Dr. Marco V. Benavides Sánchez.
Cuando alguien marca el número de urgencias, cada segundo cuenta. Una voz al otro lado del teléfono debe tomar decisiones críticas: ¿la situación es realmente de vida o muerte?, ¿cuánto tiempo puede demorarse la atención?, ¿qué institución debe responder? Estas preguntas, que parecen simples, en realidad pueden marcar la diferencia entre salvar una vida o llegar demasiado tarde.
En la Comunidad Valenciana, España, un grupo de investigadores ha desarrollado una herramienta que promete transformar por completo la forma en la que se clasifican las llamadas de urgencias médicas. Se trata de E2eDeepEMC2, un sistema basado en inteligencia artificial que ha demostrado superar con creces los protocolos tradicionales de triaje telefónico y que, además, está en proceso de implementación en la práctica real.
El reto de decidir rápido y bien
El trabajo de los operadores de emergencias no es sencillo. En cuestión de minutos, a veces segundos, deben escuchar, interpretar y registrar la información que da una persona que suele estar nerviosa, angustiada o en estado de shock. A partir de ahí, aplican un protocolo estandarizado para decidir si la situación es grave, cuánto tiempo puede esperarse para enviar asistencia y qué entidad (ambulancias básicas, avanzadas, bomberos, policía) debe atender el caso.
Pero la realidad es mucho más compleja que cualquier manual. Los pacientes no siempre describen bien los síntomas, la información puede llegar incompleta y, con el paso del tiempo, las características de la población cambian. Lo que funcionaba hace diez años para evaluar emergencias puede no ser igual de eficaz hoy.
Este fenómeno, conocido como “deriva temporal”, es un dolor de cabeza para los sistemas de emergencia en todo el mundo. Significa que los patrones que los modelos aprenden en un momento dado pueden dejar de ser válidos con el tiempo, reduciendo la precisión de las predicciones y aumentando el riesgo de errores.
E2eDeepEMC2: una solución integral
Para afrontar estos retos, un equipo liderado por Pablo Ferri, Carlos Sáez, Antonio Félix-De Castro, Purificación Sánchez-Cuesta y Juan M. García-Gómez diseñó un modelo predictivo de última generación. Lo bautizaron E2eDeepEMC2, y se trata de una red neuronal profunda que combina varias características innovadoras:
- Aprendizaje multimodal: utiliza distintos tipos de información de cada llamada —datos demográficos, información clínica, características temporales y el texto libre de lo que dice el paciente o testigo—. Así, no se limita a seguir reglas predefinidas, sino que integra múltiples fuentes de datos.
- Aprendizaje multitarea: el sistema no solo responde a una pregunta, sino a varias al mismo tiempo:
- ¿Es un caso de riesgo vital?
- ¿Qué margen de tiempo hay para responder?
- ¿Qué institución del sistema sanitario debe encargarse?
- Aprendizaje continuo: quizá la característica más revolucionaria. El modelo no se queda “congelado” en la información de su entrenamiento inicial, sino que incorpora mecanismos para aprender de manera continua y adaptarse a los cambios en la población y en la naturaleza de las emergencias a lo largo del tiempo.
Se llama E2E = End-to-End, porque el sistema procesa la llamada completa (texto libre, variables estructuradas, etc.) hasta dar una predicción sin pasos manuales intermedios; Deep = basado en deep learning (redes neuronales profundas); EMC² = hace referencia a Emergency Medical Calls Classification; y clasifica automáticamente la gravedad así como el tipo de incidente a partir de los datos de la llamada (información que da el operador, notas de texto, síntomas reportados, etc.).
En total, los investigadores trabajaron con un conjunto de datos impresionante: más de dos millones de incidentes (2,054,694) registrados en el servicio de emergencias de la Comunidad Valenciana entre 2009 y 2019.
Resultados que salvan vidas
El sistema se probó frente al protocolo oficial que se utiliza en la región y los resultados fueron contundentes. Según los investigadores, E2eDeepEMC2 consiguió:
- Un aumento absoluto del 18,46% en la capacidad de identificar casos realmente de riesgo vital.
- Una mejora del 25,96% en la precisión para determinar el tiempo de respuesta admisible.
- Un incremento del 3,63% en la correcta asignación de la jurisdicción adecuada (qué institución debe acudir).
Además, cuando se comparó con otros modelos de inteligencia artificial que no incorporan aprendizaje continuo, también superó sus resultados en todos los indicadores.
Estos porcentajes, que a simple vista pueden parecer modestos, en el contexto de las emergencias significan cientos o miles de vidas potencialmente salvadas. Cada mejora en la capacidad de reconocer una urgencia grave a tiempo es un paso hacia un sistema más humano, más justo y más eficiente.
Más allá de las cifras: impacto real
Lo más relevante de este trabajo es que no se queda en la teoría ni en el laboratorio. E2eDeepEMC2 ya está en fase de despliegue en la Comunidad Valenciana, lo que lo convierte en uno de los primeros modelos de inteligencia artificial en el mundo aplicados de forma real a la clasificación de llamadas de emergencia.
Esto plantea un escenario esperanzador: si funciona de manera estable y demuestra mejorar la atención en un entorno real, podría replicarse en otras comunidades de España y, eventualmente, en otros países.
Un paso hacia el futuro de la medicina de urgencias
El caso de E2eDeepEMC2 es un ejemplo claro de cómo la inteligencia artificial no es una promesa lejana, sino una realidad que ya está transformando la atención sanitaria. En lugar de imaginar robots médicos que sustituyen a los profesionales, lo que vemos aquí es un uso concreto, práctico y humano de la tecnología: ayudar a quienes atienden emergencias a decidir mejor y más rápido.
En un mundo donde las urgencias médicas son cada vez más complejas y frecuentes, contar con herramientas como E2eDeepEMC2, puede marcar la diferencia entre un sistema saturado y uno capaz de responder con eficiencia y sensibilidad. Lo que comenzó en la Comunidad Valenciana podría ser el inicio de una nueva era en los servicios de emergencias de todo el mundo.
Para leer más:
- Ferri, P., Sáez, C., Félix-De Castro, A., Sánchez-Cuesta, P., & García-Gómez, J. M. (2025). An end-to-end solution for out-of-hospital emergency medical dispatch triage based on multimodal and continual deep learning. Artificial Intelligence in Medicine, 103, 103264. https://doi.org/10.1016/j.artmed.2025.103264
#ArtificialIntelligence #Medicine #Surgery #Medmultilingua
Deja un comentario