"En centros de despacho de emergencias, las situaciones con recursos restringidos obligan a priorizar rápido y con información incompleta. En este ensayo aleatorizado en dos regiones de Suecia, una herramienta de aprendizaje automático entregó puntajes de riesgo para apoyar la priorización de pacientes inicialmente catalogados como de baja prioridad. El desenlace primario mostró una mejora modesta: mayor probabilidad de asignar la primera ambulancia disponible al paciente que luego presentó mayor NEWS2. Aunque el efecto fue borderline y el estudio tuvo limitaciones de potencia, abre una discusión clave: cómo integrar IA como apoyo a decisiones sin sustituir el juicio clínico. El artículo completo aporta detalles operativos valiosos."
por Douglas Nils Spangler, Simon Morelli, David Smekal, Lennart Edmark, Hans Blomberg Antecedentes: Las situaciones con recursos restringidos (Resource Constrained Situations, RCS) en los centros de despacho médico de emergencias, en las que hay más pacientes que requieren una ambulancia que ambulancias disponibles, son comunes. Las técnicas de aprendizaje automático (Machine Learning, ML) ofrecen un enfoque prometedor, pero en gran medida no probado, para evaluar los riesgos relativos entre estos pacientes. El estudio busca establecer si la provisión de puntajes de riesgo basados en ML que predicen los desenlaces del paciente mejora la capacidad de los despachadores para identificar a los pacientes con alto riesgo de deterioro en RCS y enviarles la primera ambulancia disponible. Métodos y hallazgos: Realizamos un ensayo aleatorizado, de grupos paralelos, en pacientes adultos evaluados por una enfermera de despacho en dos sitios de estudio en Suecia, determinados como requerientes de una respuesta de ambulancia de baja prioridad en RCS. Los pacientes se asignaron al azar 1:1 para ser priorizados con la ayuda de una herramienta de evaluación de riesgo basada en ML, o según la práctica clínica actual. El desenlace primario se definió en términos de si la primera ambulancia disponible se envió al paciente con la puntuación más alta del National Early Warning Score (NEWS 2), basada en signos vitales recolectados posteriormente. Se incluyeron en el estudio un total de 1,245 RCS. En el brazo de intervención, el 68.3% de las RCS se evaluaron correctamente según el desenlace primario, frente al 62.5% en el grupo control, lo que corresponde a una razón de momios de 1.28 (IC 95% [1.00, 1.63], p = 0.047). Este estudio se limitó únicamente a pacientes determinados como requerientes de una respuesta de ambulancia de baja prioridad en dos regiones suecas, y tuvo potencia insuficiente para el desenlace primario debido a un tamaño muestral menor al esperado. Conclusión: Este estudio sugiere que las herramientas de apoyo a la decisión clínica basadas en ML podrían tener la capacidad de influir en las decisiones de los prestadores de atención y mejorar su capacidad para diferenciar rápidamente entre pacientes de alto y bajo riesgo en el despacho. Investigaciones adicionales deben establecer la idoneidad de estas herramientas en cohortes más grandes, para pacientes con niveles de prioridad tanto más altos como más bajos, y en otros entornos. El ensayo se registró en ClinicalTrials.gov (NCT04757194).