Inteligencia Artificial en Servicios de Urgencias: ¿Qué opciones tenemos?

Oscar Efrem García F. Miembro de AIpocrates

Introducción

En nuestra columna semanal dedicada a difundir los conceptos, los impactos actuales, potenciales, positivos y negativos, además de los avances de la inteligencia artificial y su implementación en salud entre los profesionales de la medicina, destacamos hoy una en International Journal of Medical Informatics un artículo llamado Artificial Intelligence In Emergency Medicine. A Systematic Literature Review, donde sus autores Konstantin Piliuk y Sven Tomforde destacan la implementación de tecnologías basadas en Machine Learning (ML) y Deep Learning (DL) en servicios de urgencias, una herramienta hacia la optimización de diagnósticos, el proceso de clasificación de severidad (triaje) y la toma de decisiones clínicas en una ambiente complejo para la atención médica.

Es la primera revisión sistemática sobre la aplicación de modelos de Machine Learning y Deep Learning en los servicios de urgencias. El objetivo del estudio fue documentar y examinar cómo la IA puede mejorar tanto el desempeño como los resultados en estas áreas críticas de atención médica.

La revisión sistemática, las principales métricas y resultados de la revisión

Las revisiones sistemáticas son esenciales para comprender el estado actual de la investigación, identificar lagunas en el conocimiento y orientar futuras investigaciones. Estas revisiones suelen clasificar las contribuciones según su aplicación práctica en instalaciones de emergencia, cubriendo temas como análisis de imágenes clínicas, monitoreo clínico, predicciones de resultados clínicos, análisis de poblaciones y redes sociales, monitoreo domiciliario, y predicción de enfermedades o disposición y mortalidad. Además, se analizan los enfoques de modelado y las tendencias en los métodos cuantitativos utilizados.

Para garantizar la relevancia y calidad de los estudios incluidos, se empleó una metodología exhaustiva que implicó una búsqueda en bases de datos científicas. De los 380 registros inicialmente recopilados, se seleccionaron 116 estudios para una revisión detallada utilizando la lista de verificación CHAMAI, que abarca seis categorías críticas.

En los 116 estudios revisados, se observaron dos enfoques principales: diagnóstico y triaje. Los estudios de diagnóstico se centraron en la predicción de enfermedades mediante análisis de imágenes médicas, electrocardiogramas y datos multimodales, así como en modelos diseñados para apoyar decisiones clínicas. Por otro lado, los estudios de triaje se dedicaron a predecir la mortalidad, resultados de intervenciones, admisión a hospitalización o UCI, y la necesidad de cuidados urgentes.

En cuanto a la calidad de los estudios, 14 fueron clasificados como de alta calidad, 98 como de calidad moderada y 4 como de baja calidad. Solo el 13% de los estudios contaban con validación externa, y la mayoría se centraron en diagnósticos específicos utilizando datos no públicos. Solamente un pequeño porcentaje de estudios se enfocó en condiciones generales del paciente para predecir la necesidad de servicios.

La Medicina de Emergencias y las oportunidades de la IA

La medicina de emergencia enfrenta desafíos únicos debido a la necesidad de tomar decisiones rápidas en entornos con un gran volumen de pacientes, recursos limitados y múltiples decisiones que deben tomarse en poco tiempo, lo que puede verse afectado por sesgos cognitivos y fatiga. Aunque estas decisiones pueden salvar vidas, también representan un riesgo de error médico y eventos adversos para los pacientes.

La inteligencia artificial, incluyendo el Machine Learning y el Deep Learning, ofrece soluciones innovadoras para abordar estos desafíos al permitir análisis más rápidos y precisos que los métodos tradicionales. Esta tecnología tiene el potencial de mejorar los resultados clínicos, optimizar el uso de recursos y mejorar la toma de decisiones en situaciones críticas.

Integrar a los médicos en el proceso permitirá ajustar el comportamiento de los asistentes inteligentes, ofreciendo una oportunidad para una interacción sinérgica entre la inteligencia artificial y el juicio clínico humano. Esto puede mejorar los flujos de trabajo médicos, automatizar tareas repetitivas y mejorar la toma de decisiones con mínima intervención humana. Estas aplicaciones son útiles en diagnósticos por imagen, análisis de datos multimodales y apoyo a decisiones clínicas.

