Introducción
El quirófano (OR) es el epicentro de la atención médica, la gestión eficiente de los recursos del OR, el personal, el equipo, es vital para la atención quirúrgica de primer nivel [ 1 ]. Recientemente, la integración de la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML) están transformando la gestión del OR, redefiniendo la planificación y optimización quirúrgica [ 2 ]. El viaje hacia la IA y el ML en la gestión del OR comenzó con una constatación: los datos de la atención médica tenían un potencial sin explotar desde la demografía de los pacientes hasta los historiales quirúrgicos, los protocolos de anestesia y la dinámica de la sala de recuperación [ 3 ]. En 2015, la investigación sobre ML en medicina creció exponencialmente, pasando de la teoría a las aplicaciones del mundo real [ 4 ]. Con una mayor comprensión del ML y el poder de procesamiento, la atención médica está utilizando esta tecnología para abordar desafíos complejos [ 5 ]. En la era de la atención médica basada en datos, el ML se convirtió en una piedra angular para las tareas del OR, prediciendo duraciones quirúrgicas, optimizando cronogramas y mejorando el uso de recursos [ 6 ]. Los algoritmos de ML, como los árboles de decisión y los bosques aleatorios, redefinieron la eficiencia del quirófano, prometiendo predicciones más precisas y una toma de decisiones proactiva [ 7 ]. Esta revisión sistemática actualiza nuestro trabajo anterior, “Inteligencia artificial: una nueva herramienta en la gestión del quirófano. Función de los modelos de aprendizaje automático en la optimización del quirófano”, centrándose en el período comprendido entre febrero de 2019 y el 28 de septiembre de 2023 [ 4 ]. En la revisión anterior, exploramos el papel fundamental de ML en la remodelación de la gestión del quirófano, haciendo hincapié en el potencial de los algoritmos impulsados por IA para la programación, la predicción de la duración de los casos y la optimización de la asignación de recursos. En esta actualización, profundizamos en los últimos desarrollos de ML en medicina perioperatoria, explorando cómo redefinen la eficiencia del quirófano y la atención al paciente. Exploramos la expansión de ML en la medicina perioperatoria, desde la asignación de recursos de la Unidad de Cuidados Postanestésicos (PACU) hasta la reducción de las cancelaciones de casos quirúrgicos. También destacaremos los desafíos y las oportunidades de integración a medida que buscamos maximizar el potencial de la IA para todos en la atención médica.
Métodos
Estrategia de búsqueda
Esta actualización exhaustiva se realizó de acuerdo con las directrices de Elementos de Informe Preferidos para Revisiones Sistemáticas y Metaanálisis (PRISMA). Se realizó una búsqueda sistemática en múltiples bases de datos, incluyendo PubMed, EMBASE y Scopus, desde febrero de 2019 hasta el 28 de septiembre de 2023. La cadena de búsqueda se adaptó de la revisión anterior y comprendió varias combinaciones de los siguientes términos: «aprendizaje automático», «anestesia», «perioperatorio», «UCPA», «quirófano», «sala de recuperación» y «cirugía asistida por robot».
Criterios de inclusión y exclusión
Se consideraron todos los estudios relevantes que emplearon técnicas de aprendizaje automático en el contexto de quirófano, anestesia, sala de recuperación (RR) y manejo de la unidad de cuidados postoperatorios (UCPA). Se excluyeron los estudios publicados antes de febrero de 2019, los resúmenes y aquellos que no estaban escritos en inglés. Además, se excluyeron del análisis los estudios pediátricos y veterinarios.
Cribado y selección
Dos revisores independientes llevaron a cabo el proceso de selección en dos etapas: selección de título/resumen y selección de texto completo. Cualquier discrepancia o incertidumbre se resolvió mediante debate y consenso. Tras eliminar los duplicados, se realizó un proceso de selección inicial que excluyó revisiones y artículos de congresos, lo que resultó en un grupo depurado de posibles estudios. Se evaluaron los artículos de texto completo restantes y se excluyeron los estudios no directamente relacionados con la aplicación del aprendizaje automático. La selección final incluyó estudios publicados entre febrero de 2019 y el 28 de septiembre de 2023 que cumplieron con los criterios de elegibilidad.
