Una nueva forma de detectar problemas omitidos cuando los pacientes vuelven a urgencias

Por qué es tan difícil distinguir las visitas de retorno

Los pacientes que abandonan el servicio de urgencias suelen regresar poco después. Los hospitales vigilan con atención estas visitas de retorno, ya que un regreso rápido puede indicar un problema pasado por alto o, simplemente, una nueva molestia. Distinguir las señales útiles del ruido rutinario resulta difícil.

La mayoría de los hospitales se centra en los retornos dentro de las 48 a 72 horas. Ese plazo es común porque resulta fácil de definir y parece probable que permita detectar fallos graves. Sin embargo, los problemas reales no siempre aparecen dentro de ese breve intervalo: un paciente puede volver el quinto o décimo día con una complicación que comenzó antes. Si la revisión se detiene al tercer día, esos casos pueden escaparse.

La carga de trabajo empeora el problema. Incluso en un servicio de urgencias de alto volumen, una regla muy restrictiva seguía generando muchos registros por revisar. La norma solo contemplaba los retornos dentro de las 48 horas que terminaban con ingreso hospitalario. Eso debería sonar selectivo, pero no fue suficiente. Los revisores aún se enfrentaron a una gran pila de historias clínicas, muchas de las cuales no contenían un problema de calidad accionable.

Por eso el conteo simple falla. Una regla de cribado debe ser precisa: en términos simples, necesita marcar pocos casos inofensivos. Si demasiadas marcas son falsas alarmas, los revisores pierden tiempo y confianza. El objetivo no es capturar cada visita de retorno, sino encontrar el pequeño grupo donde una mirada más cercana puede importar.

Qué observan los clínicos al limitarse a las etiquetas diagnósticas

Lo que perciben los clínicos cuando solo se ven etiquetas de diagnóstico

Cuando los clínicos solo tenían acceso al diagnóstico principal de dos visitas a urgencias, sus juicios divergieron rápidamente. Un médico marcó 21 de las 99 parejas como dignas de un examen más detallado. Otro eligió 11. Un tercer clínico de atención urgente seleccionó apenas 7. Las mismas etiquetas condujeron a conclusiones muy distintas.

La pista más importante era lo grave que parecía el diagnóstico de la visita de retorno. Los revisores puntuaron cada etiqueta en una escala de leve a severa, usando un caso típico como punto medio. Cuando esa puntuación de gravedad aumentaba, los clínicos tenían más probabilidades de indicar que la pareja requería seguimiento. En un análisis, cada pequeño paso hacia arriba en la gravedad elevó las probabilidades de marcar el caso en aproximadamente 7 por ciento. El número era una razón de probabilidad. Cada aumento de un punto multiplicaba las probabilidades de una marca por aproximadamente 1,07. No se trata de una posibilidad del 7 por ciento. Es un pequeño multiplicador que se acumula. En un rango amplio, se convierte en una señal fuerte.

Los clínicos también observaban si el segundo diagnóstico podía haber sido una explicación alternativa para la primera visita. Si un retorno por dolor torácico parecía indicar que podría haberse tratado de enfermedad cardíaca desde el principio, eso generaba preocupación. Igualmente preguntaban si la etiqueta posterior era una complicación de la anterior. Una fiebre después de un procedimiento o un coágulo tras una lesión en la pierna encajan con ese patrón. Estos vínculos importaban, pero la señal más clara era la gravedad médica. Lo malo que parecía el problema de la visita de retorno por sí solo impulsó las decisiones de manera más consistente.

Cómo se diseñó el filtro de IA después de que las respuestas del chatbot resultaran excesivamente amplias

Cuando se pidió a un chatbot que evaluara las visitas de retorno al servicio de urgencias, concluyó que casi todos los casos requerían seguimiento. Clasificó como preocupantes el 94 % de las parejas. Los revisores humanos fueron mucho más selectivos: uno marcó aproximadamente una de cada cinco, otro alrededor de una de cada nueve y el tercero solo cerca de una de cada catorce. Esta brecha demostró que un chatbot generalista no podía tomarse la responsabilidad de decidir por sí solo.

El diseño pasó entonces de solicitar opiniones a construir un filtro. Los juicios clínicos señalaron dos señales útiles. La primera era la gravedad intrínseca del diagnóstico del retorno. La segunda, si este encajaba como una explicación alternativa posible o como complicación del diagnóstico de la primera visita. Estas ideas se convirtieron en un mapa legible por máquina: un grafo de conocimiento que vincula diagnósticos que pueden indicar plausiblemente un problema omitido, un diagnóstico tardío o un empeoramiento del estado. Un modelo de IA ayudó a completar esos enlaces mediante consultas repetidas sobre los diagnósticos y sus relaciones.