Conceptualización de la Inteligencia Artificial en Medicina de urgencias

Para esto, vamos a hacer una conceptualización desde lo general a lo particular empezando por algunas definiciones. Antes de adentrarnos en la revisión sistemática y sus hallazgos, es importante destacar la diferencia entre el aprendizaje automático clásico y el aprendizaje profundo.

El aprendizaje automático clásico se basa en algoritmos y técnicas diseñadas para aprender de los datos y realizar tareas específicas sin ser programados explícitamente para obtener un resultado o alimentados con reglas explícitas para generar una respuesta.

Este enfoque se centra en la extracción de características relevantes de los datos y la creación de modelos que puedan generalizar sobre nuevos datos.

El aprendizaje profundo, una subcategoría del aprendizaje automático, utiliza redes neuronales compuestas por múltiples capas de unidades interconectadas que procesan la información de manera no lineal, para aprender representaciones jerárquicas de los datos. Su eficacia en el procesamiento de datos complejos, como imágenes y texto, se ha enfocado en áreas como el reconocimiento de patrones, análisis de imágenes, visión de computadora y el procesamiento del lenguaje natural.

Modelos Específicos Identificados en la Revisión

En la revisión sistemática se documentan varios modelos de Machine Learning y Deep Learning, específicamente siete tipos de modelos, la mayoría de los investigadores emplearon algoritmos clásicos de Machine Learning (ML), algoritmos de la regresión logística y los árboles de decisión. Por lo general, los autores incluyen y comparan varios algoritmos de ML para seleccionar el más relevante. Estos algoritmos permiten a los sistemas de IA aprender patrones y realizar predicciones basadas en grandes conjuntos de datos, mejorando así su capacidad para respaldar la toma de decisiones clínicas en tiempo real.

Con respecto al Deep Learning (DL), la arquitectura de red convolucional es la opción más popular, no solo para el procesamiento de imágenes, sino también para datos de texto y señales de electrocardiograma (ECG).

Otros algoritmos de DL comúnmente utilizados incluyen redes neuronales recurrentes, que se emplean principalmente para datos secuenciales, y redes neuronales feedforward con arquitectura densa, utilizadas en diversos modelos. Se han aplicado también técnicas como la regularización bayesiana en redes neuronales y el mecanismo de gradiente descendente en redes convolucionales.

El ámbito complejo de la medicina de emergencias ha llevado a que las aplicaciones de IA se agrupen en tareas específicas, como la predicción temprana de resultados para los pacientes, la estratificación del riesgo y la optimización del triaje. Estas aplicaciones han demostrado resultados prometedores en la mejora de la precisión y la eficiencia de la atención de urgencias.

Tipo de Intervención con Inteligencia Artificial

Los tipos de intervención que se realizaron con inteligencia artificial fueron:

Predicción de diagnósticos en 44 estudios
Apoyo a las decisiones clínicas en 14 estudios
Predicción de mortalidad en 30 estudios
Predicción de resultados de intervenciones en 9 estudios
Estudios se enfocaron en la predicción de necesidad de adición a otras áreas como la unidad de cuidado intensivo o hospitalización general.
6 estudios se concentraron en la predicción de la necesidad de atención urgente, y
9 estudios se concentraron en la clasificación de la gravedad de la condición del paciente.

Predicción diagnóstica

Para algunas enfermedades, la rapidez en la toma de decisiones es motivo de preocupación. Estos trabajos se enfocan en la predicción de la presencia de enfermedades específicas y en la predicción de su curso clínico, incluyendo el riesgo de mortalidad.

Los principales escenarios de aplicación incluyen la predicción temprana, que puede realizarse con datos limitados como síntomas y los signos vitales. Se sugiere que la inclusión de más datos del servicio de urgencias, como resultados de pruebas de laboratorio e imágenes, permitiría una predicción más precisa.

Se proponen técnicas basadas en datos para abordar otras condiciones como sepsis, anafilaxia, enfermedad renal, delirio e hipovolemia. Se emplean enfoques de predicción multiclase que consideran un rango amplio de posibles enfermedades.

Apoyo a la toma de decisiones.

El servicio de emergencias es el escenario de aplicación de soluciones para ofrecer asistencia inteligente a los procesos diagnósticos y terapéuticos, agilizando la toma de decisiones.

