Evolución de la demanda médica y de enfermería en atención primaria: análisis de una serie temporal entre 2010 y 2023

Verónica Tíscar-González^a,b,c,*, Oskitz Ruiz-Sarrias^d, Roberto Abad-García^b,c,e, Íñigo Alzaga-Manso^a,b, Oier López-Larrambe^d, Maialen Zabalza-Zudaire^d, Onintza Sayar-Beristáin^d

^aOSI Bilbao Basurto (Osakidetza). Bilbao. ^bInstituto de Investigación Sanitaria Biobizkaia. ^cAcademia de Ciencias de Enfermería. Bizkaia. ^dNodo de Innovación NNBi (NNBi 2020 S.L.), big data e IA aplicada a salud. Galar (Navarra). ^eDirección de Planificación y Gestión Sanitaria, Osakidetza-Servicio Vasco de Salud. Vitoria-Gasteiz.

Resumen

Objetivo. Describir la evolución de la demanda médica y de enfermería en un centro de salud de Osakidetza e identificar patrones y tendencias asistenciales.

Material y métodos. Estudio descriptivo, observacional y retrospectivo de series temporales (tendencia y estacionalidad) de pacientes vinculados a ocho cupos médicos y de enfermería en el centro de salud urbano de la Organización Sanitaria Integrada Bilbao Basurto (Osakidetza), entre 2010 y 2023. Se analizó el número mensual de consultas registradas por medicina y enfermería, desagregadas por modalidad (presencial, no presencial y domiciliaria), así como variables sociodemográficas básicas y administrativas.

Resultados. Se analizaron 10.174 pacientes vinculados de forma estable a ocho cupos médicos y de enfermería. Se identificó un patrón estacional consistente, con descensos en periodos vacacionales. A partir de 2020 se observó una reducción marcada de la actividad presencial, con incremento concomitante de la atención no presencial. En 2023, la actividad enfermera, especialmente en modalidades no presenciales y domiciliarias, aumentó respecto a años previos. Los hallazgos deben interpretarse en el contexto de un único centro y de información procedente de registros administrativos.

Conclusiones. El análisis longitudinal de la demanda asistencial ofrece información relevante para anticipar sobrecargas, optimizar agendas y planificar recursos. La incorporación de herramientas analíticas y modelos predictivos, incluidas aproximaciones de inteligencia artificial, puede contribuir a la monitorización y planificación, si bien requiere evaluación empírica y validación local.

© 2026 Sociedad Española de Médicos Generales y de Familia.
Publicado por E-Medfarma 2020, S.L.

Trends in demand for medical and nursing care in primary care: analysis of a time series between 2010 and 2023

Abstract

Objective. To describe the evolution of medical and nursing demand at an Osakidetza health center and identify care patterns and trends.

Materials and methods. A descriptive, observational, and retrospective time-series study (trend and seasonality) of patients linked to eight medical and nursing practice groups at the Bilbao Basurto Integrated Health Organization (Osakidetza) urban health center between 2010 and 2023. The monthly number of consultations recorded by physicians and nurses was analyzed, broken down by modality (in-person, remote, and home-based), as well as basic sociodemographic and administrative variables.

Results. 10,174 patients with stable links to eight medical and nursing practice groups were analyzed. A consistent seasonal pattern was identified, with decreases during holiday periods. From 2020 onwards, in-person activity declined markedly, while remote consultations increased. In 2023, nursing activity, particularly remote and home-based care, rose compared with previous years. Findings should be interpreted within the context of a single health center and administrative data sources.

Conclusions. Longitudinal monitoring of care demand provides useful information for anticipating overload, optimizing schedules, and planning resources. Analytical tools and predictive approaches, including artificial intelligence, may support monitoring and planning; however, their applicability requires empirical evaluation and local validation.

© 2026 Sociedad Española de Médicos Generales y de Familia.
Published by E-Medfarma 2020, S.L.

