Una reflexión: ¿IA
en salud, solo para decisiones clínicas?
Hace años que
asistimos al progreso de la aplicación de la Inteligencia Artificial a la
medicina de precisión, pero el primer paso debe ser la gestión de precisión.
En un reciente
artículo de la prestigiosa Harvard Business Review, las autoras hacen una
acertadísima reflexión sobre la digitalización de los hospitales. Del mismo
resumen, su posición queda muy clara:
“[En los
hospitales] el uso de tecnologías digitales para la decisión clínica ha
recibido la mayor atención. Pero también tienen el potencial de ayudar a tomar
mejores decisiones en muchas áreas de operaciones.”
Y concluyen
diciendo:
“Dado el
envejecimiento de la población, la prevalencia de enfermedades crónicas y los
avances en la medicina, se ha vuelto más importante que nunca que los
hospitales operen de manera eficiente y eficaz. En el futuro, la clave para
mejorar la toma de decisiones operativas radicará en su capacidad para sumarse
a la transformación digital”.
Las autoras
proponen tareas concretas dentro de los hospitales que pueden ser abordadas con
tecnologías digitales:
- Estimación del número de llegadas, de altas y de derivaciones desde un servicio, para mejorar flujos de pacientes y reducir tiempos de estancia y esperas.
- Predicción de absentismo en enfermería, para poder anticipar coberturas y mejorar condiciones de trabajo y contratación.
- Generación de equipos que combinen óptimamente papeles, capacidades y experiencias para una determinada tarea.
- Optimización de horarios para la crítica área quirúrgica, que pasa por anticipar la duración de cada intervención.
- Mejoras de la cadena de suministros médicos y quirúrgicos, con tecnologías como RFID, pero también con mejoras de coordinación de envíos y de predicción de demanda e inventarios.
Fijémonos que la Inteligencia
Artificial (en adelante, IA), y en particular el aprendizaje
automático (Machine Learning o ML) es la tecnología digital central en todas
estas aplicaciones.
En esta nota
queremos ir más allá que el artículo citado. Sí, el uso de la IA es posible
y necesario también en problemas de gestión hospitalaria. Pero afirmamos
además que esta es la manera más fácil y rápida de introducir la IA en los
hospitales. Mucho más que hacerlo por la vía del diagnóstico o la recomendación
terapéutica paciente a paciente, que suelen ser las aplicaciones estrella de la
IA en salud.
La IA más
accesible a los hospitales: la aplicada a los problemas de gestión
La principal
aportación de esta columna es dar con detalle de las razones que nos llevan a
esta afirmación tan contundente.
Facilidad de
implantación. Para desarrollar
estas aplicaciones solo son necesarios datos de rutina, como los datos de
actividad asistencial que se extraen para facturación en el CMBD, o los datos
de recursos humanos que ya se vuelcan de manera estructurada en el
Datawarehouse del hospital. El servicio de informática solo tiene que programar
una extracción periódica de una consulta que, probablemente, ya tienen
formulada para su día a día.
Por el contrario,
las aplicaciones orientadas al diagnóstico o recomendación terapéutica de
pacientes necesitan tener todos los datos de estos, que están distribuidos
entre diversos silos no interoperables. Esto hace cualquier proyecto caro,
largo y de resultados a largo plazo.
Reciclar datos de
rutina es mucho más fácil que integrar datos dispersos, ya no digamos que
conseguir nuevos datos.
Escalabilidad. Al utilizar datos ya existentes y casi
estandarizados, las aplicaciones pueden implantarse en hospitales grandes,
medianos, y pequeños, y tener un impacto en todo el sistema de salud. El único
requisito es la existencia de un histórico de unos pocos años, es decir que la
informatización y registro no sean demasiado recientes. Entrenar los modelos de
Machine Learning para estas tareas requieren un volumen bastante moderado de
datos.
Por el contrario,
las aplicaciones dirigidas a paciente suelen estar solo al alcance de los
grandes hospitales intensivos en investigación y recursos. Hablamos de
problemas de “Big Data”, ya que entrenar modelos de Deep Learning con imágenes,
lenguaje natural u ómicas
requiere grandes cantidades de datos. Y requiere, además, el tiempo de
especialistas clínicos que, salvo en los centros más grandes, no tienen
disponibilidad para proyectos de este tipo.
Resultados
inmediatos, mejor adopción. Al abordar problemas operacionales del proceso asistencial,
los usuarios perciben una mejora inmediata en su día a día, lo que favorece la
adopción.
Por el contrario,
cuando se trata de diagnosticar o tratar a personas concretas, un error del
sistema puede tener consecuencias letales. El clínico necesita confiar mucho en
el sistema, y para ello entender los motivos de las predicciones que este hace.
