Un marco conformal jerárquico para la predicción de la duración de la estancia con conciencia de incertidumbre en entornos multi-hospitalarios

Por qué importan las predicciones de estancia hospitalaria

Cuando alguien ingresa en el hospital, una de las primeras preguntas que hacen las familias y el personal es: “¿Cuánto tiempo estará aquí?” La respuesta influye en mucho más que la curiosidad: determina la disponibilidad de camas, los turnos del personal, la planificación de quirófanos e incluso si un paciente puede volver a casa de forma segura o necesita apoyo adicional. Este artículo describe una nueva forma de predecir la duración de la estancia que no ofrece solo un número, sino también un intervalo realista que refleja cuánta incertidumbre tiene la predicción —crucial para una atención segura y eficiente.

El reto de predecir el tiempo en el hospital

Predecir la duración de la estancia es más difícil de lo que parece. Los hospitales atienden una mezcla amplia de pacientes, desde casos rutinarios hasta emergencias complejas, y sus prácticas varían según tamaño, propiedad, condición de centro docente y región. Esto significa que los pacientes están “agrupados” dentro de hospitales y regiones, por lo que sus resultados no son independientes. Muchos modelos actuales de aprendizaje automático ofrecen una mejor estimación pero aportan poca información fiable sobre cuánto pueden equivocarse. Para los responsables hospitalarios que deben evitar salas abarrotadas o camas vacías, esa incertidumbre inexistente puede provocar altas inseguras, cancelaciones innecesarias o reservas preventivas y costosas “por si acaso”.

Combinando dos corrientes sobre la incertidumbre

Los autores estudiaron dos enfoques populares para capturar la incertidumbre y hallaron que cada uno tiene desventajas importantes por sí solo. Los métodos bayesianos modelan la incertidumbre de forma directa y pueden reflejar estructuras complejas, como hospitales anidados en regiones, pero en la práctica sus intervalos pueden ser demasiado confiados cuando las suposiciones del modelo fallan aun levemente. Por el contrario, los métodos de predicción conformal hacen casi ninguna suposición sobre los datos y pueden garantizar que sus intervalos contengan el resultado verdadero un porcentaje elegido de las veces, pero por lo general asignan intervalos de igual amplitud a todos los pacientes, sin tener en cuenta lo difícil o fácil que es predecir un caso concreto. La idea clave de este trabajo es crear un híbrido que use cada enfoque para lo que mejor hace: modelado bayesiano para valorar qué pacientes son más o menos inciertos, y predicción conformal para mantener la fiabilidad global de los intervalos bajo control.

Cómo funciona el sistema híbrido en la práctica

El sistema comienza con un “bosque aleatorio jerárquico”, un modelo de aprendizaje basado en árboles que aprende patrones en tres niveles: pacientes individuales, sus hospitales y las regiones más amplias a las que pertenecen esos hospitales. A partir de esta base, una capa bayesiana analiza los errores residuales y estima cuánta incertidumbre tiene cada nueva predicción, teniendo en cuenta particularidades hospitalarias y regionales. Por separado, un paso de calibración conformal examina errores de predicción pasados en miles de pacientes y determina cuán anchos deben ser los intervalos para alcanzar un nivel de fiabilidad deseado —aproximadamente el 95 por ciento en este estudio. El híbrido entonces escala esos ajustes conformes al alza para los casos que la capa bayesiana juzga riesgosos y a la baja para los que considera sencillos, creando intervalos específicos por paciente que son a la vez cautelosos y eficientemente dimensionados.

Qué dicen los datos sobre el rendimiento

Los autores probaron su marco en más de 61.000 estancias hospitalarias de casi 3.800 hospitales estadounidenses en una base de datos nacional de pacientes hospitalizados. La predicción conformal pura alcanzó el objetivo del 95 por ciento casi exactamente, pero utilizó esencialmente el mismo intervalo amplio para todo el mundo. Un complemento puramente bayesiano produjo intervalos muy estrechos pero solo capturó la duración real de la estancia en torno al 14 por ciento de las veces —demasiado bajo para un uso seguro. El enfoque híbrido se acercó al objetivo, cubriendo alrededor del 94,3 por ciento de los casos, mientras que redujo modestamente el intervalo medio y, más importante, redistribuyó la amplitud: intervalos aproximadamente un 21 por ciento más estrechos para los pacientes menos inciertos y alrededor de un 6 por ciento más anchos para los más inciertos. Estos intervalos adaptativos se mantuvieron estables en distintos tipos de hospitales e incluso cuando el modelo se probó en instituciones completamente nuevas.

Qué significa esto para pacientes y hospitales

Para los no especialistas, la principal conclusión es que este método convierte predicciones de caja negra en herramientas con márgenes de error comprensibles y fiables. En lugar de un número frágil, los hospitales obtienen intervalos respaldados estadísticamente que se ajustan a la dificultad del caso: más estrechos para pacientes rutinarios, más amplios para aquellos que pueden sorprender a los clínicos. Esto facilita planificar camas y personal de forma realista y al mismo tiempo señalar qué pacientes merecen atención extra y planificación de contingencias. Aunque los intervalos actuales siguen siendo bastante amplios en días calendario, el marco muestra cómo la estadística cuidadosa puede mover a los hospitales del azar hacia decisiones más fiables y conscientes de la incertidumbre que apoyan tanto la seguridad como la eficiencia.

Cita: Shahbazi, M.A., Baheri, A. & Azadeh-Fard, N. A hierarchical conformal framework for uncertainty-aware length of stay prediction in multi-hospital settings. Sci Rep 16, 6564 (2026). https://doi.org/10.1038/s41598-026-37450-w

Palabras clave: duración de la estancia hospitalaria, cuantificación de la incertidumbre, predicción conformal, modelado bayesiano, analítica sanitaria