Publicaciones

Revisión sistemática de los modelos de IA para predecir la demanda de las urgencias hospitalarias, con artículos publicados entre 2019 y julio de 2025 en cinco bases de datos (PubMed, IEEE, Springer, ScienceDirect y ACM). De los 11 estudios incluidos, los modelos de machine learning y deep learning superan a los clásicos ARIMA/SARIMA, sobre todo con datos no lineales y de alta dimensión, y la inclusión de variables externas (clima, calidad del aire, calendario) mejora sistemáticamente los resultados (MAPE entre el 3 % y el 18 %). La escasa validación externa y la falta de interpretabilidad siguen siendo las principales barreras para su adopción clínica.

Análisis de los patrones espacio-temporales de las urgencias del Hospital Royo Villanova (Zaragoza) entre 2011 y 2024, integrando datos clínicos, demográficos, ambientales y socioeconómicos. Mediante análisis geoespacial y aprendizaje automático (XGBoost interpretado con SHAP), se observa que la hora del día es la variable más influyente en todos los diagnósticos, mientras que la temperatura, la humedad y contaminantes como NO₂, SO₂ y O₃ condicionan las urgencias respiratorias y por lesiones. Se identifican zonas de alta demanda persistentes y cambios estructurales tras la COVID-19, sobre todo en pediatría.

Una planificación eficiente del transporte sanitario es clave para mejorar la accesibilidad y la calidad asistencial. A partir de siete años de datos del transporte sanitario de Asturias, el estudio aplica técnicas de minería de datos para identificar las variables más relevantes en la predicción de la demanda. Seleccionar las variables significativas permite reducir el coste computacional sin perder precisión, lo que mejora la gestión de los recursos de transporte médico y la planificación de los servicios de emergencia.

El ahogamiento es un importante problema de Salud Pública en la etapa infantil. Este estudio analiza 100 casos de ahogamiento pediátrico (0–14 años) atendidos por los servicios de emergencias de Galicia entre 2004 y 2020. El 55 % se debió a falta de supervisión; los más pequeños se ahogaron sobre todo en piscinas y los adolescentes en playas. El 42 % recibió RCP por parte de testigos, el tiempo medio de respuesta de emergencias fue de 12 minutos y la supervivencia al alta alcanzó el 77 %, con la neumonía como complicación frecuente.

Ensayo piloto en simulación con 21 participantes sin formación en soporte vital básico, guiados por un chatbot en versión beta con reconocimiento de voz y aprendizaje automático. El 91 % completó correctamente la secuencia de reconocimiento de la parada y todos llamaron al 112; el 62 % colocó las manos en el punto correcto. Un tercio logró una RCP de alta calidad (profundidad media de 42 mm y 100 compresiones/min). El asistente de voz resulta útil para personas legas, aunque necesita reducir sus tiempos de respuesta y mejorar el feedback sobre las compresiones.

Trabajo que aborda el diseño e integración de un sistema de control de procesos basado en el concepto de gemelo digital para la industria agroalimentaria: una réplica virtual del proceso productivo, alimentada con datos de planta, que permite supervisar, simular y optimizar la operación para avanzar hacia una industria más eficiente y digitalizada.

Estudio piloto que explora el uso de un chatbot como herramienta de asistencia para que personas sin formación sanitaria reconozcan una parada cardiorrespiratoria y realicen las primeras maniobras de reanimación. El trabajo analiza cómo la tecnología conversacional puede guiar paso a paso la respuesta inicial ante una emergencia cardíaca hasta la llegada de los servicios sanitarios.