Modelos predictivos de mortalidad en UCI: De la modelización al juicio clínico: evaluación del riesgo y mejora de resultados en UCI

Autores/as

• Angie Vanesa Rodríguez Morillo Universidad Politécnica Estatal del Carchi ORCID iD https://orcid.org/0009-0001-5632-2610
• Josselin Analia Mora Quendi Universidad Politécnica Estatal del Carchi ORCID iD https://orcid.org/0009-0006-8071-0417
• Brayan Dennis Portilla Tirira Universidad Politécnica Estatal del Carchi ORCID iD https://orcid.org/0009-0009-1750-8816
DOI: https://doi.org/10.70577/q638gb44/ACACFESA.EDITORIAL

Palabras clave:

Calibración y Discriminación,Puntuaciones de Gravedad,Dinámica Temporal,Aprendizaje automático de caja negra,Sesgo de Selección y Triaje

Sinopsis

La decisión clínica en la Unidad de Cuidados Intensivos se toma en el filo de la incertidumbre. El paciente crítico no espera, no da tiempo para la duda prolongada.En ese escenario, la pregunta que persiste la que acompaña al médico a lo largo de la guardia y más allá de ella no es solo qué está ocurriendo, sino qué ocurrirá. La predicción, en ese contexto, deja de ser un ejercicio académico para convertirse en una necesidad clínica real.

Los modelos predictivos de mortalidad en UCI surgieron precisamente para responder a esa necesidad. A lo largo de sus capítulos, el lector encontrará algo más que una revisión técnica de algoritmos y métricas. Encontrará una reflexión estructurada sobre cómo hemos aprendido a leer el pronóstico del paciente crítico: desde los fundamentos conceptuales de la predicción hasta la distinción entre modelos de ingreso y modelos evolutivos, que reconocen lo que cualquier intensivista sabe de memoria , que el paciente de hoy no es el mismo que el de hace seis horas. La fisiopatología no es estática, y los instrumentos que pretenden capturarla tampoco pueden serlo.

El texto aborda también el debate, cada vez más urgente, entre los modelos estadísticos tradicionales y las nuevas aproximaciones basadas en aprendizaje automático. No se trata de oponer lo viejo a lo nuevo con simpleza, sino de examinar con honestidad qué gana y qué se pierde en ese tránsito: capacidad predictiva frente a interpretabilidad, potencia computacional frente a reproducibilidad. Son preguntas que no tienen respuestas fáciles, y este libro no finge que las tienen.

Lo que más distingue a esta obra es su reflexión sobre las implicaciones éticas del uso de estos modelos. El sesgo algorítmico no es una abstracción filosófica: es un riesgo concreto que puede amplificar desigualdades y erosionar la confianza en sistemas que deberían servir a todos por igual. La transparencia, la equidad y la responsabilidad clínica no son valores opcionales; son condiciones para que estos instrumentos tengan sentido.

Porque ningún modelo, por sofisticado que sea, sustituye la experiencia del clínico ni la capacidad de reconocer lo que los datos no pueden capturar. Los datos no hablan solos. Necesitan quien los interprete, quien los cuestione y quien recuerde, en todo momento, que detrás de cada predicción hay una persona cuya vida no se reduce a una probabilidad.

Capítulos

  • Capítulo 1 Introducción a los Modelos Predictivos en Cuidados Críticos
  • Capítulo 2 Clasificación de los Modelos de Mortalidad
  • Capítulo 3 Modelos avanzados en UCI
  • Capítulo 4 Implicaciones Éticas de los Modelos Predictivos
  • Capítulo 5 Comparación de resultados en calidad de atención

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Barea Mendoza, J. A., Valiente Fernandez, M., Pardo Fernandez, A., y Gómez Álvarez, J. (2025). Perspectivas actuales sobre el uso de la inteligencia artificial en la seguridad del paciente crítico. Medicina Intensiva, 49(3), 154-164. https://doi.org/https://www.medintensiva.org/en-perspectivas-actuales-sobre-el-uso-articulo-S021056912400086X

Fathy , W., Emeriaud, G., y Cheriet , F. (2025). Una revisión exhaustiva de los modelos de predicción de readmisión en UCI: desde métodos estadísticos hasta enfoques de aprendizaje profundo. Inteligencia Artificial en medicina, 165. https://doi.org/https://doi.org/10.1016/j.artmed.2025.103126

