Organización de agendas de consultas mediante inteligencia artificial

AUTORES

1. Julia Pérez Blasco. Auxiliar Administrativa. Secretaria de Traumatología, Zaragoza, España.
2. Rosa M Buendía Rojo. Auxiliar Administrativa, Zaragoza, España.
3. Carolina Vicente García. Auxiliar Administrativa. Consultas Externas, Zaragoza, España.
4. José María Bernal Torres. Auxiliar Administrativo del Servicio Nacional Aragonés, Zaragoza, España.
5. Maura Aparicio Zabalza. Auxiliar Administrativo, Zaragoza, España.
6. Aránzazu León Fábrega. Auxiliar Administrativa HURV. Admisión, Zaragoza, España.

RESUMEN

La organización de agendas de consultas exige combinar indicación y prioridad clínicas, recursos disponibles y circunstancias del paciente. Esta monografía examina el uso de inteligencia artificial como apoyo al personal administrativo y auxiliar administrativo para prever inasistencias, estimar demanda, proponer huecos compatibles y recuperar cancelaciones. Se describe un circuito que separa reglas asistenciales aprobadas de predicciones estadísticas, verifica los datos de origen y mantiene la revisión humana antes de los cambios que afecten al acceso. Los recordatorios y la reasignación de citas pueden ayudar a utilizar la capacidad disponible, mientras que la sobrerreserva y las propuestas basadas en historiales de inasistencia requieren cautela por sus posibles efectos sobre esperas y equidad. Se proponen indicadores de tiempo hasta atención efectiva, citas sin asignar, utilización, inasistencias, errores de asignación y diferencias entre grupos. El personal administrativo comprueba identidad, preparación, duración, canal de contacto y trazabilidad; el equipo clínico determina prioridad e idoneidad de la modalidad. La utilidad de la herramienta debe comprobarse frente al proceso habitual y mantenerse bajo supervisión, protección de datos y vías accesibles para los pacientes.

PALABRAS CLAVE

Inteligencia artificial, citas y horarios, listas de espera, administración hospitalaria.

ABSTRACT

Outpatient scheduling must combine clinical indication and priority, available resources and patient circumstances. This monograph examines artificial intelligence as support for administrative and clerical staff in predicting missed appointments, forecasting demand, proposing compatible slots and recovering cancellations. It describes a workflow that separates approved clinical rules from statistical predictions, checks source data and preserves human review before changes affecting access. Reminders and slot reassignment may improve the use of capacity, whereas overbooking and predictions based on past nonattendance require caution because of possible effects on waiting and equity. Suggested measures include time to actual care, unassigned requests, capacity use, missed appointments, scheduling errors and differences between groups. Administrative staff check identity, preparation, duration, contact channel and audit trails; clinicians determine priority and suitability of care modality. A tool’s value must be assessed against the usual process and maintained with oversight, data protection and accessible routes for patients.

KEY WORDS

Artificial intelligence, appointments and schedules, waiting lists, hospital administration.

INTRODUCCIÓN

Organizar una agenda de consultas no consiste solo en ocupar huecos. Una solicitud puede necesitar un profesional determinado, una duración distinta, intérprete, preparación o coordinación con una prueba. Además, la prioridad asistencial no se deduce de la disponibilidad del paciente. En España, el Real Decreto 605/2003 fija criterios comunes para informar sobre listas de espera de primeras consultas, pruebas y cirugía; el registro y sus fechas deben mantener su significado, aunque cambie la herramienta de citación¹. Para el personal administrativo, una agenda asistida por inteligencia artificial (IA) es útil si permite hacer visibles solicitudes, restricciones y cambios sin desvirtuar el orden aprobado.

Una revisión de aplicaciones de IA a la citación en contextos reales encontró usos para predicción, adaptación de reservas y asignación, con heterogeneidad en diseños y resultados². Por ello, no cabe atribuir a cualquier algoritmo una reducción automática de esperas. Esta monografía presenta decisiones concretas de implantación desde admisión y citación, distinguiendo las sugerencias del sistema de las reglas clínicas y administrativas que deben seguir vigentes.