Introducción

Dentro del sistema sanitario, la atención primaria desempeña un papel esencial al constituir la puerta de entrada y facilitar el continuum asistencial, la eficiencia y la integración del cuidado de manera equitativa^1-6. Uno de los principales desafíos a los que se enfrentan los sistemas de salud en todo el mundo es el envejecimiento poblacional, que conlleva un aumento de la cronicidad, la comorbilidad y la fragilidad, y, en consecuencia, una mayor demanda de atención sanitaria y social^1-3. La salud comunitaria, con su enfoque centrado en el proceso salud-enfermedad-atención en el entorno más cercano del paciente, destaca como una estrategia clave para abordar estas necesidades y fomenta además la participación activa de la ciudadanía^5-7. Se estima que aproximadamente el 80 % de los pacientes complejos residen en la comunidad, lo que refuerza la necesidad de su abordaje desde el ámbito comunitario. En este contexto, el modelo de atención ha evolucionado hacia una atención integral, multidimensional y personalizada, centrada en las personas^1,4,5.

La accesibilidad y la posibilidad de atención no presencial, especialmente a través de la consulta telefónica, son aspectos altamente valorados por la población usuaria de atención primaria8. La pandemia de covid-19 provocó un aumento abrupto y generalizado del uso de consultas no presenciales y aceleró significativamente la incorporación de tecnología con fines asistenciales^9-11.

Actualmente, la atención primaria se enfrenta a múltiples desafíos: escasez de relevo generacional en determinados perfiles profesionales, sobrecarga asistencial y excesiva burocratización. Todo ello pone en evidencia la necesidad urgente de innovación organizativa y de un cambio de modelo que garantice su sostenibilidad. En este escenario, la optimización de los recursos humanos y su gestión eficiente se vuelven prioritarias. La ingeniería de datos y la inteligencia artificial ofrecen herramientas valiosas para apoyar la toma de decisiones informadas; además, el liderazgo enfermero ha demostrado su capacidad en la gestión de equipos multidisciplinares, especialmente en los centros de salud.

Objetivos

El objetivo principal es caracterizar la evolución temporal de la demanda asistencial médica y de enfermería en un centro de atención primaria de Osakidetza entre 2010 y 2023, considerando las distintas modalidades de atención (presencial, no presencial y domiciliaria).

Los objetivos secundarios son:

• Describir los patrones de estacionalidad y tendencia de la actividad asistencial por perfil profesional y modalidad de consulta.
• Comparar la evolución de la demanda antes y después del año 2020 como punto de inflexión organizativo.
• Explorar diferencias en la distribución de la actividad entre los distintos cupos asistenciales.
• Identificar implicaciones organizativas relevantes para la planificación de recursos en atención primaria.

Material y métodos

Se realizó un estudio observacional retrospectivo de serie temporal, a partir de registros administrativos de actividad asistencial en atención primaria. El periodo de estudio abarcó desde enero de 2010 hasta junio de 2023.

La unidad de análisis fue el número mensual de consultas registradas por tipo (presencial, no presencial y domiciliaria) y por perfil profesional (medicina y enfermería), agregadas por cupo.

El estudio se llevó a cabo en un centro de salud urbano de la Organización Sanitaria Integrada (OSI) Bilbao Basurto (Osakidetza) de País Vasco, España. Se incluyeron ocho cupos de medicina y enfermería y los pacientes adscritos de forma estable a dichos cupos. Para asegurar la comparabilidad entre perfiles profesionales, se seleccionaron exclusivamente pacientes con asignación simultánea a cupo médico y de enfermería dentro de la misma unidad asistencial en el momento de la extracción, lo que constituye una cohorte cerrada para el análisis agregado (n= 10.174). No se realizó muestreo probabilístico, por lo que los resultados describen la dinámica asistencial del centro analizado. Se excluyeron los registros de pacientes sin asignación simultánea a cupo médico y de enfermería dentro de la misma unidad asistencial, así como las adscripciones no estables. La actividad se analizó agregada por cupo y mes natural; por tanto, las consultas se contabilizaron en el cupo/profesional que figuraba en el registro en el momento del acto asistencial.

La información se obtuvo del sistema de historia clínica y gestión asistencial de Osabide, mediante extracción a través de Oracle Analytics Server (OAS). Se recuperaron registros de actividad asistencial correspondientes a consultas realizadas por medicina y enfermería en el periodo de estudio, incluyendo la fecha del acto, la modalidad de atención y el identificador del cupo.

