Modelado de las tareas de enfermería en escenarios de emergencia simulados: ideas para la formación clínica y la práctica

Por qué esta investigación importa para la atención al paciente

Cuando alguien en urgencias comienza a empeorar de forma repentina, las enfermeras y enfermeros suelen ser los primeros en detectarlo y actuar. Sus decisiones rápidas —qué revisar, a quién llamar, qué tratamiento iniciar— pueden marcar la diferencia entre la recuperación y un daño grave. Sin embargo, muchas de estas elecciones se toman tan deprisa e intuitivamente que incluso profesionales expertos tienen dificultades para explicar cómo las toman. Este estudio explora si la inteligencia artificial moderna puede aprender los patrones detrás de las acciones de enfermería expertas en simulaciones realistas de emergencia, con el objetivo de, algún día, orientar a profesionales menos experimentados en situaciones de alto riesgo.

Cómo piensan las enfermeras expertas en situaciones críticas

Las enfermeras con experiencia que cuidan a pacientes gravemente enfermos hacen mucho más que seguir listas de verificación paso a paso. Combinan de forma continua las lecturas de los monitores, los resultados en la historia clínica, lo que observan y sienten durante el examen físico y lo que los pacientes les cuentan sobre cómo se sienten. Gran parte de esta toma de decisiones es rápida, intuitiva y difícil de verbalizar. Las enfermeras noveles, en cambio, a menudo se aferran a los protocolos escritos y se centran en gran medida en los números del monitor, lo que puede reducir su capacidad de adaptarse cuando la condición del paciente cambia de forma inesperada. Los investigadores sostienen que si podemos capturar la secuencia de acciones visibles que realizan las enfermeras —como comprobar constantes vitales, hablar con el paciente o llamar al médico— podríamos modelar este proceso de decisión lo bastante bien como para apoyar la formación y la práctica clínica.

Emergencias simuladas en un entorno seguro

Para estudiar estos patrones sin poner en riesgo a pacientes reales, el equipo utilizó simulaciones detalladas con maniquíes muy realistas. Once enfermeras experimentadas y trece estudiantes de tercer curso completaron escenarios de emergencia que implicaban a un paciente que desarrollaba de forma súbita un ictus isquémico y, para l@s expert@s, un escenario adicional con pacientes con complicaciones graves por Covid‑19. Todas las acciones que realizaron las enfermeras —19 conductas distintas en total— se registraron en vídeo, se marcaron con sello de tiempo y luego fueron codificadas cuidadosamente por expert@s clínic@s y en factores humanos. Estas muchas acciones específicas se agruparon después en ocho categorías más amplias, como comprobar constantes vitales, realizar exploraciones físicas focalizadas, hablar con el paciente, consultar la historia clínica, administrar medicación, llamar al médico, solicitar pruebas adicionales o iniciar un equipo de respuesta rápida.

Qué revelaron los datos sobre los patrones de enfermería

En 33 episodios de simulación, las enfermeras y estudiantes realizaron 1.024 acciones, con una media de unas 31 acciones por escenario. Comprobar constantes vitales fue con diferencia el comportamiento más habitual, seguido de las exploraciones físicas focalizadas y la comunicación con el paciente. Un mapa de transiciones mostró que, independientemente de lo que las enfermeras acabaran de hacer, su siguiente movimiento era con mayor probabilidad comprobar el monitor, lo que sugiere que utilizaban regularmente los valores numéricos para confirmar lo que veían y oían. También hubo diferencias notables entre expert@s y estudiantes: l@s expert@s equilibraban el tiempo entre monitores y evaluaciones prácticas y pedían con más frecuencia pruebas adicionales y administraban medicamentos, mientras que l@s estudiantes se apoyaban más en el monitor de forma aislada. Estas diferencias crearon un conjunto variado de patrones de conducta que podrían ayudar a un modelo a aprender reglas más generales para la atención al paciente.

Enseñar a un modelo a predecir el siguiente paso de enfermería

La cuestión central fue si un enfoque de IA moderno conocido como transformador basado en atención podría aprender a predecir qué acción realizaría una enfermera a continuación, basándose únicamente en la secuencia de acciones previas. El equipo entrenó este modelo con los datos codificados de las simulaciones y lo comparó con dos métodos de aprendizaje de secuencias más tradicionales: una red neuronal recurrente básica y una red de memoria a largo plazo (LSTM). Los tres modelos funcionaron mejor que simplemente adivinar la acción siguiente más común. El modelo basado en atención alcanzó aproximadamente un 73 % de precisión global y, en general, ofreció el rendimiento más equilibrado entre los distintos tipos de acciones, especialmente al recordar conductas menos frecuentes pero importantes. El modelo LSTM obtuvo una precisión ligeramente mayor —lo que significa que cuando predecía una acción concreta tenía algo más de probabilidad de acertar— pero su rendimiento varió más entre tipos de acción.

Qué podría significar esto para la formación y la atención real

Para el público en general, el resultado clave es que un sistema informático puede aprender patrones significativos de cómo las enfermeras actúan realmente en emergencias y puede hacer predicciones razonablemente precisas sobre lo que es probable que haga una enfermera experta a continuación. A corto plazo, dicho sistema podría integrarse en la formación con simulación: mientras l@s estudiantes trabajan un escenario de ictus, por ejemplo, el modelo podría observar su secuencia de acciones y sugerir de forma sutil el siguiente paso útil cuando se atasquen, preservando el enfoque holístico de la enfermera humana en lugar de reemplazarlo. Los autores subrayan que será necesario disponer de más datos, cubrir condiciones adicionales más allá del ictus y la Covid‑19, y prestar mucha atención a la privacidad antes de usar herramientas similares en hospitales reales. Aun así, este estudio ofrece un primer vistazo de cómo la IA podría algún día apoyar, en lugar de suplantar, las decisiones rápidas y salvavidas del personal de enfermería.

Cita: Anton, N.E., Malusare, A.M., Aggarwal, V. et al. Modeling nursing care tasks in simulated emergency scenarios: insights for clinical training and practice. npj Health Syst. 3, 24 (2026). https://doi.org/10.1038/s44401-026-00079-y

Palabras clave: toma de decisiones de enfermería, simulación clínica, aprendizaje automático, modelos de atención, atención de emergencias