Datos y reglas antes de optimizar:

La agenda necesita datos fiables sobre prestación solicitada, primera consulta o revisión, fecha de entrada, prioridad clínica, profesional, duración, sala, equipo y requisitos de preparación. La persona administrativa comprueba que los datos identificativos y de contacto corresponden al paciente, y remite al servicio los campos clínicos incompletos. Una propuesta de hueco no puede reparar una indicación mal codificada ni elegir por sí misma otra prestación. También deben constar las restricciones reales: turnos, ausencias, tiempo de limpieza, recursos compartidos e intervalos reservados por el servicio.

Conviene separar restricciones obligatorias de preferencias. Una prueba que requiere ayuno o una consulta que debe seguir a otra actuación impone condiciones distintas de la preferencia por una franja horaria. El sistema puede ordenar opciones compatibles, pero no relajar una restricción clínica para mejorar su métrica de ocupación. El administrativo registra el motivo de una excepción autorizada y conserva la relación entre solicitud original, ofertas y cita confirmada. Los cambios de prioridad o de modalidad de atención se remiten al profesional responsable.

La calidad de datos repercute directamente en los resultados de IA. La Agencia Española de Protección de Datos ha analizado la exactitud, idoneidad y calidad de los datos personales usados en estos tratamientos³. Una historia duplicada, un teléfono antiguo o un código de consulta incorrecto pueden generar predicciones y avisos equivocados. Es preferible corregir la fuente y verificar la propagación del cambio antes que mantener una hoja paralela de ajustes. El servicio necesita un responsable identificable para cada dato y un registro de modificaciones que permita explicar una cita controvertida.

Predicción de demanda e inasistencia:

Los modelos de inasistencia pueden señalar qué citas requieren un contacto adicional. La revisión rápida de Oikonomidi y colaboradores encontró pocos estudios de intervenciones guiadas por predicción y señaló incertidumbre sobre efectos, costes, aceptación y equidad⁴. Un riesgo estadístico no describe la voluntad de un paciente concreto ni autoriza a retrasarlo. La salida debe servir para ofrecer apoyo: confirmar datos, aclarar preparación, facilitar cambio de fecha o activar una alternativa de contacto. El administrativo puede comprobar si la persona recibió el aviso y documentar la respuesta.

La previsión de demanda usa series de solicitudes y capacidad, pero ha de reconocer cierres de agenda, vacaciones, campañas y cambios de derivación. Una previsión semanal ayuda a preparar franjas y personal, no a sustituir decisiones sobre qué servicio debe ampliar actividad. Conviene comparar predicción con entradas reales por especialidad y corregir el modelo si el patrón cambia. Si un grupo tiene pocos datos históricos, una estimación global puede funcionar peor para él; se revisan resultados por canales y tipos de pacientes sin inferir atributos sensibles innecesarios.

La sobrerreserva a partir de probabilidades de inasistencia exige especial cautela. Dos pacientes pueden presentarse a la vez y aumentar espera, presión sobre el profesional y conflicto en mostrador. Antes de cualquier ensayo se define el límite de citas, quién autoriza la medida, qué margen de capacidad existe y cómo se informa a los usuarios. La reducción de huecos sin utilizar no basta para justificar si empeora el tiempo dentro del centro o la seguridad. Un modelo que funciona en una especialidad no se traslada sin validación a otra.

Recordatorios y reasignación de huecos:

Una revisión sistemática y metaanálisis de notificaciones digitales encontró mejoras en la asistencia a citas programadas⁵. El recordatorio tiene mayor valor operativo cuando permite confirmar, cancelar o solicitar cambio por un canal claro. El mensaje debe indicar fecha, hora y lugar sin exponer detalles clínicos innecesarios en una pantalla compartida. Quien carece de teléfono móvil o acceso digital necesita otras vías. El personal administrativo confirma que una cancelación se registra en la agenda y que la solicitud original conserva el estado correcto.