Se emplearon dos grupos de variables. Como variables principales de actividad asistencial se utilizó el recuento mensual de consultas registradas por perfil profesional (medicina y enfermería) y por modalidad: presencial, no presencial (telefónica o telemática, según la codificación del sistema) y domiciliaria; la unidad de agregación fue el cupo y el mes natural. Como variables descriptivas de la población adscrita se incluyeron: sexo, edad, situación de cuidador principal y condición de residenciado. La variable “cuidador principal” corresponde a un indicador administrativo del sistema que identifica a la persona registrada como cuidadora principal del paciente (utilizado con fines de coordinación y planificación de cuidados). La variable “residenciado” identifica a pacientes con residencia registrada en un centro sociosanitario o residencia de mayores en el momento de la extracción. Las categorías de actividad se basaron en la codificación existente en el sistema de información; por tanto, reflejan la actividad registrada y no necesariamente la complejidad, duración o contenido clínico de cada intervención.

Previamente al análisis, se realizó una depuración básica del conjunto de datos: revisión de duplicados, comprobación de consistencia temporal y agregación mensual. Las variables categóricas se estandarizaron mediante tablas de equivalencia cuando existieron cambios en nomenclatura o códigos. Al tratarse de registros administrativos, no fue posible controlar de forma exhaustiva cambios en prácticas de registro, en organización interna o en protocolos que pudieran afectar a la contabilización de determinados tipos de consulta; estos aspectos se consideraron en la interpretación de resultados.

El análisis estadístico se llevó a cabo utilizando R y Python. Se realizó un análisis descriptivo de la demanda asistencial; se calcularon frecuencias y proporciones para variables categóricas y medidas de tendencia central y dispersión para edad. Para las series temporales de actividad, se exploraron tendencias y estacionalidad mediante representación gráfica y descomposición de la serie en componentes (tendencia, estacionalidad…). Se consideró el año 2020 como un punto de inflexión relevante por el impacto de la pandemia de covid-19; se interpretaron los cambios observados de forma contextual. Dado el objetivo descriptivo del estudio y la ausencia de variables clínicas detalladas para ajuste, no se plantearon inferencias causales. Los hallazgos se presentan como patrones de utilización registrados.

Consideraciones éticas

Este estudio cuenta con la aprobación del Comité de Ética de Investigación de la OSI Bilbao Basurto y código interno CEI: 46.23CEIHUB. Se ha desarrollado conforme a los principios éticos de la Declaración de Helsinki, en su versión actualizada (Fortaleza, Brasil, 2013), y a las guías de buena práctica clínica (CPMP/ICH/135/95).

Se han respetado todas las disposiciones legales vigentes en España, incluyendo la Convención de Oviedo de 1997 sobre derechos humanos y biomedicina, la Ley 41/2002 sobre autonomía del paciente, y la normativa en protección de datos personales conforme al Reglamento General de Protección de Datos (UE) 2016/679 y la Ley Orgánica 3/2018 (LOPD-GDD). Los datos analizados fueron anonimizados de forma irreversible antes de su procesamiento. No se ha realizado cesión de datos a terceros, y su tratamiento ha sido responsabilidad exclusiva de Osakidetza/Servicio Vasco de Salud.

Resultados

Se analizaron ocho cupos de enfermería y médicos de un centro de salud urbano desde el año 2010 hasta mediados del año 2023. Se seleccionaron exclusivamente pacientes que estaban asociados al mismo cupo en ambas disciplinas. Se incluyeron 10.174 pacientes.

En el análisis de la distribución por sexo en los distintos cupos, se observó una tendencia general hacia un equilibrio en la representación de mujeres y hombres. Sin embargo, se constataron dos cupos con una mayor presencia masculina: cupo 5 con un 53,23 % y cupo 7 con un 52,9 % de hombres. La edad media fue de 52,08 años.

Los porcentajes de personas con cuidador asignado variaron entre los distintos cupos: oscilaron entre el 7,84 % y el 12,74 %. El valor más alto se observó en el cupo 6 (12,74 %), seguido del cupo 3 (11,46 %) y del cupo 5 (10,28 %). Por debajo del 10 % se situaron los cupos 2 (9,43 %), 8 (9,35 %) y 4 (8,51 %). Los valores más bajos se registraron en los cupos 1 (7,84 %) y 7 (7,86 %).