Se centra en hacer que el procedimiento sea más fácil para un humano, la tecnología de asistencia no puede llevar a cabo un procedimiento completo por sí misma, aunque facilita eliminar prejuicios humanos que pueden inducir al error.

Predicción de la mortalidad

La predicción de la mortalidad es un enfoque para estimar el nivel de severidad de la afcción del paciente, utilizando datos sociodemográficos, síntomas, signos vitales y resultados de pruebas clínicas. Algoritmos como la máquina de vectores de soporte se utilizan para predecir la probabilidad de supervivencia.

Ingreso a Unidad de Cuidados Intensivos

Además de la mortalidad, la predicción de otros resultados como ingresos a la Unidad de Cuidados Intensivos (UCI) es fundamental, no solo considera la supervivencia o muerte, sino también otros desenlaces en los sobrevivientes y se calcula considerando los pesos calculados de los datos clínicos y con modelos de procesamiento de lenguaje natural a partir de los registros electrónicos de atención al paciente.

Clasificación de la severidad

La estimación de la necesidad de atención urgente también se basa en técnicas como la regresión logística y los K-Vecinos más cercanos, utilizando datos de signos vitales y pruebas clínicas. Además, la gravedad de la condición se estima mediante la monitorización de signos vitales tradicionales como la frecuencia cardíaca, la presión arterial y la oxigenación de la sangre.

A pesar de la dificultad para identificar a los pacientes que requieren atención inmediata, existen evidencias de que se puede predecir con precisión la gravedad de la condición incluso antes de realizar exámenes médicos, basándose únicamente en el cuestionario del paciente.

Triaje

Las aplicaciones de métodos de inteligencia artificial (IA) no representan los primeros esfuerzos para contribuir al proceso de triaje en situaciones de emergencia médica. Históricamente, se han utilizado sistemas de puntuación aceptados que calculan la gravedad de las lesiones en diversas partes del cuerpo, a través de una escala ordinal. Aunque los procedimientos de triaje comparten similitudes con el diagnóstico médico, el enfoque diagnóstico abarca un espectro más amplio de atención, desde la atención prehospitalaria hasta etapas avanzadas.

Mientras que el diagnóstico médico se centra en la evaluación general del estado de un paciente, independientemente de su diagnóstico específico, el triaje se concentra en identificar rápidamente a los pacientes que necesitan atención médica urgente y prioritaria.

Los algoritmos impulsados por inteligencia artificial se están utilizando para identificar y priorizar a los pacientes en condiciones graves, con el objetivo de minimizar la tasa de mortalidad global. Las áreas de investigación en este campo incluyen la validación de sistemas de puntuación utilizando datos reales y la identificación de factores asociados con un mayor riesgo de resultados negativos. Para mejorar la precisión de estos algoritmos, se pueden integrar datos clínicos como datos sociodemográficos, resultados de pruebas de laboratorio, información genómica y biomarcadores.

Además, se han empleado arquitecturas de redes neuronales convolucionales (CNN) y completamente conectadas (FCNN), en combinación con algoritmos tradicionales de aprendizaje automático, para mejorar la eficacia de los modelos de predicción utilizados en estas aplicaciones.

La predicción de la mortalidad sigue siendo un enfoque clave en estas aplicaciones, y la selección de los predictores adecuados es de particular interés para los investigadores. Hacer que las predicciones sean transparentes y explicables puede ser beneficioso para los paramédicos en el campo, ya que les permite identificar con mayor precisión a los pacientes con mayores y menores probabilidades de supervivencia.

Inteligencia artificial

Inteligencia artificial es la simulación de procesos de inteligencia humana por sistemas informáticos que busca mejorar la toma de decisiones, diagnósticas y tratamientos en el ámbito de la salud.

Machine Learning

Máquinas de Vectores de Soporte (SVM)

También aparecen en el estudio otros modelos como las máquinas de vectores de soporte, que son modelos de clasificación que encuentran el hiperplano óptimo para separar diferentes clases de datos. En medicina se usan para clasificar pacientes en categorías, ya sea categorías de riesgo, estadios clínicos o categorías de gravedad de una condición.

Regresión Lineal y Regresión Logística

Estos modelos, son modelos estadísticos para predecir valores contiguos (regresión lineal), o probabilidades de pertenencia a clases (regresión logística). Son técnicas estadísticas que se han incluido dentro del machine learning y se usan para la predicción y el análisis de la evolución de enfermedades.