Extracción de datos
La extracción de datos siguió un enfoque estructurado, centrándose en las características del estudio relacionadas con los métodos de aprendizaje automático, las poblaciones de pacientes, los entornos de los ensayos, las variables y los resultados. Los datos extraídos se sintetizaron narrativamente, centrándose en los temas y hallazgos clave relacionados con el papel de las nuevas tecnologías en el manejo perioperatorio desde una perspectiva administrativa y de gestión. Los hallazgos se resumieron y presentaron de forma exhaustiva.
Resultados
La búsqueda arrojó 90.492 artículos publicados entre febrero de 2019 y el 28 de septiembre de 2023, sin duplicados; 44.723 eran texto completo. Solo 2.009 eran ensayos clínicos y ensayos controlados aleatorizados. Realizamos una revisión más exhaustiva, conservando solo los estudios en inglés realizados con población adulta (mayores de 18 años), con un total de 1.071 estudios. Tras examinar los 30 estudios restantes, descartamos ocho artículos: dos no estaban estrictamente relacionados con la aplicación del aprendizaje automático y seis eran estudios teóricos. En la selección final, se incluyeron 22 estudios en el análisis [ 8 , 9 , 10 , 11 , 12 , 13 , 14, 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 , 26 , 27 , 28 , 29 ] . La figura 1 muestra el diagrama de flujo PRISMA.
Las Tablas 1 , 2 y 3 resumen las características clave del estudio, centrándose en los métodos de aprendizaje automático, las poblaciones, los entornos de los ensayos, las variables y los resultados. La Tabla 1 predice la duración de la intervención quirúrgica, la Tabla 2 abarca la predicción de la estancia en la UCPA y la Tabla 3 se centra en las cancelaciones de procedimientos quirúrgicos.Tabla 1 Principales estudios sobre predicción del tiempo quirúrgico
Mesa de tamaño completoTabla 2 Principales estudios sobre la duración de la estancia en la UCPA
Mesa de tamaño completoTabla 3 Principales estudios sobre el riesgo de cancelación de cirugía
Entre los 22 estudios analizados [ 8 , 9 , 10 , 11 , 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 , 26 , 27 , 28 , 29 ], dieciséis se centraron principalmente en predecir la duración de los casos quirúrgicos [ 8 , 9 , 10 , 11 , 12 , 13 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 ], tres se centraron en predecir la duración de la estancia en la UCPA [ 25 , 26 , 27 ]. Un estudio abordó ambos aspectos [ 14 ], mientras que solo dos estudios examinaron la identificación de casos quirúrgicos con alto riesgo de cancelación [ 28 , 29 ]. Además, cabe destacar que solo uno de los estudios es un ensayo clínico aleatorizado [ 23 ], lo que sugiere la necesidad de diseños experimentales más robustos en este dominio de investigación. En los estudios seleccionados, los algoritmos de aprendizaje automático utilizados con mayor frecuencia están representados por Random Forest, XGBoost, regresión lineal, regresión de vectores de soporte (SVR), redes neuronales, bagging, métodos de conjunto, perceptrón, CatBoost y regresión logística. Todos ellos [ 8 , 9 , 10 , 11 , 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 , 26 , 27 , 28 , 29] demostró la capacidad de mejorar la precisión predictiva de las duraciones quirúrgicas, la duración de la estancia en la UCPA y las predicciones de cancelación de casos quirúrgicos de alto riesgo. Cabe destacar que XGBoost mostró el mejor rendimiento general cuando se utilizó. Los métodos de conjunto, como Bagging y Random Forest, mejoraron la precisión de la predicción mediante la combinación de modelos [ 14 ]. Los modelos de aprendizaje automático (ML) también optimizaron la programación y la asignación de recursos. Por ejemplo, Hassanzadeh et al. [ 11 ] predijeron las llegadas diarias al quirófano con un 90% de precisión, optimizando la dotación de personal y la asignación de recursos. Varios estudios, incluidos los de Bartek et al. [ 8 ] y Lam et al. [ 13 ], enfatizaron la importancia de adaptar los modelos de ML a cada cirujano o considerar factores adicionales relacionados con el paciente y la cirugía.