En cuanto a la variable “residenciado”, los porcentajes fueron más homogéneos, oscilando entre el 0,95 % y el 1,71 %. El valor más bajo correspondió al cupo 3 (0,95 %), seguido del 7 (1,11 %) y el 2 (1,18 %). Los cupos 6 (1,36 %), 5 (1,43 %) y 4 (1,60 %) presentaron cifras intermedias. Finalmente, los porcentajes más elevados se observaron en los cupos 1 y 8, ambos con un 1,71 %. Los porcentajes de personas residenciadas muestran poca variabilidad, reflejando una distribución más homogénea en la necesidad y utilización de servicios residenciales entre las categorías analizadas.

Entre 2010 y 2019 se observó una tendencia global creciente de las consultas presenciales de enfermería (figura 1) con oscilaciones interanuales. A partir de 2020 se registró un descenso marcado en todos los cupos y, posteriormente, una recuperación parcial entre 2021 y 2023, sin alcanzar los niveles previos.

Las consultas presenciales médicas (figura 2) mostraron una tendencia relativamente estable entre 2010 y 2019, seguida de un descenso a partir de 2020 y una recuperación parcial en el periodo 2021-2023, sin alcanzar los valores previos al punto de inflexión.

A partir de 2020 se observó una reducción drástica de la presencialidad médica en todos los cupos, con una recuperación gradual y heterogénea en los años posteriores.

El análisis de estacionalidad (figura 3) mostró descensos recurrentes de consultas presenciales de enfermería en los meses de agosto, abril y diciembre a lo largo del periodo analizado.

Se observó un volumen reducido y estable de las consultas no presenciales de enfermería en los primeros años del periodo (figura 4), seguido de un incremento progresivo a partir de 2016 y un aumento notable desde 2020; se mantuvieron niveles elevados entre 2021 y 2023.

El análisis estacional de las consultas no presenciales de enfermería (figura 5) mostró descensos regulares en los meses de agosto, abril y diciembre.

Durante el periodo analizado, las consultas domiciliarias de enfermería (figura 6) mostraron un comportamiento relativamente estable, con fluctuaciones moderadas y un ligero incremento en los años más recientes.

Figura 1 – Consultas presenciales de enfermería.

Figura 2 – Consultas presenciales médicas.

Figura 3 – Estacionalidad de las consultas presenciales de enfermería (2010-2023).

Figura 4 – Consultas no presenciales de enfermería.

Figura 5 – Consultas no presenciales de enfermería según estacionalidad.

Figura 6 – Evolución de las consultas domiciliarias de enfermería (2010-2023).

Comentarios

Este estudio ofrece una descripción longitudinal de la evolución de la demanda asistencial en atención primaria a lo largo de más de una década, y pone de relieve cambios en la distribución por tipo de consulta y perfil profesional. En línea con la literatura, se observa un incremento del peso relativo de la actividad enfermera durante y tras la pandemia de covid-19¹², junto con una reducción de la presencialidad médica en los años posteriores^13,14. Estos patrones deben interpretarse como tendencias descriptivas registradas en un único centro de salud, si bien parecen el reflejo de una transformación funcional que se ha acelerado a raíz de las circunstancias extraordinarias vividas entre 2020 y 2022¹⁵.

La consolidación de la consulta no presencial como modalidad habitual, especialmente en el ámbito enfermero, refuerza la necesidad de revisar los modelos de gestión y planificación de recursos en atención primaria^16,17. Estudios recientes en Europa y Canadá han demostrado que el uso de consultas remotas puede mantenerse estable en el tiempo si se integran correctamente en la estructura organizativa y se acompaña de apoyo tecnológico y formativo^18,19. No obstante, la comparación entre perfiles profesionales no puede basarse únicamente en volumen de contactos, ya que la complejidad y el contenido clínico de las intervenciones pueden diferir de manera sustancial.

Desde una perspectiva de gestión, el análisis de series temporales resulta útil como herramienta de monitorización para identificar patrones estacionales y cambios de tendencia que apoyen la planificación operativa (adaptación de agendas y dotación en periodos de mayor demanda, por ejemplo). Sin embargo, la traslación a decisiones de planificación requiere complementar estos hallazgos con información clínica, organizativa y de resultados en salud.

