Ingresar en un hospital puede ser un proceso estresante para cualquiera, pero para las personas mayores que conviven con varias enfermedades crónicas -lo que técnicamente se conoce como multimorbilidad-, el riesgo de complicaciones es mucho mayor. Factores como las úlceras por presión, el dolor y el delirio (la denominada ‘tríada UDD’) no solo merman su calidad de vida, sino que "aumentan drásticamente la estancia hospitalaria y la mortalidad".

Para combatir este “problema”, un equipo multidisciplinar integrado por investigadores de la Universidad de Málaga, de IBIMA Plataforma BIONAND y del Hospital Universitario Costa del Sol ha diseñado una regla de predicción clínica que pronostica riesgos hospitalarios en mayores, utilizando técnicas de inteligencia artificial. Así, los impulsores de esta herramienta son el catedrático de la Facultad de Ciencias de la Salud José Miguel Morales Asencio, responsable además del grupo de Cronicidad, Dependencia, Cuidados y Servicios de Salud de IBIMA Plataforma BIONAND; los catedráticos del Departamento de Lenguajes y Ciencias de la Computación Ernesto Pimentel y Francisco Durán, ambos pertenecientes también al Instituto ITIS de la UMA junto con el investigador Rafael García-Luque, y la enfermera del Distrito Sanitario Costa del Sol e investigadora principal del proyecto en su fase clínica, Marta Aranda.

Rapidez de aplicación
El hallazgo principal de este trabajo, que ha sido publicado recientemente en la revista científica ‘Intelligent Medicine’, radica en su “sencillez y rapidez de aplicación”. “Hasta ahora, predecir estos eventos adversos en entornos de Urgencias era complicado debido a la falta de tiempo y la complejidad de las herramientas existentes”, señalan los autores de este trabajo.

Los investigadores analizaron inicialmente hasta 43 variables distintas de los pacientes. Sin embargo, gracias a técnicas avanzadas de aprendizaje automático lograron simplificar el modelo hasta identificar los tres indicadores clave que realmente marcan la diferencia. “Con solo evaluar estos tres puntos, el sistema alcanza una precisión del 91 por ciento y una capacidad de discriminación excelente, superando a los métodos convencionales”, afirman.

Simplificar el modelo: solo tres predictores
Así, los tres factores que los médicos y enfermeros deben observar para anticiparse a los problemas son:

  1. Cambios bruscos en el estado mental: detectar si el paciente presenta confusión o fluctuaciones en su atención (indicador de delirio)
  2. Nivel de dolor: medido a través de una escala numérica sencilla.
  3. Capacidad de comunicación: evaluar la vulnerabilidad del paciente mediante su capacidad para comunicarse en el entorno de Urgencias.

"Simplificar el modelo a solo tres predictores permite que se pueda usar en situaciones de alta presión asistencial, como las Urgencias, donde cada segundo cuenta", destaca el investigador la UMA José Miguel Morales.

Prototipo accesible
Más allá del hallazgo teórico, el equipo ha desarrollado un prototipo de aplicación accesible desde móviles, tabletas y ordenadores. Esta herramienta permite a los profesionales sanitarios registrar al paciente y obtener al instante una estimación del riesgo de sufrir complicaciones durante su hospitalización.

La aplicación ya ha sido probada por 21 expertos sanitarios de Málaga, quienes han destacado su facilidad de uso y utilidad para el seguimiento diario de los pacientes. El objetivo final es que esta tecnología se integre en la práctica clínica habitual para que los cuidados se personalicen desde el minuto uno, evitando que aparezcan las temidas úlceras o el delirio.

Este proyecto ha contado con financiación del Ministerio de Ciencia e Innovación y de la Consejería de Salud y Consumo de la Junta de Andalucía, situando a Málaga a la vanguardia de la salud digital y el cuidado de la cronicidad.

Referencia bibliográfica: 
García-Luque, R., Pimentel, E., Durán, F., Aranda-Gallardo, M., & Morales-Asencio, J. M. (2025). A machine learning-based clinical prediction rule for adverse outcomes in multimorbid patients. Intelligent Medicine, 5(04), 300-309. https://doi.org/10.1016/j.imed.2025.08.006