Diseño de un modelo de gemelo digital para predecir la experiencia del paciente en la ruta de atención de urgencias de la Clínica Universidad de La Sabana

Los servicios de urgencias enfrentan congestión y demoras que afectan la experiencia del paciente y la eficiencia operativa. En respuesta a esta problemática, este trabajo de grado presenta la implementación de un Gemelo Digital (Digital Twin, DT) para la ruta de atención del Servicio de Urgencias en la Clínica Universidad de La Sabana, cuyo propósito es monitorear en tiempo real las etapas del proceso asistencial y apoyar la predicción del cumplimiento del estándar institucional de atención = 120 minutos para adultos clasificados como Triage III. El marco propuesto se fundamenta en una arquitectura híbrida que integra tecnologías del Internet of Things (IoT), Edge Computing (EC), plataformas de modelado basadas en eventos discretos y Machine Learning (ML), garantizando la sincronización operativa entre el entorno físico y su representación digital. Tres estaciones fijas (STA1–STA3) y un dispositivo portátil (BAND), equipados con módulos RAK19007 (base), RAK13801 (UWB) y RAK4631 (MCU + BLE), conforman el sistema físico de detección. Las estaciones reciben las señales UWB emitidas por la BAND, mientras dispositivos ESP32 actúan como pasarelas BLE– MQTT hacia una Jetson Nano, que funciona como nodo de procesamiento en el borde y broker MQTT. Un script desarrollado en Python, ejecutado en el nodo de integración, traduce los mensajes al protocolo Modbus TCP para FlexSim Healthcare, donde se mantiene una representación virtual sincronizada del recorrido del paciente desde el registro hasta el egreso, incluyendo las etapas de triage y evaluación médica, a partir de eventos reales capturados por el sistema físico La validación se realizó en un entorno controlado con sincronización mediante el Protocolo de Tiempo de Red (Network Time Protocol, NTP), ejecutando diez XVI secuencias experimentales con cuarenta eventos y ciento sesenta marcas temporales. Se obtuvo una latencia extremo a extremo promedio de 1013.8 ± 7.3 ms (IC del 95 % [1011.5, 1016.1]) y una correspondencia funcional completa entre los eventos físicos y su representación en el entorno virtual. Adicionalmente, se implementó un canal de retroalimentación informativa bidireccional mediante Modbus TCP, en el cual FlexSim Healthcare genera eventos On Entry asociados a cada etapa del recorrido asistencial. Un sistema externo de monitoreo, implementado en Python, interpreta estos eventos y emite notificaciones instantáneas que muestran el identificador del paciente, los intervalos temporales entre estaciones y la verificación del estándar institucional de atención = 2 h. Este mecanismo permite evidenciar en tiempo real la progresión del paciente dentro del proceso asistencial y cerrar el ciclo operativo del DT sin intervenir directamente en el entorno clínico real. Para el componente predictivo se desarrollaron pipelines reproducibles de aprendizaje automático basados en 57 850 atenciones correspondientes al año 2023. Tras la anonimización y depuración de los datos, se seleccionaron variables clínicas, administrativas y temporales que integran intervalos derivados del proceso asistencial y texto asociado al motivo de consulta. Entre los modelos evaluados —Regresión Logística, Árbol de Decisión, Random Forest, XGBoost y LightGBM—, este último alcanzó el mejor desempeño con accuracy ˜ 0.86, F1-score ˜ 0.86, ROC–AUC ˜ 0.91 y recall ˜ 0.88 para la clase cumple, definida como el cumpli miento del estándar institucional de atención = 2 h. El intervalo Registro?Triage, obtenido a través del canal de retroalimentación del DT, se empleó para validar la coherencia funcional entre el monitoreo en tiempo real y el componente predictivo. XVII En conjunto, los resultados demuestran la viabilidad técnica y operativa de un Gemelo Digital orientado a la monitorización y al soporte analítico, capaz de integrar datos físicos y modelos computacionales para fortalecer la trazabilidad del proceso asistencial, la evaluación del desempeño operativo y la experiencia del paciente en los servicios de urgencias.