Desde una perspectiva práctica, estos resultados pueden apoyar la planificación operativa de agendas, la redistribución de cargas de trabajo entre perfiles profesionales y la anticipación de periodos de mayor demanda. La identificación de patrones estacionales y de cambios sostenidos en las modalidades de atención resulta relevante para la gestión de recursos humanos y la adaptación organizativa en atención primaria, y puede servir de base para el desarrollo de sistemas de apoyo a la decisión orientados a la planificación anticipatoria.

En conjunto, los resultados subrayan la conveniencia de diseñar estrategias de planificación adaptativa que consideren no solo los niveles globales de actividad, sino también su variación temporal, la estacionalidad y la evolución funcional de las modalidades asistenciales.

Como línea de investigación futura, sería pertinente desarrollar y evaluar modelos predictivos (regresión segmentada, modelo SARIMA o Seasonal AutoRegressive Integrated Moving Average u otras aproximaciones, por ejemplo) utilizando series temporales multicéntricas, incorporando variables clínicas y organizativas, y midiendo su utilidad real para la toma de decisiones y la eficiencia del sistema^20,21.

La inteligencia artificial (IA) y las técnicas de modelización predictiva aplicadas a datos asistenciales tienen potencial para apoyar la planificación y la gestión de recursos; por ejemplo, mediante la detección temprana de cambios de demanda o la simulación de escenarios. La integración de la IA en estos procesos puede ofrecer un salto cualitativo. Diversos estudios señalan que los algoritmos de IA mejoran la eficiencia operativa, permiten anticipar la presión asistencial y apoyan la toma de decisiones estratégicas^22,23.

En el presente estudio no se evaluó el rendimiento de modelos predictivos ni su impacto organizativo; por ello, cualquier recomendación sobre su uso debe considerarse prospectiva y sujeta a validación²⁴.

La evaluación diferenciada por tipo de profesional y modalidad de consulta (presencial, no presencial y domiciliaria) permite una comprensión más precisa del comportamiento de la demanda y de su transformación a lo largo del tiempo^25-27. Este enfoque descriptivo facilita la identificación de tendencias emergentes y de patrones estacionales, y puede orientar la generación de hipótesis para estudios posteriores con mayor capacidad analítica y de ajuste.

Los hallazgos sugieren un cambio relevante en el patrón de demanda, con posibles implicaciones para la planificación de recursos humanos, la asignación de cargas de trabajo y la definición de funciones profesionales en atención primaria. No obstante, estas implicaciones deben valorarse junto con información adicional sobre complejidad asistencial, resultados en salud y contexto organizativo. La experiencia disponible apoya el desarrollo de sistemas de información inteligentes como herramienta para la sostenibilidad del modelo de atención primaria^28-30.

Este estudio presenta limitaciones inherentes a su diseño y fuente de datos. Como consideración inicial, se trata de un análisis realizado en un único centro de salud urbano, por lo que la representatividad y la validez externa son limitadas; los patrones observados pueden diferir en otros entornos (rural/urbano) o con distinta composición social y organizativa.

En una segunda instancia, al no existir asignación aleatoria ni muestreo probabilístico, no puede descartarse confusión por características de la población adscrita (carga de morbilidad, entre otras), por variaciones en la dotación de profesionales o por cambios organizativos a lo largo del periodo. En consecuencia, los resultados describen asociaciones temporales y no permiten establecer relaciones causales.

Adicionalmente, el uso de registros administrativos implica posibles sesgos de medición: cambios en la codificación o en las prácticas de registro, introducción progresiva de modalidades no presenciales y variabilidad en la clasificación de actos asistenciales. Aunque se aplicaron procesos de depuración y estandarización, no es posible garantizar la homogeneidad completa del registro durante trece años. Además, durante el periodo 2010-2023 pudieron producirse cambios en la organización interna, en circuitos asistenciales y en criterios de codificación, que afectaran a la clasificación de modalidades de consulta. Para mitigar este riesgo, se aplicó estandarización de categorías cuando existieron cambios en nomenclatura/códigos y se trabajó con agregación mensual, priorizando el análisis de tendencias y estacionalidad frente a comparaciones puntuales de valores absolutos.