Una vez liberado un hueco, la IA puede presentar una lista de solicitudes compatibles por prioridad ya fijada, antigüedad según reglas aplicables, duración y preparación. No debe llamar indistintamente a decenas de personas ni adjudicar dos veces el mismo turno. Se necesita un plazo de respuesta, bloqueo temporal, orden de oferta y confirmación final. Una oferta de última hora rechazada porque el paciente no puede trasladarse no implica renuncia a la asistencia. La causa y la nueva fecha se registran sin reiniciar artificialmente la espera.

La optimización matemática puede combinar recursos y reducir tiempos simulados. Un estudio portugués de Moura y Pinho evaluó un modelo de asignación regional de consultas con datos y supuestos de su sistema⁶. Sus resultados apoyan estudiar estas herramientas, pero no prueban por sí solos que la misma mejora se obtenga en un hospital español. Antes de implantar una propuesta, conviene probar casos habituales y excepciones: paciente con dos citas dependientes, cambio de profesional, intérprete, prueba preparatoria o fallo de conexión entre sistemas.

Supervisión, equidad y protección de datos:

Una revisión de intervenciones organizativas para reducir espera halló mejoras que podían sostenerse en algunos servicios, aunque con evidencia de baja certeza y variación entre centros⁷. La IA se evalúa como parte de ese proceso: reglas de agenda, oferta, contacto, capacidad y seguimiento. La comparación debe incluir tiempos desde solicitud hasta atención efectiva, no solo velocidad de generación de citas. El personal de admisión comunica fallos concretos; el equipo clínico válida la prioridad, y calidad comprueba efectos sobre la población atendida.

El Reglamento europeo de IA regula la alfabetización y, según finalidad y clasificación, obligaciones de supervisión para ciertos sistemas. La reforma de 2026 modificó el artículo 4 y el calendario de varias obligaciones de alto riesgo⁸. No toda agenda con predicción es automáticamente un sistema de alto riesgo: la institución debe clasificar el caso de uso. El reglamento original describe medidas de supervisión humana para sistemas a los que resulten aplicables esas obligaciones⁹. En cualquier caso, la organización debe dar al administrativo acceso a la información necesaria para cuestionar una sugerencia, autoridad para detener un error y una vía de escalado documentada.

Una agenda puede revelar especialidad, datos de contacto y otras circunstancias de salud. El Reglamento General de Protección de Datos exige finalidad, minimización, exactitud y seguridad en el tratamiento de datos personales, con protección especial para los relativos a salud¹⁰. Solo se usarán herramientas aprobadas y accesos acordes con el puesto; no se copiarán listados nominales en asistentes externos para “ordenarlos”. La AEPD recuerda que la exactitud de entradas y salidas afecta a la legitimidad del tratamiento con IA³. Una exportación para evaluación debe limitar identificadores y conservarse según la política aprobada.

También se supervisa la equidad. Si el sistema ofrece primero huecos a quienes contestan rápido a mensajes, puede perjudicar a personas mayores, con barreras idiomáticas, laborales o digitales. La unidad puede revisar tasas de oferta aceptada, tiempo hasta atención y frecuencia de cambios por canal, tipo de prestación y grupos definidos con garantías. Un resultado desigual exige investigar el proceso y modificar reglas o contactos, no culpar automáticamente al modelo o al paciente. La alternativa telefónica y presencial debe seguir siendo operativa.

Indicadores y puesta en marcha:

Una prueba inicial debe definir servicio, prestaciones, periodo, responsable y criterio para detener el uso. Se pueden evaluar propuestas sin ejecutarlas durante unas semanas para detectar conflictos con las reglas. Después se comparan, con definiciones constantes, pacientes sin cita asignada, mediana y percentiles de espera hasta atención, huecos perdidos, inasistencias, cancelaciones recuperadas, tiempo de espera en el centro y errores de asignación. Es útil registrar cuándo una persona rechazó la sugerencia de IA y por qué, para corregir fallos sin penalizar una revisión cuidadosa.

El cuadro de mando incluye capacidad real, demanda nueva y citas realizadas. Una agenda con ocupación alta puede coexistir con una lista creciente si la entrada supera los turnos disponibles. La dirección y los servicios clínicos deciden ampliaciones o cambios de oferta; el administrativo aporta información sobre agendas cerradas, recursos incompatibles y contactos fallidos. Las incidencias se registran con su resolución y se reevalúan cuando cambian plantilla, temporada o versión del modelo. El paciente recibe información comprensible sobre su cita y un canal para corregir errores.