La tendencia observada en las publicaciones de artículos científicos sobre ML en medicina perioperatoria mostró un aumento de 2015 a 2019 [ 4 ], seguido de una disminución (Fig. 2 ).
Esto puede deberse a varios factores. Inicialmente, hubo un aumento del interés y la inversión en aplicaciones de aprendizaje automático, optimizando la gestión de quirófanos, reduciendo costes y mejorando la calidad de la atención al paciente. Sin embargo, la disminución a partir de 2020 puede deberse a investigaciones prometedoras ya publicadas, desafíos prácticos o la necesidad de mayor comprensión y recursos. Las características de la curva de aprendizaje se representan en la (Fig. 3 ).
Esta tendencia refleja la naturaleza cambiante del aprendizaje automático (ML) en la medicina perioperatoria, lo que requiere un análisis detallado del panorama de investigación, la financiación, la tecnología y las prioridades cambiantes. Si bien los estudios han demostrado la eficacia de los sistemas de IA/ML en aplicaciones en quirófanos, la reticencia o reticencia de los médicos a incorporarlos en la toma de decisiones sigue siendo un obstáculo importante. Este fenómeno se debe a numerosos factores. La naturaleza compleja de las tecnologías de IA/ML, especialmente en el ámbito sanitario, puede contribuir a una lenta adopción en la práctica clínica. Para los profesionales clínicos, puede resultar difícil comprender los algoritmos y procesos que sustentan estos sistemas. La naturaleza novedosa y cambiante de las tecnologías de IA puede generar un riesgo percibido, lo que hace que los profesionales clínicos duden en adoptar y confiar plenamente en estas herramientas. Es posible que los profesionales clínicos no estén suficientemente familiarizados con los conceptos y el funcionamiento de los sistemas de ML/IA. La falta de formación sobre el funcionamiento de estas tecnologías puede generar escepticismo. Subsanar esta deficiencia de conocimiento es esencial para generar confianza entre los profesionales clínicos. Además, en el quirófano, donde la seguridad del paciente es primordial, los profesionales clínicos pueden ser especialmente reacios a adoptar tecnologías que puedan afectar los resultados de los pacientes. Las preocupaciones sobre la fiabilidad y seguridad de los sistemas de IA pueden contribuir a un enfoque conservador para su adopción. Si bien los estudios han demostrado la eficacia de los sistemas de IA/ML en entornos controlados, los médicos pueden ser reacios a considerar su aplicabilidad y generalización en el mundo real. La validación clínica limitada y la evidencia insuficiente de mejores resultados para los pacientes en diversos escenarios pueden obstaculizar la aceptación de estas tecnologías. Además, los médicos a menudo enfrentan consideraciones éticas y legales al integrar la IA en la atención al paciente. Los problemas relacionados con la privacidad de los datos, la responsabilidad y las implicaciones éticas de la toma de decisiones automatizada pueden contribuir a la reticencia a adoptar sistemas de ML/IA en los quirófanos. Finalmente, la comunicación y colaboración efectivas entre científicos de datos, ingenieros y médicos son cruciales. La falta de alineación en los objetivos, las expectativas y el lenguaje entre estos equipos interdisciplinarios puede llevar a malentendidos y obstaculizar la implementación exitosa de la IA en entornos clínicos. Abordar estos factores implica no solo mejorar la explicabilidad y la transparencia de los modelos de IA, sino también implementar programas sólidos de educación y capacitación para los médicos [ 30 ]. Crear un entorno colaborativo que involucre a los profesionales clínicos en el proceso de desarrollo, garantizar una validación clínica rigurosa y abordar las cuestiones éticas y legales son pasos esenciales para fomentar la confianza y la aceptación. Superar estos desafíos puede contribuir a acelerar la integración de los sistemas de IA/ML en los procesos de toma de decisiones en quirófanos. Figura 4Ilustra una comparación del número de publicaciones en cada área entre la versión anterior de la revisión y esta actualización.