En última instancia, el número de consultas no captura la complejidad, duración o intensidad de la intervención. Por ello, la comparación entre actividad médica y enfermera debe interpretarse con cautela, considerando la naturaleza cualitativa y el contenido clínico diverso de las prestaciones.

En este marco, el liderazgo enfermero puede desempeñar un papel relevante en la gobernanza basada en datos y promover la calidad del registro, la interpretación contextual de los indicadores y la implementación segura de herramientas analíticas en equipos multidisciplinares.

Conclusiones

En el centro de salud analizado entre 2010 y 2023 se observa una redistribución de la demanda asistencial por modalidades de atención, con un descenso marcado de la presencialidad a partir de 2020 y un incremento de la actividad no presencial. En los años más recientes, la actividad enfermera, especialmente en modalidades no presenciales y domiciliarias, aumentó respecto a periodos previos, lo que sugiere una adaptación del modelo de cuidados en el contexto posterior a la crisis sanitaria por covid-19.

El análisis descriptivo de series temporales constituye una herramienta útil para monitorizar la actividad, identificar estacionalidad y detectar puntos de inflexión y aporta información para la planificación de agendas y recursos. No obstante, la interpretación y extrapolación de estos resultados requiere cautela, dada la naturaleza monocéntrica del estudio y el uso de registros administrativos.

La incorporación de capacidades analíticas avanzadas y, potencialmente, de modelos predictivos basados en técnicas de inteligencia artificial puede contribuir a una gestión más anticipatoria. Sin embargo, su adopción debe basarse en evaluaciones empíricas que consideren validez, equidad, seguridad y utilidad real en el contexto organizativo.

En este proceso, la enfermería puede desempeñar un papel estratégico en la gobernanza clínica y organizativa basada en datos, promover la calidad del registro y la interpretación contextual de los indicadores, e impulsar cambios sostenibles en los modelos de atención en atención primaria.

Conflicto de intereses

Los autores declaran no tener ningún conflicto de intereses.

