El proyecto consiste en la aplicación de técnicas de IA para la estimación de la entrada de personas en Urgencias del Hospital Puerta de Hierro, tanto de manera global, como para las categorías específicas. Se han aplicado algoritmos de XGBoost y Transformes obteniendo con este último una estimación a 5 días con errores en el 5 %, en el límite de ruido de los datos de entrada. Esto permite a la Dirección del Hospital dimensionar adecuadamente los recursos humanos y materiales necesarios.
Candidatura
Sistema de Predicción de Entrada en Urgencias en el Hospital Puerta de Hierro
Indicadores y procesos de mejora
El proyecto incorpora un proceso de mejora continua basado en indicadores objetivos que permiten evaluar tanto la calidad predictiva como su impacto operativo. El rendimiento se monitoriza mediante las métricas MAPE, MAE, RMSE y MSE, comparando sistemáticamente predicción y demanda real para horizontes de 1 a 7 días. La validación sobre datos reales de urgenciano utilizados en el entrenamiento sitúa el error medio en torno al 5 %, próximo al límite de ruido intrínseco de los datos. La herramienta proporciona además intervalos de fiabilidad P10-P90 y un margen de seguridad ajustable, permitiendo adaptar la planificación al nivel de riesgo asumible. El proceso de mejora se completa incorporando periódicamente nuevos datos, evaluando nuevamente los modelos y permitiendo su reentrenamiento y actualización. Estos indicadores permitirán relacionar la mejora predictiva con variables operativas y con los ahorros energéticos obtenidos, estableciendo un ciclo medible de evaluación y optimización
Cuantificación/Estimación reducción consumo
El proyecto se encuentra en una fase de puesta en producción. Para cuantificar el impacto de forma homogénea y replicable, se tomará como referencia C, el consumo anual de los recursos flexibles incluidos en el piloto. Se establece como objetivo una reducción neta del 5-10 % de C: por cada 100.000 kWh/año gestionados lo que hace que, mediante las predicciones, se ahorrasen entre 5.000 y 10.000 kWh/año. Los modelos anticiparán con mayor precisión el volumen y la distribución temporal de los nuevos ingresos, reduciendo la incertidumbre al planificar turnos, refuerzos, equipos de apoyo, boxes, camas, medios diagnósticos y capacidad informática. Esta planificación permitirá activar espacios, iluminación, climatización, ventilación y equipos no críticos cuando la demanda lo requiera, evitando su puesta en marcha preventiva o funcionamiento prolongado. El ahorro neto será la suma de potencia ajustada por horas evitadas, menos el consumo de entrenamiento, almacenamiento e inferencia de la IA.
Cuantificación/Estimación reducción emisiones CO2
La reducción de emisiones se calculará a partir del objetivo energético del 5-10 % del consumo flexible C. Por cada 100.000 kWh/año incluidos en el piloto, el ahorro estimado de 5.000-10.000 kWh evitará entre 0,5 y 1 tCO2e por cada 0,10 kgCO2e/kWh del factor de emisión aplicable. La fórmula será: emisiones netas evitadas = (kWh evitados en el hospital x factor del hospital – kWh consumidos por la IA x factor del centro de datos) / 1.000. La solución se alojará en los centros de datos de Alhambra IT, que declaran energía con garantía de origen 100 % verde y neutralidad de carbono, reduciendo la huella de mercado asociada a la operación digital. Este beneficio se informará separadamente y no se presentará como ahorro de kWh. El cálculo final utilizará el factor oficial del periodo y conservará sus fuentes, las garantías de origen, los consumos registrados, los supuestos y la incertidumbre, evitando cualquier doble contabilización.
Innovación aplicada y buenas prácticas
El proyecto es un ejemplo paradigmático de colaboración público-privada y de transferencia de conocimiento e innovación entre la universidad, la empresa y una entidad pública (hospital) de alto impacto
La innovación reside en trasladar técnicas avanzadas de IA a un problema asistencial con impacto directo en la eficiencia operativa y energética del hospital así como en la calidad del servicio. La solución combina modelos Transformer y XGBoost para anticipar hasta siete días la demanda total de Urgencias, su distribución por áreas y los ingresos esperados, alcanzando errores próximos al límite de ruido de los propios datos. Los interfaces se han diseñado siguiendo las necesidades del personal para que el periodo de aprendizaje del sistema se miminize. La construcción del sistema permite además la introducción de nuevos sistemas predictivos y la actualización de modelos. Finalmente se ha realizado intentando minimizar los periodos de alto cómputo para optimizar los consumos energéticos.
Uso de tecnologías (TICs)
La solución se ha diseñado priorizando la usabilidad y su integración sencilla en la operativa hospitalaria. Se implementa como una aplicación web autónoma, accesible mediante navegador, que centraliza la consulta de datos, predicciones y métricas sin exigir conocimientos especializados en IA. Los resultados se presentan tanto de forma agregada como por áreas asistenciales e ingresos previstos, facilitando la planificación de recursos humanos y materiales. El Sistema está preparado para su despliegue en los servidores de Alhambra IT, cuya infraestructura utiliza energía con garantía de origen 100 % renovable. El Sistema utiliza además fuentes externas de información como Google Trends para la mejor estimación de eventos puntuales que puedan afectar a la fluctuación de la asistencia a urgencias (epidemias de gripe etc..)