Árboles de Decisión y Random Forest

Árboles de decisión y random forest son otro tipo de modelos que se encontraron en los artículos incluidos en la revisión; los árboles de decisión son modelos que usan una estructura de árbol muy parecido a los algoritmos clínicos que conocemos y se usan para tomar decisiones basadas en las características de los datos.

Los Random Forests son conjuntos de árboles de decisión que toman parámetros aleatorios de las entradas que se le dan al modelo para mejorar la precisión de la clasificación o la regresión de los datos que se le estén introduciendo.

Gradient Boosting

Finalmente, el Gradient Boosting es una técnica más que un modelo que aparece en algunos de los artículos de la revisión sistemática, sirve para mejorar progresivamente los resultados de los modelos, como los árboles de decisión, mediante la minimización de los errores. Esta técnica se usa para generar una predicción precisa de resultados como la probabilidad de ingreso a un área hospitalaria o la respuesta a tratamientos, y las mejores decisiones clínicas basadas en la agregación de múltiples modelos predictivos.

Deep Learning

Redes Neuronales Convolucionales

Las redes neuronales convolucionales son modelos de Machine Learning que pueden leer imágenes de cualquier tipo. En medicina, se usan para análisis de imágenes médicas para diagnóstico automatizado. Es un tipo de modelo de Deep Learning y tiene un subtipo que mencionan también en los estudios, llamado redes neuronales totalmente convolucionales, estas ultimas también segmentan imágenes para identificar y delimitar regiones de interés, y lo característico es que lo hacen pixel por pixel, por lo que pueden clasificar imágenes de una forma muy específica. Son útil para delimitar regiones de interés como tumores en radiografías y facilita diagnósticos y planificación de tratamientos más precisos.

Redes Neuronales Recurrentes

Las redes neuronales recurrentes son otro tipo de modelos de deep learning que aparece en la revisión sistemática. Son modelos de procesamiento de secuencias de datos útiles para analizar series temporales, como por ejemplo los electrocardiogramas, los electroencefalogramas, las oximetrías o las capnografías.

BERT

Uno de los modelos es BERT (Bidirectional Encoder Representation from Transformer). Es un modelo de inteligencia artificial de tipo Deep Learning, específicamente de procesamiento de lenguaje natural, y sirve para extraer información de historias clínicas, entiende consultas médicas complejas. Es específicamente un modelo de interpretación de texto.

El dato

La importancia del dato

Los modelos de aprendizaje automático están basados en datos, para mantener la alta precisión de los modelos, es necesario utilizar conjuntos de características de datos relevantes para cada uno, lo que puede conducir a una divergencia en la disponibilidad de los datos.

Utilizar un conjunto bastante heterogéneo de datos que no se limite a la demografía del paciente, los signos vitales y la información clínica

Evaluar los predictores más potentes utilizar modelos de regresión para garantizar la posibilidad de una interpretación exacta

La identificación de predictores potentes es un problema que se aborda con frecuencia. Junto con los modelos lineales totalmente interpretables, algunos autores utilizan métodos como la regresión para extraer características significativas y utilizarlas para la predicción con algoritmos más complejos. El enfoque más sofisticado se puede ver en el uso del conjunto FCNN

El uso de señales de requieren técnicas de preprocesamiento de señales.

Otros modelos utilizan información específica de la enfermedad: en los estudios basados en una entrada multimodal, los autores tienden a incluir las características que describen la historia clínica de los pacientes.

Dificultades en el uso de los datos

Los datos necesarios para las aplicaciones sanitarias suelen estar sujetos a restricciones legales especiales, ya que pueden contener información confidencial. problemas no resueltos por razones legales y éticas.

Las soluciones cuantitativas generales y específicas adolecen de la falta de un volumen suficiente de datos y además de calidad adecuada, características de los datos comúnmente aceptados como adecuado en otros sectores. Es mucho más fácil obtener datos suficientes solo para un dominio específico y producir un modelo preciso capaz de operar para una tarea específica.

Las soluciones específicas de la enfermedad no son relevantes para la mayoría de los pacientes que llegan a los servicios de urgencias, no es costo-eficiente un modelo por cada enfermedad.