Vega Abascal, J. B., Piriz Assa, A. R., y Nápoles Riaño, D. (2023). Modelo predictivo de enfermedad cardiovascular basado en inteligencia artificial en la atención primaria de salud. Revista Bioanálisis, 39(3), 8-19. https://doi.org/https://dialnet.unirioja.es/servlet/articulo?codigo=10020343

Aczon, M., Ledbetter, D., Laksana, E., Ho, L., y Wetzel, R. (2021). Predicción continua de la mortalidad en la UCIP: un modelo de red neuronal recurrente en un conjunto de datos de un solo centro. Medicina de Cuidados Críticos Pediátricos, 22(6), 519-529. https://doi.org/10.1097/PCC.0000000000002682

Aparicio-Montenegro , P. R., Narro-Andrade, M. G., León-Velarde, C. G., Morales-Romero, G. P., y Fernández-Flores, S. M. (2025). Modelos predictivos en la Salud Pública: El abordaje de la diabetes mediante la Inteligencia Artificial. Scielo, 43(82). https://doi.org/10.5281/zenodo.15565315

Bonet Cruz, I., Camacho Cogollo, J. E., y David Matínez , C. C. (2021). MODELO PREDICTIVO PARA EL PRONÓSTICO DE TIEMPOS DE ESTANCIA DE PACIENTES EN UNIDADES DE CUIDADOS INTENSIVOS [Repositorio, Universidad EIA]. Repositorio Institucional. Repositorio Institucional. https://repository.eia.edu.co/server/api/core/bitstreams/a51d0fbe-f1de-4904-bd4a-d4d062eed485/content

Borja Aguilar, M., Cambizaca Mora, G., y Trejo Carvajal, L. (2025). Enfermería e inteligencia artificial en la Unidad de Cuidados. Zambos -Revista Científica, 4(2), 54-70. https://doi.org/https://doi.org/10.69484/rcz/v4/n2/108

Cabrera Cantarero, M., y Arce Sosa, D. D. (2025). Ética en medicina intensiva. Revista Internacionl de bioética,deontología y ética médica, 36(2), 740-756. https://doi.org/https://doi.org/10.36105/mye.2025v36n2.07

Castañeda Sabogal, A., Rivera Ramírez , P., Espinoza Rivera, S., León Figueroa, D., Moreno Ramos, E., y Barboza, J. (2022). Modelos predictivos de ingreso a la unidad de cuidados intensivos en pacientes con covid-19: revisión sistemática. Revista del Cuerpo Médico Hospital Nacional Almanzor Aguinaga Asenjo, Chiclayo, Perú, 15(3), 1-18. https://doi.org/10.35434/rcmhnaaa.2022.15Supl.%201.1402

Chávez Baca, E. E. (2025). CORRELACIÓN DE SAPS 3 CON MORTALIDAD EN UNIDAD DE CUIDADOS INTENSIVOS DE HOSPITAL CENTRAL DEL ESTADO [Tesis de especialidad, Universidad Autónoma de Chihuahua ]. Repsotorio institucional. http://repositorio.uach.mx/id/eprint/907

Cuenca Fito, E., Gómez Acebo, I., y González Castro, A. (2025). Desarrollo y validación de modelos predictivos de mortalidad en pacientes oncológicos críticos en la UCI: una necesidad urgente. Medicina Intensiva , 49(8). https://doi.org/https://www.medintensiva.org/es-desarrollo-validacion-modelos-predictivos-mortalidad-articulo-S0210569125000269

Cuenca Fito, E., Gómez Acebo, I., y González Castro, A. (2025). Desarrollo y validación de modelos predictivos de mortalidad en pacientes oncológicos críticos en la UCI: una necesidad urgente. Medicina Intensiva, 49(8). https://doi.org/10.1016/j.medin.2025.502163

Dhami, A., Onyeukwu, K., Sattar, S., Batra , A., Mostafa , Y., Haris, M., . . . Uzair Siddique, M. (2025). El rendimiento pronóstico de los modelos de inteligencia artificial y aprendizaje automático para la predicción de la mortalidad en unidades de cuidados intensivos: una revisión sistemática. PubMed, 17(8). https://doi.org/10.7759/cureus.90465

