Optimización del triaje en Urgencias mediante IA multimodal y Estrategia de Gestión del Cambio en el Grupo Hospitalario CEMP.
Rol: Junior Data Analyst & Healthcare AI Project Manager
Dataset / Datos: MIMIC-IV (MIT), eICU Collaborative Research Database
Tecnologías: Python, Random Forest, ClinicalBERT, XGBoost, SHAP, Scikit-Learn
Enfoque: Apoyo a la Decisión Clínica (CDSS) & Transformación Digital
La sobrecarga en los servicios de urgencias genera tiempos de espera prolongados y riesgo de errores de clasificación (sub-triaje o sobre-triaje). Las escalas tradicionales (ESI, MTS) sufren de variabilidad interobservador y no integran texto no estructurado ni variables complejas en tiempo real.
Procesamiento Multimodal:
Datos Estructurados: Normalización (Z-score) de constantes vitales (HR, SpO2, BP) y analíticas.
Datos No Estructurados: Extracción de características clínicas de notas de enfermería usando embeddings de ClinicalBERT y manejo de negaciones.
Modelo Predictivo: Clasificador Random Forest entrenado con datos balanceados vía SMOTE para priorizar la sensibilidad (Recall $\ge 0.90$) en casos urgentes.
Explicabilidad (XAI): Explicación de predicciones mediante valores SHAP para eliminar la opacidad ("caja negra") y garantizar la confianza del profesional.
Fases del Despliegue:
Planificación & Gobierno: Creación del Comité Multidisciplinar de IA y cumplimiento del RGPD.
Prueba Piloto: Validación controlada en una unidad de urgencias.
Despliegue & Integración: Conexión con los sistemas de información hospitalaria (HIS/LIS/RIS).
Evaluación Continua: Auditorías de sesgo algorítmico y monitoreo de indicadores de desempeño.
Gestión del Cambio: Formación práctica para el personal sanitario, posicionando a la IA como una segunda opinión objetiva que reduce la carga cognitiva, conservando siempre la responsabilidad clínica final en el profesional médico.