Discusión
De los 22 artículos seleccionados [ 8 , 9 , 10 , 11 , 12 , 13 , 14 , 15 , 16 , 17, 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 , 26 , 27 , 28 , 29 ] , 17 se centran en predecir la duración de la planificación quirúrgica [ 8 , 9 , 10 , 11 , 12 , 13 , 14, 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 ] . Este hallazgo subraya el papel crucial de la estimación precisa en la duración del caso quirúrgico para la gestión eficaz del quirófano. Presenta un desafío complejo y multifacético que impacta profundamente la programación del quirófano, la asignación de recursos y la eficiencia operativa general. Nuestra revisión anterior [ 4 ] destacó principalmente los resultados prometedores de un algoritmo propietario conocido como leap Rail® [ 31 ]. Si bien exhibió una mejora en la precisión predictiva en comparación con los métodos tradicionales, nuestra revisión actualizada revela un panorama más matizado. Estudios más recientes, como el trabajo de Bartek y colegas [ 8 ], han profundizado en el uso de modelos de aprendizaje automático, enfatizando la importancia de los modelos específicos del cirujano. Estos modelos más nuevos superan a los específicos del servicio y mejoran significativamente la precisión de las predicciones del tiempo del caso, ofreciendo beneficios sustanciales en términos de gestión del quirófano. Nuestro análisis actualizado también demuestra el dominio de XGBoost en los modelos de aprendizaje automático sobre otros algoritmos, incluido el modelo de bosque aleatorio y la regresión lineal. Se muestran las capacidades predictivas superiores de XGBoost, lo que es una desviación notable del enfoque de la revisión anterior en leap Rail® [ 30 ]. Esto subraya los rápidos avances en la tecnología de aprendizaje automático y su potencial para refinar las predicciones de la duración de los casos quirúrgicos. Sin embargo, es importante tener en cuenta que diferentes resultados podrían requerir distintos algoritmos de aprendizaje automático. [ 32]Otro hallazgo clave de la revisión previa fue el potencial ahorro de costos asociado con la predicción precisa de la duración de los casos quirúrgicos en cirugía robótica. Sin embargo, nuestra revisión actualizada aporta nuevos conocimientos. Jiao y sus colegas [ 11 ] introdujeron el uso de redes neuronales artificiales modulares (MANN) para predecir la duración quirúrgica restante. Las MANN son redes neuronales equipadas con memoria externa. Destacan en tareas que requieren contexto y razonamiento secuencial, lo que las hace adecuadas para ciertas aplicaciones clínicas. Aprovecharon los registros de anestesia de una amplia gama de poblaciones quirúrgicas y tipos de hospitales, lo que demuestra la robustez y adaptabilidad de su modelo. MANN superó consistentemente los enfoques estadísticos bayesianos, especialmente durante el último cuartil de la cirugía, lo que indica su potencial de ahorro de costos y mejoras en la eficiencia operativa. El estudio también evaluó la generalización y transferibilidad del modelo MANN. Se descubrió que incluso los sistemas de salud con menor volumen operatorio podrían beneficiarse del ajuste de un modelo entrenado en sistemas cercanos de mayor tamaño. También destacó la falta de información significativa en el registro de anestesia durante ciertas fases de la cirugía, lo que sugiere margen de mejora. Este estudio subraya los rápidos avances en algoritmos de aprendizaje automático y su aplicación en escenarios quirúrgicos del mundo real. Los autocodificadores variacionales (VAE), que son modelos generativos diseñados para aprender representaciones latentes de datos, también encajan en este contexto. Consisten en un codificador y un decodificador. El codificador asigna datos de entrada a una distribución de probabilidad en un espacio latente, y el decodificador reconstruye datos de muestras en este espacio latente. Vincular modelos avanzados como MANN y VAE al sentido clínico implica que estos modelos podrían contribuir al campo de la medicina personalizada al aprender representaciones específicas del paciente, lo que permite planes de tratamiento a medida y también abordar necesidades clínicas, mejorar diagnósticos, mejorar los resultados del paciente o agilizar los procesos de atención médica [ 33 ]. El trabajo realizado por Strömblad et al. [ 23 ], un ensayo clínico aleatorizado de un solo centro, aportó conocimientos adicionales. Exploraron la precisión de predecir las duraciones de los casos quirúrgicos utilizando un modelo de aprendizaje automático en comparación con el sistema de flujo de programación existente. Esta investigación enfatizó los beneficios de un enfoque de predicción integral y basado en datos, lo que resultó en una reducción significativa del error absoluto medio (EMA), lo que contribuyó a una mayor precisión de la predicción. Cabe destacar que esta disminución del EMA se tradujo en una reducción de los tiempos de espera de los pacientes sin afectar negativamente los tiempos de espera de los cirujanos ni la eficiencia operativa, lo que indica un equilibrio armonioso entre la eficiencia y los resultados del paciente. Este estudio es el primer y único ensayo clínico aleatorizado sobre el tema, según nuestro conocimiento, lo que representa un hito significativo.