La explicabilidad e interpretabilidad en ML es un área todavía poco
consolidada, y modelos como el Deep Learning destacan por ser muy opacos.
Menos obstáculos
legales. Al tratarse de
predicciones de actividad o sobre colectivos, la identidad de las personas
involucradas (pacientes o profesionales) es irrelevante. Los datos pueden ser
desidentificados o incluso agregados. Tan solo es necesario, claro, verificar
el ajuste a la legalidad vigente (RGPD) y la licitud del tratamiento mediante
las correspondientes evaluaciones de riesgo y/o impacto.
Por el contrario,
las aplicaciones de soporte a la decisión clínica suelen tener consideración de
dispositivo médico y, por lo tanto, necesitan ser certificados como tales. Esto
es un proceso largo y complejo. En muchos casos será necesario el
consentimiento informado de los pacientes cuyos datos se vayan a usar, lo que
suele ser costoso o inviable.
Retorno global
para la institución. Los resultados de mejora de la gestión son beneficiosos
para la mayoría de los pacientes y para la mayoría de los profesionales. Al ser
fácil la implantación y la adopción, el ROI es alto y cercano en el tiempo. La
mejora de procesos suele liberar recursos que pueden ser utilizados para la
mejora continua y para otros proyectos de innovación y mejora continua.
Por el contrario,
las aplicaciones de diagnóstico y tratamiento personalizado se enfocan a nichos
de pacientes o, en el mejor de los casos, a una sola especialidad. Estamos muy
lejos de poder diseñar aplicaciones que diagnostiquen bien y recomienden bien
con todos los pacientes. Al ser proyectos de implantación de meses o años, hay
un riesgo elevado de que se cancelen antes de acabar, por cambios de
prioridades o por falta de financiación.
Conclusión
El famoso objetivo
de “poner al paciente en el centro” puede conseguirse de varias maneras. Con
la medicina de precisión, sí, pero también teniendo procesos bien establecidos
y dando a los profesionales los recursos que necesitan para hacer bien su
trabajo. Y estos son aspectos de gestión.
El “Machine
Learning” predictivo para los problemas de gestión ayuda a anticipar
necesidades y a crear un buen entorno de trabajo a los profesionales. Cuando
la gente tiene los recursos y está cómoda trabajando, es más productiva, se
implica con su trabajo e incluso se hace más creativa y abierta a la
innovación.
El reto, como en
toda tecnología, es asegurar que se desarrolla e implanta contando con el
usuario y como una imposición.
Volviendo al
artículo de la Harvard Business Review, notemos que las autoras apuntan estas
posibilidades como ideas, o mencionando proyectos preliminares casi de
investigación, aplicados en un solo hospital. En Amalfi Analytics hemos
convertido algunas de estas ideas en realidad. Hemos desarrollado herramientas
fáciles de usar para varios problemas de gestión, incluida la predicción de
actividad y necesidades en urgencias y la gestión de absentismo en recursos
humanos. Lo hemos explicado en números anteriores de este mismo boletín de
Hospitecnia [referencias 2-7].
Referencias
[1] How Digital Transformation Can Improve
Hospitals’ Operational Decisions, by Song-Hee Kim (Seoul National University)
and Hummy Song (Wharton School, University of Pennsylvania), Harvard Business
Review, Enero 2021, https://hbr.org/2022/01/how-digital-transformation-can-improve-hospitals-operational-decisions
[2] Urgencias hospitalarias más eficientes y
seguras con inteligencia artificial. Laura Aviñó, Amalfi Analytics. Boletín
Hospitecnia, Julio 2020.
[3] Aplicación de machine learning en la gestión de
las personas con enfermedades crónicas. Francesc Güell y Martí Zamora. Boletín
Hospitecnia, Septiembre 2020.
[4] Los profesionales, la clave del confort
hospitalario. Jose Munuera, Amalfi Analytics. Boletín Hospitecnia, Octubre
2020.
[5] La sostenibilidad de la medicina a través del
Machine Learning Marta Cornudella, Amalfi Analytics. Boletín Hospitecnia, Julio
2021.
[6] Hacia una gestión predictiva de urgencias:
Desarrollo de una plataforma con Machine Learning en tiempo de COVID-19.
Julianna Ribera y Ricard Gavaldà, Amalfi Analytics. Boletín Hospitecnia,
Octubre 2021.
[7] Seguridad del paciente facilitada con IA.
Ricard Gavaldà y Julianna Ribera, Amalfi Analytics. Boletín Hospitecnia, Enero
2022.
Puede descargar este artículo sobre la
gestión asistencial como mejor vía de entrada de la Inteligencia Artificial a
los hospitales en PDF haciendo click aquí.
Fuente: Hospitecnia
