La seguridad de los pacientes es la
reducción del riesgo de daño innecesario asociado a la atención sanitaria hasta
un mínimo aceptable. A nadie se le escapa que un factor esencial para la
garantía de seguridad de los pacientes es que los profesionales les atiendan,
también, en condiciones de seguridad.
La información de los
pacientes permite acciones de detección de problemas, análisis de patologías,
asociaciones, comorbilidades, tratamientos terapéuticos…, pero también permite
acciones de prevención. Las nuevas tecnologías con Inteligencia Artificial
facilitan la identificación de los riesgos para desarrollar acciones
preventivas más eficientes.
Para incrementar la seguridad
existen propuestas tecnológicas como nuevos dispositivos sensores, recogida de
una mayor variedad de datos, softwares para generar alarmas por eventos no
deseados, y nuevos productos con Inteligencia Artificial que permiten la
detección precoz de riesgos y son un soporte para la decisión de los
profesionales.
En este artículo exponemos el
enfoque que estamos desarrollando en Amalfi
Analytics donde proponemos utilizar la Inteligencia
Artificial para mejorar aspectos de la gestión de pacientes, profesionales y
recursos que, de manera directa e indirecta, contribuyen a mejorar la
seguridad.
Existen tres problemas de
gestión no resueltos que repercuten enormemente en la seguridad como son los
tiempos de espera excesivos, el sub-staffing y
la gestión subóptima de la cronicidad.
Analizamos cada uno de estos
problemas y explicamos cómo la IA aporta soluciones.
Tiempos
de espera excesivos en los distintos pasos del proceso asistencial
Tanto en el servicio de
urgencias como en la estancia en planta, tiempos excesivos correlacionan, como
se ha evidenciado en diversas publicaciones, con más complicaciones,
infecciones hospitalarias y mortalidad. Los retrasos en las transiciones entre
puntos de asistencia (tanto de primaria al hospital, como del hospital a los
sociosanitarios) igualmente incrementan las complicaciones de todo tipo.
Finalmente, la espera excesiva para cirugía, tanto desde urgencias como en las
listas de espera agravan con frecuencia el estado del paciente.
La IA aporta algoritmos
predictivos de la actividad del servicio de urgencias (APIS) que ayudan a la
planificación y a la proactividad reduciendo los tiempos de espera.
La solución de Amalfi
anticipa la afluencia al servicio tipificada por severidad y por tipología de
paciente, la ocupación de los distintos espacios del servicio, evitando así el
colapso, y las necesidades de derivaciones a otros centros y de hospitalización
en planta, gestionados con un Marketplace de recursos (MINT). Advierte de la
presión prevista sobre el bloque quirúrgico desde urgencias y de las altas
previstas en las distintas plantas para el día siguiente. De esta manera, el
gestor del servicio puede reorganizar el trabajo, los recursos y el personal, y
coordinarse con otros gestores del hospital, compartiendo necesidades y
problemas anticipados.
Con la utilización de esta
tecnología reducimos un 25% los tiempos de espera en urgencias, un 50% los
tiempos de derivación entre centros, y un 80% la burocracia asociada a la
búsqueda de cama.
Sub-staffing
Utilizamos este anglicismo
para denotar los descubiertos en número o tipología de profesionales que
deberían estar en un sitio determinado en un momento determinado. Esta
situación incrementa el riesgo de accidentes y errores médicos, en dos
vertientes: los que comprometen la salud del paciente (por ejemplo, error de
administración de medicación), y también los que afectan a la salud del
profesional (por ejemplo, accidentes laborales). El sub-staffing también
afecta al bienestar mental de los profesionales, que sufren por tener que
atender a los pacientes en malas condiciones y por tener que asumir el trabajo
de dos o tres personas. Esto lleva a un incremento de las bajas, del absentismo
no planificado y del “burnout”.
En este caso, la IA aporta
algoritmos predictivos de absentismo (ARUM) que se alimentan de datos de
recursos humanos del centro, y predicen el número de ausencias no programadas.
Estas predicciones se distribuyen por servicio, categoría profesional y turno,
con horizontes desde 1 día hasta varias semanas, con extraordinaria precisión
(hasta el 97% a 1 semana vista, sobre el número de bajas). Esto permite
anticipar acciones de cobertura, evitar quedar al descubierto y administrar
turnos y horarios de trabajo de manera más racional a corto plazo. A medio,
largo plazo, esta tecnología permite anticipar el número de plazas temporales
mínimas necesarias a horizontes de varios meses, lo que permite mejorar las
duraciones de los contratos temporales. Todo ello redunda en la satisfacción
del profesional y sus condiciones de trabajo, además de una reducción de costes
de contratación.