Al comparar las revisiones, tanto la anterior [ 4 ] como la actualizada subrayan los beneficios potenciales de una mejor precisión de predicción en la programación quirúrgica y la gestión de quirófanos. Sin embargo, los estudios más nuevos proporcionan información más específica sobre las implicaciones prácticas. El trabajo de Bartek y colegas [ 8 ] muestra una reducción en los tiempos de espera y la utilización de recursos mediante la implementación de modelos basados en aprendizaje automático. Esto tiene un impacto significativo en los resultados de los pacientes sin interrumpir la eficiencia operativa, lo que refuerza el valor de estos modelos predictivos en entornos de atención médica del mundo real. Al comparar la revisión actualizada de modelos predictivos para la duración de la estancia en la UCPA con la versión anterior [ 4 ], podemos discernir una evolución sustancial también en este campo. La revisión anterior ya había reconocido la importancia de mejorar la organización del hospital y la logística interna para reducir los costos asociados con el desperdicio de tiempo y espacio en la atención médica [ 4 ]. Había destacado problemas de congestión en la UCPA debido a una planificación quirúrgica inadecuada, que a menudo provocaba que los pacientes fueran retenidos en el quirófano cuando las camas de la UCPA no estaban disponibles, lo que generaba costos más altos. En la actualización actual, hemos ampliado nuestro análisis para incluir estudios más recientes, centrándonos específicamente en la predicción de la duración de la estancia en la UCPA, y sus hallazgos son sorprendentes. Un estudio realizado por Schulz y colegas [ 25 ] utilizó un conjunto de datos de 100.511 casos para desarrollar modelos predictivos de la duración de la estancia en la UCPA. Consideraron variables como la edad del paciente, la urgencia quirúrgica, la duración de la cirugía y otras para crear un modelo de red neuronal. Cabe destacar que el estudio evaluó a anestesiólogos individuales, categorizándolos según su duración media de estancia en la UCPA. El modelo predictivo, basado en datos administrativos recopilados rutinariamente, explicó significativamente las variaciones en la duración media de la estancia en la UCPA de los anestesiólogos individuales. Este estudio subrayó la viabilidad de implementar modelos predictivos dentro de la infraestructura hospitalaria existente. La investigación de Tully y colegas [ 27]], otro estudio destacado en este campo, tuvo como objetivo desarrollar un modelo que clasificara a los pacientes con alto riesgo de una estancia prolongada en la UCPA de ≥ 3 h. El estudio consideró factores como el procedimiento quirúrgico, la edad del paciente y la duración programada del caso. El modelo más eficaz fue XGBoost, que mejoró significativamente la capacidad de predecir estancias prolongadas en la UCPA. Además, mediante las predicciones del modelo XGBoost, se re-secuenciaron los casos en función de la probabilidad de una estancia prolongada en la UCPA, lo que condujo a una reducción sustancial del número de pacientes en la UCPA fuera del horario laboral. Estos estudios recientes, en conjunto, representan un cambio notable en el campo de la predicción de la duración de la estancia en la UCPA. Destacan el potencial de los modelos predictivos, el aprendizaje automático y los enfoques basados en datos para mejorar la calidad de la atención médica y la eficiencia operativa. La adopción del análisis de big data y la optimización de la secuenciación de casos tienen claras implicaciones para mejorar los resultados de los pacientes y la asignación de recursos. Es evidente que estos modelos son muy prometedores para las instituciones sanitarias, ya que podrían ofrecer un ahorro considerable de costes y una mejor atención al paciente. Al comparar estos hallazgos recientes con la versión anterior de la revisión, observamos un avance notable en la sofisticación de los modelos predictivos. La versión anterior se centraba principalmente en el problema del uso ineficiente de la UCPA y sus implicaciones financieras, destacando el potencial de ahorro de costos mediante una mejor planificación quirúrgica. Los nuevos estudios demuestran no solo el potencial de ahorro de costos, sino también el poder de los modelos predictivos basados en datos, que pueden mejorar significativamente la eficiencia y la eficacia de las operaciones de atención médica.
