Sistema de predicción e explicabilidade da demanda asistencial en emerxencias sanitarias: aplicación ao servizo sanitario galego cunha interface de apoio a decisión

Abstract

[Resumen] El Servicio de Emergencias Sanitarias 061 de Galicia gestiona diariamente un volumen de llamadas que varía de forma significativa en función de factores heterogéneos: condiciones meteorológicas, calidad del aire, calendario festivo, eventos deportivos y patrones estacionales. Esta variabilidad dificulta la asignación eficiente de recursos asistenciales (médicos, técnicos de emergencias y ambulancias) y constituye un reto operativo de primer orden para el sistema sanitario gallego. El presente trabajo propone un sistema inteligente de predicción y explicabilidad de la demanda asistencial basado en redes neuronales recurrentes de tipo LSTM (Long Short-Term Memory). El estudio se circunscribe al área sanitaria de A Coruña y Cee, sobre la que el 061 opera, y el modelo se entrena sobre un conjunto de datos multivariable que abarca el período 2016–2024, con 3.267 registros diarios, e integra 36 variables entre las que se incluyen la actividad histórica del servicio e indicadores externos de meteorología, calidad del aire y eventos. La predicción se articula en dos capas complementarias: un modelo que estima el volumen total de llamadas y un segundo modelo que distribuye ese total en las tres tipologías asistenciales principales (consultas médicas, asistencias in situ y traslados hospitalarios), ofreciendo así una granularidad operativa directamente útil para la planificación de recursos. La aportación diferencial del sistema reside en su componente de explicabilidad. Mediante el algoritmo SHAP (SHapley Additive exPlanations), se cuantifica la contribución individual de cada variable en la predicción de cada jornada concreta. Estos valores técnicos son procesados por un modelo de lenguaje de gran escala (LLM) ejecutado localmente mediante Ollama, que genera automáticamente un informe en lenguaje natural adaptable a distintos niveles de detalle. De este modo, el personal sanitario accede no solo al número previsto de llamadas, sino a la interpretación de las causas que lo motivan. El conjunto del sistema se integra en una interfaz web desarrollada con Flask que actúa como panel de control operativo.Para cualquier jornada del período histórico disponible, el jefe de guardia puede consultar la predicción de demanda, la distribución por tipología y el informe explicativo correspondiente, validando la utilidad del sistema como prototipo de apoyo a la decisión operativa basado en datos. Finalmente, el sistema se empaqueta en un contenedor Docker que integra código, modelos y datos, garantizando un despliegue reproducible e independiente del entorno.[Abstract] The Emergency Medical Service 061 of Galicia handles a daily call volumen that fluctuates significantly due to heterogeneous factors: weather conditions, air quality, public holidays, sporting events and seasonal patterns. This variability hinders the efficient allocation of healthcare resources (physicians, emergency technicians and ambulances) and represents a first-order operational challenge for the Galician health system. This work presents an intelligent system for predicting and explaining healthcare demand, based on Long Short-Term Memory (LSTM) recurrent neural networks. The study focuses on the A Coruña and Cee health area served by the 061, and the model is trained on a multivariate dataset spanning 2016–2024, comprising 3,267 daily records and 36 input features, including historical call activity and external indicators of meteorology, air quality and events. Prediction is structured in two complementary layers: a model estimating total daily call volume and a second model distributing that total across the three main care categories (medical consultations, on-site assistance and hospital transfers) providing operational granularity directly applicable to resource planning. The system’s key contribution lies in its explainability component. The SHAP (Shapley Additive exPlanations) algorithm quantifies each variable’s individual contribution to any given day’s prediction. These technical values are then processed by a large language model (LLM) running locally via Ollama, which automatically generates a natural language report adaptable to different levels of detail. As a result, healthcare staff can access not only the predicted call volumen but also an interpretable account of the factors driving it. The complete system is integrated into a Flask-based web interface that serves as an operational control panel. For any date in the available historical period, the duty manager can retrieve the demand forecast, the distribution by care type and the corresponding explanatory report, validating the system as a data-driven operational decision support prototype. Finally, the system is packaged into a Docker container bundling code, models and data, ensuring a reproducible, environment-independent deployment.