La neurona es una célula especializada, que posee la capacidad de excitarse al recibir un estímulo que sobrepase un cierto umbral, y producir un potencial de acción que se propaga por la membrana. Después de un tiempo dado, dicha estructura, tiene la capacidad de repolarizarse y volver a su estado normal, para luego transmitir un nuevo impulso. Este potencial puede ser traspasado de neurona a neurona por medio de un mecanismo llamado sinapsis. Esta intercomunicación entre neuronas, la llamaremos red neuronal.

El hecho de predecir la duración de la estadía en la UCI a su ingreso, mediante redes neuronales artificiales (RNAs) nos va a permitir poder:

• planificar adecuadamente la atención, indicando la ocupación de recursos y obteniendo una relación directa con los costos de atención hospitalaria, con lo que se podrá planificar de una manera adecuada la atención en la UCI.
• Optimizar uso de recursos tecnológicos, humanos (profesionales de la salud) y hospitalarios.

El índice de gravedad APACHE II clasifica a partir de un sistema de puntuación, en donde considera 12 variables fisiológicas y cada una de ellas cuenta con una escala de pesos de 0 a 4, la cual se asocia a cada una de las 12 variables, dependiente del rango en que se encuentren cada una de estas variables.

Variables que tienen alta incidencia sobre los días de estadía de un paciente en la UCI.
Existen 36 variables, las cuales se clasifican en los siguientes criterios: Epidemiológico, Condición de Gravedad, Fisiológico y Diagnósticos de ingreso. Cada uno de estos factores estuvo compuesto a su vez por variables individuales.

Neuronas simuladas en software, obtienen información a partir de datos, su fundamento es el funcionamiento de las redes en el hipocampo, en donde la información se guarda en la sinapsis.
          

Entonces el aprendizaje se logra con el método de “back propagation¨: propagación del error producido en unidades de salida, de forma uniforme volviendo a las capas inferiores hasta llegar a las capas de entrada. El objetivo del back propagation es calcular el error de una conexión sináptica individual por la suma proporcional producido en capas superiores, por lo tanto se saca un promedio ponderado. Este método permite propagar el error en forma recursiva hacia las capas inferiores.