Dong Wang, S., Jiang, Y., Li, Q., y Li Zhang, W. (2025). Predicción de resultados en pacientes de la unidad de cuidados intensivos mediante clasificación de vectores de soporte ν y técnicas de extracción de características basadas en procesamiento de señales estocásticas: estudio de desarrollo y validación. 4. https://doi.org/10.2196/72671

ELSEVIER. (5 de Junio de 2017). Escala de Coma de Glasgow: tipos de respuesta motora y su puntuación. ELSEVIER: https://www.elsevier.com/es-es/connect/escala-de-coma-de-glasgow-tipos-de-respuesta-motora-y-su-puntuacion

Eun Ko, R., Lee, J., Kim, S., Hyun Ahn, J., Jin Na, S., y Hoon Yang, J. (2024). Métodos de aprendizaje automático para el desarrollo de un modelo predictivo de delirio durante el ingreso en unidades de cuidados intensivos cardiacos. Revista Española de Cardiología, 77(7), 547-555. https://doi.org/10.1016/j.recesp.2023.12.015

Fernández Fernández, R., Baigorri González, F., y Artigas Raventos, A. (2025). Limitación del esfuerzo terapéutico en Cuidados Intensivos. ¿Ha cambiado en el siglo XXI? Medicina Intensiva, 29(6). https://doi.org/https://medintensiva.org/es-limitacion-del-esfuerzo-terapeutico-cuidados-articulo-13078000

Ghazaly, H., Aly, A., Sayed, M., y Hassan, M. (2023). La premisa central es clara: la predicción de riesgos mejora cuando sumamos al dato clínico el criterio médico y la voluntad del paciente. Al amalgamar los indicadores fijos con el flujo de información en tiempo real, logramos una medicina que no solo es. Anestesiología Ain-Shams, 15(101). https://doi.org/10.1186/s42077-023-00383-x

Guzmán Ramírez, P. M. (2023). Utilidad del uso del modelo MPM-II para predecir riesgo de mortalidad en comparación con SAPS-II en pacientes adultos en la unidad de cuidados intensivos. Scielo, 21(2). https://doi.org/10.35366/110255

Hao , Y., Li , J., Zhang , C., Pazos Sierra, A., y Shen, B. (2025). Modelo predictivo de alertas diarias de riesgo en pacientes con sepsis en UCI: visualización y análisis clínico de indicadores de riesgo. Medicina Clínica de Precisión, 8(1). https://doi.org/https://doi.org/10.1093/pcmedi/pbaf003

Heldwein, M., Badreldin , A., Doerr , F., Lehmann , T., Bayer , O., Doenst , T., y Hekmat , K. (2011). Puntuación de Disfunción Orgánica Logística (LODS): ¿Una puntuación fiable para la gestión del riesgo posoperatorio también en pacientes de cirugía cardíaca? PubMed, 6(110). https://doi.org/10.1186/1749-8090-6-110

Herrán Monge, R., Pérez Castrillon, J. L., Blanco Varela, J. M., y Tamayo Lomas, L. M. (2025). Sepsis atendida en la Unidad de Cuidados Intensivos. Epidemiología, mortalidad y fallo orgánico asociado tras la implantación de la Surviving Sepsis Campaign [Tesis Doctoral, Universidad de Valladolid]. Repositorio Institucional de Universas de Valladolid. https://doi.org/10.35376/10324/78863

Herrera Guerrero, J., Tapia Mora, V., Salazar Torres, Z. K., y Bazurto-Alegria, M. (2025). Validez de las escalas predictoras de mortalidad en sepsis abdominal. FACSALUD-UNEMI, 9(17). https://doi.org/10.29076/issn.2602-8360vol9iss17.2025pp157-163p

Huang, D., Gong, L., Wei, C., Wang, X., y Liang, Z. (2024). Un modelo explicable basado en aprendizaje automático para predecir el ingreso a la unidad de cuidados intensivos entre pacientes con neumonía adquirida en la comunidad y enfermedad del tejido conectivo. Springer Nature Link, 25(246). https://doi.org/10.1186/s12931-024-02874-3

Kirsten , M. (2023). Predicciones depredadoras y la ética del análisis predictivo. Revista de la Asociación para la Ciencia y la Tecnología de la Información, 74(5), 531-545. https://doi.org/https://doi.org/10.1002/asi.24743