Bibliografía

1. Limón E, Blay C, Ledesma A. Las necesidades poblacionales, una llamada a la transformación de la atención primaria. Population needs, a call for changes in Primary Care. Aten Primaria. 2015;47(2):73-4.
2. Instituto de Mayores y Servicios Sociales (IMSERSO). Las personas mayores en España. Informe 2010. Ministerio de Sanidad, Servicios Sociales e Igualdad; 2012.
3. Instituto Nacional de Estadística (INE). Proyecciones de población 2012-2052. INE; 2012.
4. Pineda-Cuenca M, Tíscar González V, González Afonso FI, Rodríguez Ledo P, Larrañaga Garitano J. Reflexiones acerca de los retos de futuro en la gestión del sistema nacional de salud: ¿por dónde empezar? Med Gen Fam. 2022;11(5):195-6.
5. Ojeda-Feo J, Freire-Campo J, Gervás-Camacho J. La coordinación entre atención primaria y especializada: reforma del sistema sanitario o reforma del ejercicio profesional. Rev Adm Sanit. 2006;4(2):357-82.
6. Pimienta González R, Pérez Cánovas E, Morales Rodríguez Z, Hernández Afonso JS. Satisfacción de los médicos de Atención Primaria con un nuevo modelo de consulta integrado con Cardiología. Aten Primaria. 2021;53(8):102120.
7. Cotonieto-Martínez E, Rodríguez-Terán R. Salud comunitaria: revisión de enfoques e integración con atención primaria. J Neg No Pos Results (JONNPR). 2021;6(2):393-410.
8. Redondo Martín S, Bolaños Gallardo E, Almaraz Gómez A, Maderuelo Fernández JA. Percepciones y expectativas sobre la atención primaria: identificar mejoras en el sistema. Atenc Primaria. 2005;36(7):358-64.
9. Gomes-de Almeida S, Marabujo T, do Carmo-Gonçalves M. Satisfacción con la teleconsulta en la pandemia COVID-19 en atención primaria. Semergen. 2021;47(4):248-55.
10. Jiménez-Carrillo M, Martín Roncero U, Aldasoro Unamuno E, Morteruel Arizcuren M, Baza Bueno M. Percepciones sobre la transformación de la modalidad de consulta en primaria durante la pandemia. Aten Primaria. 2022;54(4):102263.
11. Ares-Blanco S, Astier Peña MP, Gómez Bravo R, Fernández García M, Bueno Ortiz JM. Gestión de recursos humanos y vacunación en atención primaria en Europa durante la pandemia COVID-19. Aten Primaria. 2021;53(10):102132.
12. González-Chordá VM. Precision nursing and personalized care. Enferm Clin (Engl Ed). 2024;34(1):1-3.
13. Coma E, Mora N, Méndez L, Benítez M, Hermosilla E, Fàbregas M, et al. Primary care in the time of COVID-19: monitoring 34 quality-of-care indicators across 288 practices in Catalonia. BMC Fam Pract. 2020;21(1):208.
14. Calle Urra JE, Jimeno Almazán A, Más Castillo A, Ramón Esparza T, Arellano Morata E, López-Picazo Ferrer JJ. Percepción de profesionales de atención primaria sobre la frecuencia de intervenciones que no deberían realizarse. J Healthcare Quality Res. 2025;40(2):65-138.
15. Rawaf S, Allen LN, Stigler FL, Kringos D, Quezada Yamamoto H, van Weel C, et al. Lessons on the COVID-19 pandemic, for and by primary care professionals worldwide. Eur J Gen Pract. 2020;26(1):129-33.
16. Oh EG, Oh S, Cho S, Moon M. Predicting readmission among high-risk discharged patients using a machine learning model with nursing data: Retrospective study. JMIR Med Inform. 2025;13:e56671.
17. Douthit BJ, Walden RL, Cato K, Coviak CP, Cruz C, D’Agostino F, et al. Data science trends relevant to nursing practice: A rapid review of the 2020 literature. Appl Clin Inform. 2022;13(1):161-79.
18. Kumpunen S, Webb E, Permanand G, Zheleznyakov E, Edwards N, van Ginneken E, et al. Transformations in the landscape of primary health care during COVID-19: Themes from the European region. Health Policy. 2022;126(5):391-7. doi: 10.1016/j.healthpol.2021.08.002.
19. Patterson PB, Roddick J, Pollack CA, Dutton DJ. Virtual care and the influence of a pandemic: Necessary policy shifts to drive digital innovation in healthcare. Healthc Manage Forum. 2022;35(5):272-8. doi: 10.1177/08404704221110084.
20. Alamo T, Reina DG, Mammarella M, Abella A. COVID-19: open-data resources for monitoring, modeling, and forecasting the epidemic. Electronics. 2020;9(5):827.
21. Ghosh S. Time series forecasting using ARIMA models. Int J Sci Res. 2019;8(7).
22. Bzdok D, Meyer-Lindenberg A. Machine learning for precision psychiatry: opportunities and challenges. Biol Psychiatry Cogn Neurosci Neuroimaging. 2018;3(3):223-30.
23. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24-9.
24. Soto-Rubio A, Picazo C, Gil Juliá B, Andreu Vaillo Y, Pérez Marín M, Sinclair S. Patient-reported assessment of compassion in Spanish: a systematic review. Front Med. 2024;11:1352694.
25. Melnyk BM, Gallagher-Ford L, Fineout-Overholt E. Evidence-based practice in nursing and healthcare: A guide to best practice. 4th ed. Philadelphia: Wolters Kluwer; 2022.
26. Kowalski MO, Anthony MK. Data-driven decision-making in nursing: Leveraging predictive analytics to improve patient outcomes. J Nurs Adm. 2020;50(6):323-9.
27. Topaz M, Pruinelli L. Big data and nursing: Implications for the future. Stud Health Technol Inform. 2017;232:165-71.
28. World Health Organization. Primary Health Care: Now more than ever. WHO; 2020.
29. Sagan A, Webb E, Azzopardi-Muscat N, de la Mata I, McKee M, Figueras J; European Observatory on Health Systems and Policies. Health systems resilience during COVID-19: Lessons for building back better [Internet]. Copenhagen (Denmark): WHO; 2021.
30. Kringos DS, Boerma WGW, Hutchinson A, Saltman RB. Building primary care in a changing Europe. Copenhagen (Denmark): European Observatory on Health Systems and Policies; 2015.