Las Urgencias son tristemente famosas entre la ciudadanía por dos hechos: su eterna lucha para conseguir recursos necesarios para funcionar apropiadamente, y por las colas interminables. Lo segundo es el resultado más obvio, pero no el único, de esta falta de recursos. Amalfi Analytics entiende este problema, y por ello trabaja para que los profesionales puedan gestionar los servicios de urgencia de forma eficiente, y anticiparse a problemas que pueden suceder en el futuro
Esto no es tarea fácil ya que
el servicio de Urgencias es el sistema complejo por excelencia. Estos
están formados por diferentes componentes (pacientes y profesionales) con
comportamientos que individualmente son en cierta medida simples o
anticipables, pero que generan, casi por sorpresa, fenómenos globales de una
gran complejidad. Por ejemplo, los pacientes casi siempre hacen un recorrido
similar y bastante sencillo: entran, pasan a triage, esperan, tienen visita,
puede que se les haga alguna prueba y se hospitalizan o vuelven para casa.
Pero, si hacemos un esfuerzo de imaginación para hacer un ‘zoom out’ y miramos
desde arriba el conjunto, veremos colas que aparecen y desaparecen, pacientes
que siguen flujos anómalos, tendencias particulares en hospitales que no se
encuentran en otros, etcétera. Además, una pequeña desviación, como la ausencia
de unos pocos de los profesionales, puede significar grandes cambios globales,
como aglomeraciones en alguna de las salas de espera, caídas bruscas de la
calidad de atención y subidas bruscas de las tasas de errores y accidentes. Por
no hablar de situaciones extraordinarias y disruptivas como la pandemia que
vivimos en la actualidad, que estresan al máximo los recursos y los
profesionales.
Otra dificultad añadida es
la interrelación que tiene el servicio con el exterior. Ya sea:
(a) otros ámbitos sanitarios,
como la oferta de camas del hospital o su corona de centros socio sanitarios
(b) el contexto social, político
y económico, como el presupuesto que recibe el centro desde los diferentes
órganos públicos y/o privados
(c) el contexto físico del
hospital como el tiempo meteorológico, festividades, concentraciones ciudadanas
u otros eventos cerca del hospita
Hacemos una propuesta, basada en
el uso de los datos existentes y de técnicas de Inteligencia Artificial y
“Machine Learning”, que ayuda a los profesionales que gestionan el servicio de
urgencias a visualizar mejor la complejidad de sus pacientes, y a prepararse
para situaciones de congestión o falta puntual de recursos.
El enfoque de Amalfi a
la hora de diseñar una herramienta de gestión predictiva es
simple. Trabajar con los datos disponibles, pero sobre todo con los
profesionales. El primer paso siempre es identificar cuáles son los
problemas que el equipo de urgencias se encuentra día a día. Estos se formulan
conjuntamente y se imagina una solución basada en la hibridación de
conocimiento experto de los clínicos con las posibilidades tecnológicas.
En segundo lugar, hay
un análisis exhaustivo de los datos pasados disponibles, tanto desde el
punto de vista informático como de su significado real. Después de descubrir
los problemas cualitativamente, se exploran cuantitativamente. Se analiza y se
describe para el hospital en concreto con el que se trabaja como está la
situación. Por ejemplo, para abordar problemas de congestión y tiempos de
espera excesivos, algunos primeros pasos podrían ser:
Identificar los caminos más
habituales entre los pacientes, según procesos a atender, ya que cada hospital
tiene su propia realidad. Por ejemplo, el tipo de pacientes que llegan a un
servicio de urgencias al lado de pistas de esquí probablemente sea diferente
que los que se encuentran en un hospital urbano a menos de cinco minutos de la
playa de una gran ciudad.
Descubrir, con la ayuda de
técnicas de minado de datos, cuáles son los puntos claves de los flujos, es
decir, en qué puntos y con qué tipos de pacientes se forman las esperas y a
partir de aquí pueden
Evaluar el impacto que podría
tener un cambio de protocolo o de circuitos de atención, para qué tipos de
paciente específicos. Procedimientos similares se pueden diseñar para cada uno
de los problemas identificados
Posteriormente, se usan los
datos, el conocimiento de profesionales y los descubrimientos realizados para
crear modelos predictivos que apoyen la toma de decisiones del equipo de
urgencias. Para estos modelos predictivos deberían usarse técnicas
de aprendizaje automático (“Machine Learning”) avanzadas, ya que
sabemos que técnicas estadísticas tradicionales suelen dar resultados demasiado
imprecisos: suelen ser lineales y estamos abordando fenómenos altamente no
lineales. Los modelos deben además ser capaces de “explicar” al profesional las
razones de sus predicciones. No pueden funcionar como caja negra, que solo
genera desconfianza y hace que las herramientas predictivas sean rápidamente
abandonadas. Esto es necesario por al menos dos motivos:
Que los profesionales puedan
tomar las mejores decisiones en el mundo real, y no solo en el matemático,
puesto que suya es la responsabilidad última y porque tienen información
adicional, experiencia y condicionantes reales que el algoritmo no tiene en
cuenta. No se trata de que las decisiones las tome el algoritmo, sino de que el
profesional, con la información del algoritmo y su capacidad de interpretarla y
ponerla en contexto tome las mejores decisiones.
Los modelos deben ser comprensibles
para que, a posteriori, los profesionales puedan analizar qué variables han
influido en decisiones correctas e incorrectas en el pasado. Esta información
puede ayudar al equipo del hospital a diseñar e implementar nuevos protocolos
de cara al futuro.
Amalfi Analytics somos una startup que
aplica técnicas punteras de Inteligencia Artificial a la gestión
sanitaria. En particular, para el caso de urgencias, hemos diseñado una
plataforma que automatiza los pasos anteriores y es capaz, entre otras
funcionalidades de
1) Predecir afluencia a
urgencias, estratificada por niveles de triage y tipología de proceso, desde
las siguientes pocas horas hasta una semana o más.
2) visualizar y predecir a corto
plazo la ocupación en las distintas zonas del servicio de urgencias
3) Predecir las necesidades de
camas para hospitalización en las siguientes horas a días.
4) realizar análisis
retrospectivos de flujos de pacientes dentro del servicio y calcular una batería
de indicadores de proceso y eficiencia.
Esta plataforma también puede
indicar los recursos humanos que serán necesarios para atender un pico de
trabajo futuro, así como hacer predicciones de absentismo esperado entre
profesionales, con el fin de poder cubrir las ausencias a tiempo. anterior El
resultado es un servicio de urgencias más eficiente, con menos imprevistos, más
seguro para el paciente y un entorno de trabajo menos estresante para el
profesional.
Laura Aviñó, Amalfi Analytics
Leído en Hospitecnia