Kohn , R., Weissman, G., Wang , W., Ingraham, N., Scott, S., Bayes, B., . . . Liu, V. (2023). Predicción de la mortalidad hospitalaria en pacientes de la unidad de cuidados intensivos mediante puntuaciones diarias modificadas de fisiología aguda basadas en laboratorio, versión 2 (LAPS2). Medrxiv. https://doi.org/https://doi.org/10.1101/2023.01.19.23284796

Lafuente Carrasco, J. L., Beunza Nuin, J. J., y Gonzáles López, S. (2024). Monitorización en pacientes críticos ingresados en UCI [Tesis de Doctorado, Universidad Europea de MAdrid]. ABACUS Repositorio de Producción Científica. http://hdl.handle.net/11268/12945

Lim, L., Ukdong, G., Cho, K., Yoo, D., Geol Ryu, H., y Chul Lee, H. (2024). Modelo de aprendizaje automático en tiempo real para predecir la mortalidad a corto plazo en pacientes críticos: desarrollo y validación internacional. Springer Nature Link, 28(76). https://doi.org/10.1186/s13054-024-04866-7

Lozano Gómez, H., Rodríguez García, A., Rodríguez Esteban, Á., López Ferraz, C., Murcia Hernández, M. D., Fernández Zapata , A., . . . Araiz Burdio, J. J. (2023). Diseño de un nuevo indicador de mortalidad en el síndrome coronario agudo al ingreso en la Unidad de Cuidados Intensivos. ScienceDirect, 47(9), 501-515. https://doi.org/10.1016/j.medin.2023.02.002

Lu, Y., Chen, C., Qiu, J., Ji, Q., Zhou, L., Xiong, H., y Wu, T. (2025). Revisión sistemática y comparación del aprendizaje automático y modelos estadísticos convencionales para predecir eventos cardiovasculares en pacientes en diálisis. PubMed, 47(1). https://doi.org/10.1080/0886022X.2025.2587490

Manrique Moreno , S., Bodi Saera, M., y Rodríguez Oviedo, A. (2024). Evaluación e impacto del uso secundario de los datos del sistema de información clínica para la identificación de parámetros críticos, desarrollo de indicadores y modelos predicitivos en ventilación mecánica. Repositorio Institucional Universidad Rovira i Virgili. http://hdl.handle.net/10803/692913

Manual MSD. (7 de Diciembre de 2025). Manual MSD. Manual MSD: https://www.msdmanuals.com/es/professional/multimedia/table/sistema-de-puntaje-de-evaluaci%C3%B3n-fisiol%C3%B3gica-aguda-y-evaluaci%C3%B3n-cr%C3%B3nica-de-salud-apache-ii

Matthew , H., Pantanowitz, L., Jackson , B., Palmer, O., Visweswaran, S., Pantanowitz , J., . . . Rashidi, H. (2025). Consideraciones éticas y de sesgo en la inteligencia artificial y el aprendizaje automático. Patología Moderna, 38(3). https://doi.org/https://doi.org/10.1016/j.modpat.2024.100686

MD CALC. (2025). Puntuación Simplificada de Fisiología Aguda (SAPS) 3. MD CALC: https://www.mdcalc.com/calc/10403/simplified-acute-physiology-score-saps-3

Ortega Castillo, H. F., Garófalo Guillin, M. J., y Tiuquinga Pérez , C. R. (2024). Análisis de la utilidad de las escalas pronósticas en la identificación temprana de sepsis en pacientes hospitalizados en la UCI [Tesis de Grado, Universidad de Chimborazo]. Repositorio Institucional. http://dspace.unach.edu.ec/handle/51000/14395

Osorio Rincón, M. A., y Carvajal Castaño, H. A. (2024). Modelo de capacitación en el manejo de equipos biomédicos para el personal asistencial de las áreas de UCI y UCE de la Clínica Vida sede hospitalaria la 80 [Informe de práctica para Tecnología en Biomedicina, Universidad de Antioquia]. Repositorio Institucional de Universidad de Antoquia. https://hdl.handle.net/10495/42511

Pang, K., Li, L., Ouyang, W., Liu, X., y Tang, Y. (2022). Establecimiento de modelos de predicción del riesgo de mortalidad en UCI con un algoritmo de aprendizaje automático utilizando la base de datos MIMIC-IV. PubMed, 12(5), 1068. https://doi.org/10.3390/diagnóstico12051068