Uno de los desafíos significativos en la industria de la salud es la cancelación inesperada de casos quirúrgicos. Las cancelaciones quirúrgicas no solo interrumpen el flujo de trabajo de los centros de salud, sino que también representan riesgos para la seguridad y satisfacción del paciente [ 34 ]. Para abordar este problema y optimizar la programación quirúrgica, las técnicas de ML han surgido como una solución prometedora para la detección temprana de posibles cancelaciones. La comparación de la revisión actualizada con la versión anterior [ 4 ] revela avances sustanciales en este aspecto crítico de la gestión de la atención médica. En la revisión anterior [ 4 ], el enfoque estaba en los altos costos asociados con las cancelaciones de casos quirúrgicos, destacando particularmente la variación de costos entre los diferentes tipos de cirugías. Subrayó la necesidad de métodos de clasificación automática para detectar cancelaciones de alto riesgo a partir de grandes conjuntos de datos. Además, la revisión discutió el potencial de los algoritmos de ML, específicamente el bosque aleatorio, para identificar cirugías con alto riesgo de cancelación, con la promesa de optimizar la utilización de los recursos de atención médica y la rentabilidad. La revisión actual continúa enfatizando la importancia de abordar las cancelaciones de casos quirúrgicos en la atención médica. Por ejemplo, Luo et al. [ 28 ] contribuyen significativamente al campo al aprovechar el aprendizaje automático (ML) para identificar cancelaciones de alto riesgo. Su investigación se centra en un conjunto de datos de cirugías urológicas electivas, que comprende más de 5000 casos, con el objetivo de identificar cirugías propensas a cancelación debido a factores relacionados con los recursos y la capacidad institucional. Los autores emplearon tres algoritmos de ML, incluyendo bosque aleatorio, máquina de vectores de soporte y XGBoost, y evaluaron su rendimiento en diversas métricas. Sus hallazgos revelaron la idoneidad de los modelos de ML para identificar cirugías con bajo riesgo de cancelación, reduciendo eficazmente el grupo de cirugías con mayor riesgo. Además, los modelos de bosque aleatorio mostraron una buena eficacia para distinguir las cirugías de alto riesgo, con un área bajo la curva (AUC) superior a 0,6, lo que indica un resultado interesante en este contexto. Diferentes métodos de muestreo permitieron ajustes en el rendimiento del modelo, destacando las compensaciones entre la sensibilidad y la especificidad. El estudio concluyó que los modelos de ML son viables para identificar cirugías con riesgo de cancelación. En un estudio posterior de Zhang y colegas [ 29] del mismo centro, el enfoque se centró en proporcionar metodologías efectivas para reconocer cirugías de alto riesgo propensas a cancelación. También utilizaron el mismo conjunto de datos, pero exploraron una variedad de modelos de aprendizaje automático, incluidos bosques aleatorios, regresión logística, XGBoost, máquinas de vectores de soporte y redes neuronales. El estudio identificó el modelo de bosque aleatorio como el algoritmo de mayor rendimiento, logrando una alta precisión de 0,8578 y un AUC de 0,7199. A pesar de la alta especificidad y el valor predictivo negativo, el estudio reconoció la necesidad de mejorar la sensibilidad y el valor predictivo positivo para identificar casos de alto riesgo. En resumen, ambos estudios [ 28 , 29 ] tienen como objetivo abordar el desafío de las cancelaciones de casos quirúrgicos en la atención médica utilizando técnicas de aprendizaje automático. Destacan la importancia de seleccionar el algoritmo de aprendizaje automático adecuado para esta tarea y reconocen la necesidad de mejorar la sensibilidad y el valor predictivo positivo. Ambos estudios [ 28 , 29 ] reconocen limitaciones relacionadas con su enfoque en cirugías urológicas electivas dentro de un solo hospital y sugieren el potencial de que futuras investigaciones se expandan a diversos entornos de atención médica para una mejor generalización. Al comparar las dos revisiones, la versión anterior [ 4 ] enfatizó la necesidad de algoritmos de ML para abordar las cancelaciones de casos quirúrgicos, pero no profundizó en hallazgos de investigación específicos por falta de estudios sobre el argumento. Por el contrario, en la versión actual proporcionamos información detallada sobre la idoneidad de diferentes modelos de ML para identificar cirugías de alto riesgo. Ambas revisiones comparten un tema común: el papel crítico de las técnicas de ML para abordar las cancelaciones de casos quirúrgicos para mejorar la utilización de los recursos de atención médica y la rentabilidad.
