Inteligencia artificial y predicción de la demanda hospitalaria: revisión sistemática y metaanálisis

• García Morales , Juan Carlos ^[1] ; Wong Vázquez , Lester ^[2]
  1. [1] Ministerio de Salud

     Ministerio de Salud

     Perú

     
  2. [2] Universidad Técnica Particular de Loja

     Universidad Técnica Particular de Loja

     Loja, Ecuador

     
• Localización: Revista Científica Aristas, ISSN-e 2600-5662, Vol. 7, Nº. 1, 2025 (Ejemplar dedicado a: Edición Mayo 2025), págs. 38-55
• Idioma: español
• Títulos paralelos:
  • Artificial intelligence and hospital demand prediction: systematic review and meta-analysis
• Enlaces
  • Texto completo
• Resumen
  • español

    Las crisis de capacidad hospitalaria que sufren los sistemas de salud evidencian la insuficiencia de los modelos reactivos tradicionales para prever fluctuaciones en la demanda asistencial. Este estudio busca sistematizar los modelos de inteligencia artificial aplicados a la predicción de la demanda hospitalaria, cuantificar su precisión a través de un metaanálisis y determinar sesgos y desafíos de implementación clínica. Se realizó una revisión sistemática de estudios publicados entre 2020 y 2025 en inglés, español y portugués, empleando el protocolo PRISMA y extrayendo métricas de desempeño como MAE, RMSE y AUC. Los resultados mostraron que modelos como XGBoost, Bi-LSTM y N-BEATS superaron a ARIMA y regresiones clásicas, logrando reducciones de error de hasta un 50 % y mejoras de robustez ante variaciones abruptas de la demanda. Se identificó que la inclusión de variables contextuales y la validación externa mejoraron la aplicabilidad y que la interpretabilidad y gobernanza de datos fueron críticas para la adopción. Se concluyó que la incorporación de IA predictiva optimizó la planificación operativa, redujo costos y reforzó la resiliencia hospitalaria, recomendándose protocolos de validación y estructuras interdisciplinarias para su implementación sostenible.

  • English

    The hospital capacity crises suffered by health systems are evidence of the inadequacy of traditional reactive models to anticipate fluctuations in the demand for care. This study seeks to systematize artificial intelligence models applied to hospital demand prediction, quantify their accuracy through a meta-analysis and determine biases and challenges of clinical implementation. We conducted a systematic review of studies published between 2020 and 2025 in English, Spanish and Portuguese, using the PRISMA protocol and extracting performance metrics such as MAE, RMSE and AUC. The results showed that models such as XGBoost, Bi-LSTM and N-BEATS outperformed ARIMA and classical regressions, achieving error reductions of up to 50% and improvements in robustness to abrupt variations in demand. It was identified that the inclusion of contextual variables and external validation improved applicability and that interpretability and data governance were critical for adoption. It was concluded that the incorporation of predictive AI optimized operational planning, reduced costs and strengthened hospital resilience, recommending validation protocols and interdisciplinary structures for its sustainable implementation