CONCLUSIONES

La IA puede ayudar a proponer citas compatibles, anticipar inasistencias y recuperar huecos, siempre que trabaje sobre datos fiables y reglas asistenciales explícitas. El personal administrativo valida identidad, restricciones, contactos y trazabilidad, y comunica las excepciones; la prioridad y la indicación siguen siendo clínicas. Una agenda mejor organizada debe reducir la espera efectiva sin empeorar la equidad, la confidencialidad o la experiencia en la consulta. La utilidad se demuestra con seguimiento local y posibilidad real de corregir o detener el sistema.

BIBLIOGRAFÍA

1. España. Real Decreto 605/2003, de 23 de mayo, por el que se establecen medidas para el tratamiento homogéneo de la información sobre las listas de espera en el Sistema Nacional de Salud. Boletín Oficial del Estado [Internet]. 2003;134. Disponible en: https://www.boe.es/eli/es/rd/2003/05/23/605/con
2. Knight DRT, Aakre CA, Anstine CV, Munipalli B, Biazar P, Mitri G, et al. Artificial intelligence for patient scheduling in the real-world health care setting: a metanarrative review. Health Policy Technol [Internet]. 2023;12(4):100824. doi:10.1016/j.hlpt.2023.100824. Disponible en: https://doi.org/10.1016/j.hlpt.2023.100824
3. Agencia Española de Protección de Datos. Exactitud, idoneidad y calidad de los datos en tratamientos de datos personales con Inteligencia Artificial [Internet]. Madrid: AEPD; 2026. Disponible en: https://www.aepd.es/guias/calidad-datos-inteligencia-artificial.pdf
4. Oikonomidi T, Norman G, McGarrigle L, Stokes J, van der Veer SN, Dowding D. Predictive model-based interventions to reduce outpatient no-shows: a rapid systematic review. J Am Med Inform Assoc [Internet]. 2023;30(3):559-569. doi:10.1093/jamia/ocac242. Disponible en: https://pubmed.ncbi.nlm.nih.gov/36508503/
5. Robotham D, Satkunanathan S, Reynolds J, Stahl D, Wykes T. Using digital notifications to improve attendance in clinic: systematic review and meta-analysis. BMJ Open [Internet]. 2016;6:e012116. doi:10.1136/bmjopen-2016-012116. Disponible en: https://bmjopen.bmj.com/content/6/10/e012116
6. Moura A, Pinho M. A scheduling optimization approach to reduce outpatient waiting times for specialists. Healthcare (Basel) [Internet]. 2025;13(7):749. doi:10.3390/healthcare13070749. Disponible en: https://www.mdpi.com/2227-9032/13/7/749
7. Manderson K, Taylor NF, Lewis A, Harding KE. Service-level interventions to reduce waiting time in outpatient and community health settings may be sustained: a systematic review. BMJ Open Qual [Internet]. 2025;14:e003235. doi:10.1136/bmjoq-2024-003235. Disponible en: https://bmjopenquality.bmj.com/content/14/1/e003235
8. Parlamento Europeo y Consejo de la Unión Europea. Reglamento (UE) 2026/1744, de 8 de julio de 2026, por el que se modifican las normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea [Internet]. 2026. Disponible en: https://www.boe.es/buscar/doc.php?id=DOUE-L-2026-81147
9. Parlamento Europeo y Consejo de la Unión Europea. Reglamento (UE) 2024/1689, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea [Internet]. 2024. Disponible en: https://eur-lex.europa.eu/eli/reg/2024/1689/oj/spa
10. Parlamento Europeo y Consejo de la Unión Europea. Reglamento (UE) 2016/679, de 27 de abril de 2016, relativo a la protección de las personas físicas en lo que respecta al tratamiento de datos personales. Diario Oficial de la Unión Europea [Internet]. 2016. Disponible en: https://eur-lex.europa.eu/eli/reg/2016/679/oj/spa