En resumen, la comparación entre las dos ediciones de las revisiones sistemáticas sobre la integración de la inteligencia artificial en la gestión de quirófanos destaca una notable evolución en cada ámbito. En el caso de la estimación de la duración de los casos quirúrgicos, la revisión más reciente muestra una transición hacia modelos basados en aprendizaje automático, en particular XGBoost, y un mayor enfoque en modelos específicos para cada cirujano. Esto implica la materialización del potencial del aprendizaje automático, que promete mayor precisión en las predicciones, reducción de costes y una gestión optimizada del quirófano. De igual manera, en el ámbito de la predicción de la duración de la estancia en la UCPA, la revisión actualizada subraya el potencial transformador de los modelos predictivos, destacando el valor del análisis de big data, la secuenciación optimizada de casos y las métricas ajustadas al riesgo para mejorar los resultados de los pacientes y la asignación de recursos. Reconoce los desafíos de la implementación en el mundo real y la necesidad de una mayor validación mediante estudios prospectivos y esfuerzos colaborativos. En general, la revisión actualizada proporciona una visión más profunda de las aplicaciones prácticas de estas técnicas avanzadas, ofreciendo a los profesionales sanitarios y gestores herramientas valiosas para mejorar la eficiencia, reducir costes y optimizar la atención al paciente. La transición hacia modelos específicos para cada centro en el ámbito sanitario, en particular en lo que respecta a los aspectos organizativos, merece una exploración exhaustiva. Esta tendencia refleja el creciente reconocimiento de que la personalización basada en variables específicas del centro, como el tipo de cirujano o anestesista, puede generar predicciones más precisas y una mejor asignación de recursos. El equilibrio entre las aplicaciones clínicas y organizativas en estos modelos sigue siendo un factor clave. Mientras que los modelos clínicos se centran en factores específicos del paciente, los modelos organizativos, incluidos los específicos para cada centro, abordan principalmente la optimización de recursos, la eficiencia de la programación y la reducción de costes. La elección entre modelos específicos para cada centro y modelos clínicos depende, en última instancia, de los objetivos y prioridades específicos de cada institución sanitaria. En cuanto a la implementación clínica, es crucial investigar cuántos de estos modelos avanzados progresarán más allá de la investigación hasta alcanzar la aplicación práctica. La transición hacia la usabilidad en el mundo real está cobrando impulso, pero no todos los estudios proporcionan herramientas o software para su aplicación directa. Un aspecto crucial es la integración de estos modelos en las rutinas de trabajo diarias. Una implementación exitosa suele implicar la colaboración interdisciplinaria entre científicos de datos, profesionales sanitarios y administradores. Estas herramientas pueden ser utilizadas por diversas partes interesadas, como cirujanos, anestesistas, equipos de programación y administradores hospitalarios. Los diferentes resultados de estos modelos tienen diversos propósitos. Por ejemplo, los modelos clínicos pueden orientar las decisiones de tratamiento, mientras que los modelos organizativos pueden mejorar la asignación de recursos y la eficiencia de la programación. El grado en que estos modelos están diseñados para una fácil integración y uso en las operaciones diarias de atención médica es un área clave de investigación.lo que en última instancia repercute en su utilidad práctica y su impacto en la atención al paciente y la gestión de la atención sanitaria.
