Evaluación comparativa de modelos de series temporales para pronosticar muertes de pacientes hospitalizados y altas contra el consejo médico

Por qué importan las cifras hospitalarias

Cuando ingresamos en un hospital, confiamos en que médicos y enfermeras harán todo lo posible para mantenernos a salvo. Dos señales de alarma de que algo puede estar fallando son cuántos pacientes mueren en el hospital y cuántos se van en contra del consejo médico, abandonando el centro a pesar de que los médicos les recomiendan permanecer. Poder prever estas cifras con algunos meses de antelación puede ayudar a los hospitales a detectar problemas temprano, preparar suficiente personal y camas, y mejorar la atención antes de que los problemas se agraven.

Dos hospitales, dos señales de alerta

Este estudio se centró en dos grandes hospitales de referencia en distintas regiones de China. Para cada hospital, los investigadores registraron dos resultados clave cada mes desde 2018 hasta 2024: muertes de pacientes hospitalizados (pacientes que fallecieron durante la estancia) y altas contra el consejo médico (pacientes que optaron por irse antes a pesar de las advertencias médicas). Estas medidas se usan ampliamente como indicadores de la calidad de la atención y la tensión del sistema. El equipo evitó deliberadamente una limpieza o ajuste intensivo de los datos para que los pronósticos reflejaran la información desordenada y del mundo real que realmente ven los directores hospitalarios.

Poniendo a prueba las herramientas de predicción

Los autores compararon seis enfoques de pronóstico diferentes que se discuten con frecuencia en estadística e inteligencia artificial. Algunos, como ARIMA y el Modelo Gris, son herramientas estadísticas tradicionales. Otros, como NNETAR y LSTM, usan redes neuronales que intentan aprender patrones a partir de datos pasados. Prophet modela tendencias y oscilaciones estacionales, como ciclos anuales regulares. El recién llegado, Chronos, es un gran modelo preentrenado que ya ha aprendido de enormes colecciones de series temporales y puede aplicarse a nuevos problemas con poco ajuste. Los seis métodos se entrenaron con datos de 2018 a 2023 y luego se les pidió predecir lo que realmente ocurrió en 2024, juzgando la precisión por la desviación de los pronósticos respecto a los números mensuales reales.

Qué funcionó mejor, y cuándo

En ambos hospitales, Chronos ofreció los pronósticos más fiables para las muertes de pacientes hospitalizados. Sus errores fueron menores que los de los otros enfoques, y las pruebas estadísticas confirmaron que estas mejoras eran poco probables que se debieran al azar, especialmente al compararlas con un modelo de aprendizaje profundo popular llamado LSTM. Para las altas contra el consejo médico, la situación fue más matizada. En el hospital donde estas altas eran frecuentes y bastante estables a lo largo del tiempo, Chronos volvió a rendir mejor. Pero en el hospital donde dichas altas eran menos comunes y variaban de forma impredecible mes a mes, una red neuronal más simple, NNETAR, produjo predicciones más precisas que los modelos más complejos.

Por qué la complejidad no siempre es la mejor

Una lección llamativa del estudio es que añadir complejidad no garantiza mejores pronósticos. El modelo LSTM, potente en teoría pero con muchas partes ajustables, tuvo dificultades con los conjuntos de datos relativamente pequeños disponibles aquí y a menudo sobreajustó, capturando ruido en lugar de patrones reales. Chronos, por el contrario, se benefició de la amplia experiencia ganada durante el preentrenamiento en otras series temporales, lo que le permitió mantenerse robusto incluso cuando cada hospital aportó solo unos pocos años de datos. Al mismo tiempo, el éxito de NNETAR en los datos de altas más ruidosos muestra que, en algunos contextos, modelos más ligeros que hacen menos supuestos pueden manejar mejor señales inestables y de bajo volumen.

Qué significa esto para pacientes y hospitales

Para quienes no son especialistas, la conclusión es sencilla: herramientas de pronóstico más inteligentes pueden ayudar a los hospitales a prever problemas. Al elegir modelos que se adapten a la forma de sus datos —sistemas preentrenados como Chronos para indicadores estables, y redes más simples como NNETAR cuando los números son pequeños y erráticos—, los responsables hospitalarios pueden obtener alertas más tempranas sobre aumentos en las muertes o cambios súbitos en las altas contra el consejo médico. Estos pronósticos no son bolas de cristal, sobre todo cuando se trata de cifras pequeñas y volátiles, pero son paneles informativos valiosos. Usados con criterio, pueden motivar revisiones más cuidadosas de las prácticas de atención, una gestión más ágil del personal y las camas, y respuestas más rápidas a problemas emergentes, apoyando finalmente una atención más segura y confiable para los pacientes.

Cita: Pang, C., Jiayong, D., Jiang, D. et al. A comparative evaluation of time-series models for forecasting inpatient deaths and discharges against medical advice. Sci Rep 16, 6607 (2026). https://doi.org/10.1038/s41598-026-37913-0

Palabras clave: pronóstico hospitalario, mortalidad de pacientes hospitalizados, alta contra el consejo médico, modelos de series temporales, calidad asistencial