Antecedentes/Objetivos: El envejecimiento poblacional y la cronicidad han impulsado modelos como la hospitalización a domicilio (HaD). El objetivo fue desarrollar un modelo predictivo de mortalidad en pacientes HaD con datos clínicos reales y analizar su relación con la calidad de vida, la fragilidad y distintos subgrupos clínicos y asistenciales.

Métodos: Se ha realizado un estudio observacional retrospectivo en 3.195 pacientes atendidos por la UHD del Hospital La Fe. Se han analizado variables sociodemográficas y clínicas, fragilidad mediante la escala de Rockwood y calidad de vida relacionada con la salud mediante EuroQol-5D. La mortalidad se ha evaluado mediante curvas de Kaplan-Meier y regresión de Cox. Se han desarrollado modelos predictivos mediante regresión logística y técnicas de machine learning (random forest y gradient boosting). El rendimiento se ha evaluado con curvas ROC y área bajo la curva (AUC).

Resultados: La mortalidad global ha sido del 65,3%, con una reducción progresiva del 71% en 2020 al 41,8% en 2024. Se han identificado como predictores independientes albúminas, proteína C reactiva, creatinina, fragilidad y calidad de vida. El índice de Rockwood y el EuroQol-5D han mostrado una fuerte asociación con la mortalidad, con diferencias relevantes según tipo asistencial (supervivencia mediana: pacientes crónicos 40 meses; paliativos oncológicos 5,5 meses; no oncológicos 15,4 meses). Los modelos han superado a los tradicionales, alcanzando random forest una AUC de 0,82 frente a 0,72 en modelos de Cox, con buena estabilidad en validación cruzada.

Conclusiones/Recomendaciones: La incorporación sistemática de fragilidad geriátrica y calidad de vida en modelos predictivos basados en datos del mundo real ha mejorado la estimación del riesgo de mortalidad en HaD. La combinación de métodos estadísticos convencionales y machine learning consolida la calidad de vida como indicador pronóstico relevante para la toma de decisiones clínicas.