuera de la prioridad adecuada. En gestión de camas, una previsión demasiado optimista puede generar una cadena de asignaciones que el hospital no puede cumplir.

Por esa razón, la inteligencia artificial en urgencias no sustituye el criterio del personal médico ni de enfermería. Puede ordenar información, localizar patrones y anticipar necesidades, pero debe permanecer dentro de un circuito en el que las personas puedan revisar, corregir y justificar las decisiones relevantes.

Antes de dar por válido un despliegue en producción, la evaluación técnica y clínica debería cubrir al menos estos puntos:

• Trazabilidad completa de cada decisión algorítmica, con registro de las variables de entrada, la versión del modelo, la fecha de inferencia y el resultado mostrado al profesional.
• Validación clínica periódica, no solo técnica. Un modelo puede mantener una precisión estadística aceptable y perder utilidad clínica porque han cambiado los pacientes, los protocolos o la disponibilidad de recursos.
• Control del rendimiento por subgrupos y niveles de riesgo, para evitar que un promedio general oculte fallos concentrados en los casos más sensibles.
• Plan de contingencia ante una caída del sistema, con retorno al flujo manual sin pérdida de pacientes, resultados o posiciones en la cola.
• Gestión de permisos y auditoría, de manera que cada usuario pueda consultar o modificar únicamente la información que necesita para su función.
• Revisión de las alertas para evitar la fatiga del profesional. Una herramienta que genera demasiadas notificaciones irrelevantes puede terminar provocando que se ignoren también las importantes.
• Procedimientos claros para corregir datos erróneos y retirar una predicción que se haya generado a partir de información incompleta o desactualizada.

La automatización también debe medirse por su efecto sobre el trabajo real. Si un módulo reduce una tarea en una aplicación, pero obliga a duplicar la información en otra, la carga no ha desaparecido: solo se ha desplazado. Del mismo modo, un sistema que mejora una métrica local puede empeorar el flujo global si prioriza las pruebas sin coordinarse con la capacidad de lectura, o si anticipa altas que no pueden ejecutarse por falta de transporte o de camas disponibles.

La automatización de flujos de trabajo en servicios de urgencias es, en último término, una operación de ingeniería sobre datos clínicos, procesos y responsabilidades. Su éxito se mide en variables observables: tiempo de espera, latencia de inferencia, tasa de error, disponibilidad de la información y tiempo de desocupación de camas. Ninguna de esas métricas puede interpretarse aislada del circuito en el que se produce.

Las promesas sobre sistemas inteligentes o revolucionarios no entran en ese cálculo. Lo que entra es lo que se puede registrar, contrastar y corregir. La tecnología aporta valor cuando reduce una espera concreta sin ocultar el riesgo que introduce. Y el criterio clínico sigue siendo el mecanismo que decide hasta dónde puede llegar la automatización.