Los desafíos como la falta de generalización, la disponibilidad de datos y la confidencialidad del paciente, la calidad de los datos y un compromiso entre el rendimiento del modelo y la explicabilidad.

La falta de grandes conjuntos de datos disponibles públicamente ha llevado a que los estudios se basen en bancos de datos recopilados de forma privada, generalmente con un número reducido de observaciones disponibles. Esto dificulta la evaluación coherente del rendimiento de diferentes algoritmos.

Un número pequeño de observaciones provoca una menor calidad de los modelos entrenados y reduce los beneficios que podrían obtenerse del uso de métodos DL

La mayoría de los estudios dependen de datos recolectados de manera privada, lo que impide el acceso público a ellos. Esta situación genera inconsistencias incluso entre estudios que abordan el mismo grupo de enfermedades o área de aplicación. Como resultado, los resultados de estos estudios no pueden ser comparados ni reproducidos.

El uso de datos para la predicción de múltiples diagnósticos también se ve limitado. La creación de conjuntos de datos de entrenamiento públicos a partir de datos médicos es una tarea compleja que requiere mejoras en las regulaciones nacionales e internacionales para proporcionar una guía completa. Este enfoque sistemático es esencial para evitar posibles violaciones de privacidad.

Las cuestiones relacionadas con la seguridad de los datos están siendo debatidas, especialmente en cuanto al almacenamiento y la transmisión de datos intrahospitalarios.

Calidad de los datos

La heterogeneidad de los datos plantea un desafío importante para los investigadores, ya que restringe las opciones disponibles. Estos datos se presentan en diversas modalidades, como escalares, series, imágenes y textos, entre otros, lo que hace que la limpieza y preparación de los datos sean aspectos cruciales.

Una forma eficiente de abordar esta heterogeneidad es mediante la combinación efectiva de diferentes fuentes de datos. Al reducir la diversidad de datos a través del pre-procesamiento, los datos e información pueden ser utilizados en el modelado.

Una estrategia consiste en representar los datos heterogéneos en forma tabular. Aunque los datos tabulares presentan desafíos para los algoritmos basados en Deep Learning (DL), siguen siendo adecuados para las técnicas de Machine Learning (ML). Sin embargo, se han realizado esfuerzos notables para adaptar los datos para el entrenamiento de modelos DL, incluyendo la modelación de datos sin procesar.

La fusión de datos en etapas intermedias puede ser beneficiosa, donde los datos de los mapas de entidades generados se combinan con datos tabulares y se pasan a capas posteriores de la red. Alternativamente, técnicas de representación pueden sustituir el paso de concatenación para lograr una fusión efectiva. Los autocodificadores son una técnica bien conocida para obtener representaciones significativas en un espacio latente, las cuales pueden ser utilizadas en procesos de entrenamiento posteriores en lugar de características heterogéneas en bruto, siendo ampliamente implementadas en datos médicos.

Además, se están construyendo arquitecturas de red especializadas para abordar los desafíos específicos de los datos tabulares, haciendo que las redes neuronales sean completamente diferenciables y, por lo tanto, entrenables con algoritmos como el descenso de gradiente estocástico u optimizaciones similares.

Soluciones

La publicación de datos médicos es un procedimiento muy sensible que debe realizarse manteniendo la confidencialidad y la privacidad como prioridad. Aunque hay algunos intentos de creación de puntos de referencia comúnmente aceptados, por ejemplo, los conjuntos de datos como la iniciativa MIMIC.

El investigador también puede enfocarse en el diseño de los instrumentos para lograr propiedades de preservación de la privacidad mientras trabaja con datos médicos sensibles, como se hizo con el K-anonimato y se aplicaron modelos de privacidad diferencial para sanear conjuntos de datos (

H. Arcolezi, et al., Pryvacy-preserving prediction of victim’s mortality and their need for transportation to health facilities, IEEE Trans. Ind. Inf 18 (8) (2022) 5592-9, https://doi.org/10.1109/TII.2021.3123588.

La explicabilidad, interpretabilidad y transparencia

El algoritmo debe ser transparente, interpretable y explicable. Es crucial que permita evaluar los predictores más influyentes mediante modelos de regresión, facilitando así una interpretación precisa y el cálculo de los márgenes.