Limitaciones
Las limitaciones de esta revisión sistemática incluyen el posible sesgo de publicación, ya que solo se incluyeron artículos publicados en inglés. Además, la disponibilidad de literatura relevante puede variar entre las distintas bases de datos, lo que podría afectar la exhaustividad de la revisión, incluso si se realizaron esfuerzos para mitigar estas limitaciones mediante una estrategia de búsqueda rigurosa y un proceso de selección exhaustivo. No obstante, realizar una evaluación exhaustiva y formular conclusiones definitivas sobre el algoritmo óptimo para los modelos predictivos de complicaciones perioperatorias sigue siendo un desafío debido a la diversidad de entornos y las variaciones en los algoritmos revisados. La falta de estandarización entre los estudios ha impedido realizar un metanálisis utilizando modelos de efectos aleatorios univariados y multivariados. Además, la mayoría de los estudios presentan deficiencias en la validación externa de sus modelos. Si bien el uso del AUC como criterio de evaluación es práctico, es esencial reconocer sus limitaciones, especialmente en escenarios que involucran conjuntos de datos desequilibrados en el ámbito de la IA. La importancia de garantizar la calidad de los datos para la aplicación exitosa de la IA se extiende a diversos ámbitos, como la investigación, la práctica clínica y la organización del sistema de salud. Sin embargo, lograr conjuntos de datos de alta calidad y cantidad requiere un escrutinio riguroso en cada etapa del proceso, desde la recopilación de datos hasta la selección de modelos de aprendizaje automático y sus algoritmos.
Conclusión
En conclusión, esta revisión sistemática ofrece una visión general de los avances recientes en la aplicación de la inteligencia artificial, en particular el aprendizaje automático, en la gestión de quirófanos. El análisis de los 22 estudios seleccionados, desde febrero de 2019 hasta el 28 de septiembre de 2023, arroja luz sobre el panorama en evolución de las soluciones basadas en IA en la medicina perioperatoria. La revisión destaca el papel fundamental del aprendizaje automático en la predicción de la duración de los casos quirúrgicos, la optimización de la asignación de recursos en la UCPA y la detección de cancelaciones de casos quirúrgicos. Estos modelos basados en IA han demostrado su potencial para mejorar significativamente la eficiencia, la rentabilidad y la seguridad de los procedimientos quirúrgicos. Es evidente que las técnicas de aprendizaje automático se integran cada vez más en la gestión sanitaria para abordar desafíos complejos. Además, la revisión reconoce que la adopción del aprendizaje automático en la medicina perioperatoria no está exenta de desafíos. Problemas como el acceso a los datos, las preocupaciones sobre la privacidad y la necesidad de estudios de validación exhaustivos dificultan la implementación generalizada de soluciones de IA. La revisión también sugiere que, a medida que el campo madura, investigadores y profesionales deben profundizar en la comprensión de las aplicaciones de la IA, lo que podría llevar a una disminución en la cantidad de nuevas publicaciones al abordar cuestiones y desafíos más complejos. En general, esta revisión sistemática subraya el potencial transformador de la inteligencia artificial, en particular el aprendizaje automático, para transformar la gestión de los quirófanos. Exige investigación, colaboración e innovación continuas para superar los desafíos existentes y aprovechar al máximo los beneficios de la IA para los administradores de atención médica, los profesionales y, sobre todo, los pacientes. A medida que avanzamos, la integración de la IA en la gestión de los quirófanos promete mejorar aún más la atención médica y los resultados de los pacientes en los próximos años.