Gestión
subóptima de la cronicidad
La dificultad de la gestión
del proceso crónico incluye su variabilidad y la multifactorialidad, con
factores sociales que no es fácil tener en cuenta en guías clínicas y
protocolos tradicionales. Esta dificultad se intenta paliar con algoritmos de
estratificación, que han sido con frecuencia diseñados para la planificación y
los estudios de economía de la salud. Pero son de granularidad demasiado grande
para identificar riesgos concretos de cada paciente y para ayudar al
profesional a formular planes terapéuticos ajustados a cada uno.
La tecnología IA analiza los
datos de un proceso crónico complejo y descubre patrones o grupos homogéneos
dentro del mismo (ANIS). Refina los algoritmos de estratificación en cuanto a
que identifica que cada grupo encontrado se caracteriza por comorbilidades
distintas y riesgos distintos. Ello permite crear guías terapéuticas más finas
o “semipersonalizadas”, para tratar a “pacientes como este”. Para ello
utilizamos algoritmos de “clustering”
de reciente creación que van más allá de los algoritmos estadísticos
tradicionales.
Esta nueva tecnología
anticipa la evolución temporal de cada patrón de pacientes, para anticipar
riesgos. Ello permite a un planificador territorial elaborar planes de atención
adecuados a las necesidades de su población, favoreciendo el control de su
salud y la prevención.
La conclusión es que la
seguridad de los pacientes es una de las prioridades máximas de los Servicios
de Salud que elaboran programas de promoción y seguimiento de la seguridad de
los pacientes. Los centros de salud elaboran los indicadores de riesgo y además
de las acciones directas del programa de seguridad, contar con herramientas de
IA les permitirá mejoras en el resultado de los indicadores de seguridad.
Es necesario promover el uso
de esta nueva tecnología que permite incrementar tanto la seguridad como la
satisfacción de pacientes y profesionales, reduciendo además accidentes y
reclamaciones para el centro de salud.
La IA permite, a los sistemas
sanitarios, coordinar sus diferentes niveles (hospital, urgencias, residencias,
atención primaria…) y asumir la responsabilidad real de todo el recorrido del
paciente. El sistema debe reaccionar de manera más específica a las necesidades
y el estado real de una persona a partir de la información de su historial
médico.
Finalmente, la IA facilita la
racionalización del uso de recursos, que se traduce en ahorros, que a su vez
puede utilizarse para mejorar la seguridad por otras vías o para promover la
innovación en salud.
Bibliografía
Publicaciones que indican
cómo Machine Learning ayuda con los problemas planteados:
[1] https://www.healthaffairs.org/doi/10.1377/hlthaff.2018.0738 ,
para la seguridad del paciente
[2] https://www.nejm.org/doi/full/10.1056/NEJMsa0810119 ,
debido a complicaciones quirúrgicas
[3] https://journals.sagepub.com/doi/10.1177/000313481808400943 ,
más que complicaciones quirúrgicas en Urgencias
[4] https://jamanetwork.com/journals/jama/fullarticle/188074 ,
por errores médicos
[5] https://www.nejm.org/doi/full/10.1056/NEJMsa0907115 ,
identificación y errores de medicación
[6] https://www.nejm.org/doi/10.1056/NEJMoa1801550 ,
para infecciones
[7] https://onlinelibrary.wiley.com/doi/10.1111/acem.12876 ,
para infecciones en Urgencias
[8] https://www.researchgate.net/publication/270897505_Patient_Safety_An_unsystematic_review_and_bibliography ,
Revisión de emergencia
[9]https://www.jointcommission.org/-/media/deprecated-unorganized/imported-assets/tjc/system-folders/topics-library/tjc-improvingpatientandworkersafety-monographpdf.pdf?db=web&hash=2772E4D4E100BCE47F47A47F47A47 seguridad
de los profesionales (y de los pacientes)
[10] https://academic.oup.com/occmed/article/67/1/52/2445871 por
ausentismo y burnout
[11] https://bmchealthservres.biomedcentral.com/articles/10.1186/s12913-020-05417-w ,
esperando tiempo en Emergencia
[12] https://www.hcltech.com/blogs/ai-driven-digitization-chronic-disease-management-process ,
Aprendizaje automático en la cronicidad
[13] https://www.redaccionmedica.com/secciones/enfermeria/cada-paciente-que-sobrecarga-a-enfermeria-aumenta-un-19-la-mortalidad-9152
[14] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2690282/
Puede descargar este artículo en PDF sobre la seguridad del
apciente facilitada con IA haciendo click aquí.
Fuente: Hospitecnia
No hay comentarios.:
Publicar un comentario