Purcell Pellathy, T., Pinsky, M., y Hravnak, M. (2021). Sistemas de puntuación de la unidad de cuidados intensivos. Enfermera de Cuidados Críticos, 41(4), 54-64. https://doi.org/10.4037/ccn2021613

Quintairos, A., Pilcher, D., y Salluh, J. (2023). Sistemas de puntuación de la UCI. PubMed, 49(2), 223-225. https://doi.org/10.1007/s00134-022-06914-8

RCCC. (2025). Indicadores . RCCC: https://www.rccc.eu/ppc/indicadores/sofa.html

Ren, N., Zhao, X., y Zhang, X. (2022). Predicción de mortalidad en UCI mediante un modelo de conjunto apilado. Wiley(1). https://doi.org/10.1155/2022/3938492

Rui Moreno, Rhodes , A., y Piquilloud , L. (2023). Puntuación SOFA (Sequential Organ Failure Assessment): ¿ha llegado el momento de actualizarla? Pub Med, 27(15). https://doi.org/10.1186/s13054-022-04290-9

Sánchez, R., Boqué Oliva, C., Gálvez, J., y Soltoianu, D. (2022). Uso de escalas predictoras de fallo multiorgánico en pacientes politraumáticos atendidos en urgencias hospitalarias. Revista Española de Urgencias y Emergencias, 1(1), 25-32. https://dialnet.unirioja.es/servlet/articulo?codigo=8767327

Sánchez-Casado, M., Hostigüela-Martín, V., Raigal-Caño, A., Labajo, L., Gómez-Tello, V., Alonso-Gómez, G., y Aguilera-Cerna, F. (2016). Escalas pronósticas en la disfunción multiorgánica: estudio de cohortes. Medicina Intensiva, 40(3), 145-153. https://doi.org/10.1016/j.medin.2015.03.005

Scarsi-Mejia, O., y Garcia-Moreno, K. (2022). Escalas SOFA y qSOFA como pronóstico de mortalidad en pacientes con diagnóstico de sepsis de una clínica peruana. Revista de la Facultad de Medicina Humana, 22(4). https://doi.org/10.25176/rfmh.v22i4.5066

Solsona, A., Rus, L., y Puig, G. (2009). La escala APACHE III: un factor pronóstico en la aparición de úlceras por presión en una Unidad de Cuidados Intensivos. Elsevier, 20(3), 95-103. https://doi.org/10.1016/S1130-2399(09)72589-1

Suresh , V., K Singh , K., Vaish, E., Gurjar , M., Ambuli Nambi , A., Khulbe , Y., y Muzaffar , S. (2024). Inteligencia artificial en la Unidad de Cuidados Intensivos: Evidencia actual sobre una herramienta futura inevitable. Cureus, 16(5). https://doi.org/https://doi.org/10.7759/cureus.59797

Takekawa, D., Endo, H., Hashiba, E., y Hirota, K. (2022). Predecir modelos para estancias prolongadas en UCI utilizando las puntuaciones APACHE II, APACHE III y SAPS II: un estudio de cohorte retrospectivo multicéntrico japonés. Plos One. https://doi.org/10.1371/journal.pone.0269737

Tang, W., Zha, M.-L., Zhang, W., Hu, S.-Q., y Chen, H.-L. (2022). Sistema de puntuación APACHE y riesgo de lesiones por presión en pacientes de cuidados intensivos: una revisión sistemática y un metanálisis. Wiley, 30(4), 498-508. https://doi.org/10.1111/wrr.13021

Ulco Cevallos, B. O., Paucar Moromenacho, A., Garrido Sánchez, J. J., Llerena Ocaña, F., Molina Espinosa, M., Pérez Naranjo, M., . . . Parco Cuje, P. (2023). Factores predictivos de mortalidad en pacientes ingresados en la unidad de cuidados intensivos. Revista Latinoamericana de Hipertensión, 18(6). https://doi.org/http://doi.org/10.5281/zenodo.10028145

Vagliano, I., Dormosh, N., Ríos, M., Luik, T., Buonocore, T., Elbers, P., . . . Abu-Hanna, A. (2023). Modelos pronósticos de mortalidad hospitalaria de pacientes de cuidados intensivos mediante representación neuronal de texto no estructurado: una revisión sistemática y una evaluación crítica. Elsevier, 146. https://doi.org/10.1016/j.jbi.2023.104504