Hacer que los modelos complejos sean explicables es el resultado de implementar métodos de IA explicables, combinados con técnicas de ML más avanzadas. Se han utilizado técnicas de explicación local para métodos no lineales, lo que permite atribuir la contribución de cada característica a una predicción.

Establecer directrices para la despersonalización y la publicación de datos puede aumentar la disponibilidad de datos públicos y alentar a los investigadores a proponer nuevas soluciones. La falta de confianza es un desafío sistemático que destaca la necesidad de técnicas de modelado interpretables. La explicabilidad es un factor crucial que explica la prevalencia de algoritmos lineales.

Las dificultades

En el ámbito de las urgencias médicas, los métodos tradicionales basados en puntuaciones de predictores han sido fundamentales durante décadas para prever resultados clínicos. Sin embargo, con el avance tecnológico, los algoritmos de aprendizaje automático están emergiendo como una herramienta prometedora, aunque aún no están completamente integrados en la práctica médica. Es crucial que el personal médico comprenda estos algoritmos, incluso si no ofrecen una alta precisión, siempre y cuando sean interpretables. La popularidad de las redes neuronales, especialmente las convolucionales, está en aumento en el ámbito médico, siendo aplicadas en imágenes médicas y, en ocasiones, en la predicción de la mortalidad a partir de signos vitales y pruebas de laboratorio.

A pesar de estos avances, persisten desafíos significativos. La falta de datos limita la optimización de procesos en las instalaciones de emergencia, mientras que la metodología de la inteligencia artificial sigue estando restringida a áreas específicas o conjuntos de datos particulares, lo que dificulta su generalización y requiere experimentación cuantitativa.

La falta de regulación y estándares de informes de datos también representa un obstáculo, al igual que la ausencia de puntos de referencia de datos comúnmente aceptados, complicando la evaluación de la calidad de los algoritmos propuestos y dificultando la reproducibilidad de los resultados.

A pesar de los esfuerzos por superar estos desafíos, persisten obstáculos para la implementación efectiva de la inteligencia artificial en medicina de emergencia, incluyendo la estricta regulación legal y la desconfianza de los médicos hacia algoritmos más sofisticados. Sin embargo, el campo de la medicina de emergencia ofrece un terreno fértil para la aplicación de métodos de inteligencia artificial, lo que sugiere un creciente interés en la investigación en esta área. Es necesario implementar múltiples modelos para abarcar una variedad suficiente de pacientes, lo que conlleva mayores costos y complejidades en la práctica.

Además, se identificaron desafíos específicos en la revisión sistemática. Se destacó la alta especialización y falta de generalización en los estudios, la escasez de estándares de datos y medición, así como la preferencia por modelos de Machine Learning sobre Deep Learning debido a su explicabilidad e interpretabilidad. A pesar de la reducción del tiempo para el diagnóstico, los métodos de IA siguen siendo controlados por humanos en la práctica médica.

Conclusiones

Implementación de inteligencia artificial en la gestión clínica:

Existe una diversidad de patologías y procesos aptos para implementar herramientas de inteligencia artificial en servicios de urgencias.

No hay un estándar único, sino una variedad de modelos adaptables a diferentes necesidades durante el ciclo de atención.

Se prefieren modelos para clasificar riesgos de mortalidad o predecir necesidades de servicios urgentes en el ingreso al triaje, y para diagnosticar enfermedades o apoyar decisiones clínicas durante la atención de urgencias.

Selección del modelo adecuado:

La elección del modelo adecuado depende de las necesidades específicas de la institución.

Existe una amplia disponibilidad de modelos de aprendizaje profundo y aprendizaje automático para el apoyo clínico.

Se deben considerar cuidadosamente los métodos de aprendizaje profundo, ya que los algoritmos de aprendizaje automático tradicionales pueden ser preferibles en ciertas aplicaciones.

Desarrollo de guías para la anonimizacion los datos

Se identifica la necesidad de desarrollar una guía para la anonimización de datos que permita crear repositorios para entrenar modelos sin comprometer la confidencialidad ni la privacidad de los datos.

Se sugiere la creación de conjuntos de datos de salud gratuitos y públicos adecuados para el entrenamiento de modelos.

Te invitamos a explorar más sobre cómo la tecnología está remodelando la medicina de emergencias y la gestión en salud visitando otros apartados de

Nuestro sitio web. ¡Descubre el futuro de la atención médica hoy!