Para cada pareja, el filtro comprueba si ambos diagnósticos aparecen como una conexión potencialmente preocupante en ese grafo. También evalúa la gravedad del diagnóstico del retorno usando una puntuación integrada en el mapa. Solo las parejas que superan ambas pruebas se envían a revisión humana. Los umbrales se fijaron para obtener una lista pequeña y útil, no exhaustiva. En la práctica, el filtro no hace una sola pregunta abierta sobre la pareja, sino preguntas más específicas: ¿existe una relación de riesgo conocida? ¿Es lo suficientemente grave el diagnóstico del retorno? Si la respuesta es afirmativa a ambas, marca el caso para un examen más detallado.

Cómo de eficaz resultó el nuevo filtro para detectar las visitas de retorno preocupantes

El filtro final se diseñó con un alcance deliberadamente estrecho. No pretendía capturar todos los problemas posibles, sino solo señalar las parejas de visitas que más probabilidades tuvieran de requerir la atención de un clínico. Esa elección queda patente en sus resultados: de 99 pares de reingresos, los clínicos consideraron que 28 merecían una revisión adicional por su gravedad. El filtro marcó muchos menos casos. En una configuración, emitió seis alertas. Cinco correspondían a problemas reales y una no. Con un umbral más estricto, generó cuatro alertas, todas ellas válidas. Dicho de forma sencilla, cuando el sistema señalaba que algo parecía incorrecto, casi siempre acertaba. Esa es la clave de su utilidad para los revisores con carga de trabajo alta: cada alerta tiene peso.

El contrapeso es que muchas parejas preocupantes pasaron desapercibidas. En la configuración más laxa, detectó aproximadamente uno de cada seis problemas identificados por los clínicos. En la estricta, menos de uno de cada cinco. Se le escapó la mayoría. Sin embargo, la comparación importa: la revisión tradicional suele limitarse a las visitas que ocurren dentro de dos o tres días, mientras que las alertas del filtro incluían regresos posteriores. En el modo laxo, cuatro de las cinco alertas verdaderas correspondían a reingresos al sexto o séptimo día. En el estricto, las cuatro cayeron en ese intervalo tardío. Son precisamente los casos que una revisión con ventana corta nunca vería.

Así pues, el filtro no sustituyó el juicio humano, sino que actuó como un mecanismo de filtrado de alta confianza. Permitió añadir un número reducido de historias clínicas a la revisión manteniendo la mayoría de las alertas significativas. Su debilidad fue la cobertura: solo veía una fracción de los problemas posibles. Su fortaleza, en cambio, fue la fiabilidad: cuando el sistema hablaba, los clínicos tenían razones para escucharlo.

Un filtro selectivo con potencial para detectar más casos

La lección principal es que, a la hora de revisar la calidad asistencial, la precisión pesa más que el volumen. Los servicios de urgencias ya reciben demasiadas visitas de retorno para poder examinarlas todas con detalle. La mayoría son inofensivas, pero algunas esconden un diagnóstico no detectado o una complicación. El hábito antiguo de revisar solo los dos primeros días deja invisibles los problemas posteriores. Un sistema de cribado construido únicamente a partir de etiquetas diagnósticas identificó un pequeño conjunto de pares que resultaban verdaderamente preocupantes. No intentaba señalarlo todo. Esa contención es su fortaleza.

Cuando el sistema señalaba un par, casi siempre acertaba. En una configuración, cinco de las seis alertas coincidieron con la preocupación de los clínicos. En otra, las cuatro lo hicieron. Varios de esos casos habrían caído fuera de la ventana habitual de 48 a 72 horas. Esto sugiere una oportunidad real: revisar más visitas de retorno sin ahogar a los revisores en falsas alarmas. El método también utiliza información que ya está presente en las historias clínicas rutinarias. Puede explicarse en términos que los clínicos entienden, como la gravedad de un diagnóstico y si una condición sigue plausiblemente a otra.

Los obstáculos son igualmente importantes. El conjunto de pruebas fue pequeño, extraído de un solo sistema sanitario. Los clínicos no siempre coincidían sobre qué merecía seguimiento. El sistema pasó por alto muchos pares preocupantes porque era deliberadamente conservador. Además, solo veía diagnósticos primarios, no la historia completa en una ficha clínica. Las respuestas directas del chatbot eran demasiado amplias y necesitaban ser reemplazadas por un enfoque más estructurado. Antes de que esto pueda convertirse en atención rutinaria, se necesitan pruebas a mayor escala en diferentes hospitales, especialidades y grupos de pacientes.

La promesa no es que las máquinas reemplacen el juicio clínico. La promesa es que pueden dirigir la mirada humana hacia los pocos casos con mayor probabilidad de necesitarlo. Si la revisión de calidad puede ampliar su ventana sin aumentar su carga, ¿qué más podría encontrarse en las visitas que ahora quedan sin examinar?