Vargas Ulloa, D. F., y Villamil Giraldo, M. D. (2025). Uso de Modelos Predictivos para la Detección de Anomalías en Signos Vitales en Unidades de Cuidados Intensivos Pediátricos [Proyecto de Grado, Repositorio de Universidad de Los Andes]. Universidad de los Andes de Colombia. Bogota: Repositorio Institucional Universidad de los Andes. https://hdl.handle.net/1992/77102

Vicente González, M. D., García Lorenzo, M. M., Fernández Fleites , R., y Vicente Rodríguez, R. (2025). Sistema inteligente para la predicción de mortalidad en Unidades de Cuidados Intensivos. Revista Cubana de Transformación Digital, 6, 1-11. https://rctd.uic.cu/rctd/article/view/296

Wolff, R., Moons, K., Riley, R., Whiting, P., Westwood, M., Collins, G., . . . Mallett, S. (2019). PROBAST: Una herramienta para evaluar el riesgo de sesgo y la aplicabilidad de los estudios de modelos de predicción. National Library of Medicine, 170(1), 51-58. https://doi.org/10.7326/M18-1376

wu, x., kong, j., Sol, Z., Qiu, G., y Dai, Z. (2025). Análisis sistemático y evaluación crítica de modelos predictivos del riesgo de infección pulmonar en pacientes de UCI. Revista Internacional de Práctica Clínica, 2025(1). https://doi.org/https://doi.org/10.1155/ijcp/4826609

Yang, H., Li, J., Zhang, C., Pazos Sierra, A., y Shen, B. (2025). Modelo predictivo de alertas diarias de riesgo en pacientes con sepsis en UCI: visualización y análisis clínico de indicadores de riesgo. Oxford Academic, 8(1). https://doi.org/10.1093/pcmedi/pbaf003

Yongkui Ren, P. L. (2025). Valor pronóstico de la puntuación SAPS II para la mortalidad a los 28 días en pacientes de UCI con embolia pulmonar aguda. Revista Internacional de Cardiología, 430. https://doi.org/10.1016/j.ijcard.2025.133201

Zaka, A., Mustafiz, C., Mutahar, D., Cingalés, S., Gorcilov, J., Muston, B., . . . Bacchi, E. (2025). Aprendizaje automático versus métodos tradicionales para la predicción de la mortalidad por todas las causas después del implante de válvula aórtica transcatéter: una revisión sistemática y metanálisis. PubMed, 12(1). https://doi.org/10.1136/openhrt-2024-002779

PORTADA

Descargas

PDF

Publicado

junio 4, 2026

Colección

Investigación Científica

Categorías

Derechos de autor 2026 Angie Vanesa Rodríguez Morillo, Josselin Analia Mora Quendi , Brayan Dennis Portilla Tirira (Autor/a)

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Usted es libre de:

  1. Compartir : copiar y redistribuir el material en cualquier medio o formato.
  2. Adaptar : remezclar, transformar y desarrollar el material.
  3. El licenciante no puede revocar estas libertades siempre y cuando usted cumpla con los términos de la licencia.

Bajo los siguientes términos:

  1. Atribución : Debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de forma que sugiera que el licenciante lo respalda a usted o su uso.
  2. No comercial : No está permitido utilizar el material con fines comerciales .
  3. Compartir Igual : si remezcla, transforma o crea obras derivadas del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
  4. Sin restricciones adicionales : no podrá aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros para que no hagan nada de lo que permite la licencia.

Avisos:

No es necesario que cumpla con la licencia para los elementos del material que sean de dominio público o cuando su uso esté permitido por una excepción o limitación aplicable .

No se ofrecen garantías. La licencia podría no otorgarle todos los permisos necesarios para el uso previsto. Por ejemplo, otros derechos, como los de publicidad, privacidad o morales, podrían limitar el uso del material.

Detalles sobre esta monografía

ISBN-13 (15)

978-9907-818-17-8

Dimensiones físicas

Cómo citar

Rodríguez Morillo, A. V. ., Mora Quendi , J. A. ., & Portilla Tirira, B. D. . (Eds.). (2026). Modelos predictivos de mortalidad en UCI: De la modelización al juicio clínico: evaluación del riesgo y mejora de resultados en UCI. EDITORIAL ACACFESA . https://doi.org/10.70577/q638gb44/ACACFESA.EDITORIAL