jun 12, 2020 - Tiempo de lectura: 8-10 minutos
Gran parte de la medicina se trata de anticipar y reducir el riesgo basado en datos actuales e históricos del paciente. ¿Qué tan probable es que este paciente con cáncer sufra complicaciones si le realizamos una cirugía? ¿Cuál es la posibilidad de que esta paciente con neumonía sea readmitida en la Unidad de Cuidados Intensivos (UCI) en un plazo de 48 horas si se le da el alta médica? Los médicos siempre han tenido que tomar decisiones sin certeza absoluta, pero con el avance de la analítica predictiva en la atención de la salud, estas decisiones prometen estar mejor fundamentadas que nunca. El análisis predictivo tiene como objetivo alertar a los médicos y cuidadores de la probabilidad de que se produzcan eventos y resultados antes de que pasen, lo que les ayuda a prevenir y curar problemas de salud. Impulsados por el auge de la Inteligencia Artificial (IA) y el Internet de las Cosas (Internet of Things, IoT), ahora tenemos algoritmos que se pueden alimentar con datos históricos y en tiempo real para hacer predicciones significativas. Estos algoritmos predictivos se pueden utilizar tanto para apoyar la toma de decisiones clínicas para pacientes individuales, como para fundamentar intervenciones a nivel de cohorte o de la población. O incluso pueden aplicarse a los desafíos operativos y administrativos de los hospitales.
El análisis predictivo tiene como objetivo alertar a los médicos y cuidadores de la probabilidad de que se produzcan eventos y resultados antes de que lo hagan, lo que los ayuda a prevenir tanto como a curar problemas de salud.
Los gerentes del área de la salud reconocen los beneficios. El 60 por ciento de ellos dice que su organización ha adoptado análisis predictivos, según una encuesta de 2019 de la Sociedad de Actuarios. De ellos, el 42 por ciento ha visto una mejora en la satisfacción de los pacientes gracias al uso de análisis predictivos, y el 39 por ciento ha ahorrado costos. ¿Cómo están convirtiendo estos datos en información prospectiva que apoye una mejor atención al paciente? Estos son tres ejemplos de análisis predictivos usados en la atención médica hoy en día.
Los conocimientos generados por predicción pueden ser particularmente valiosos en la UCI, en la que la vida de un paciente puede depender de una intervención oportuna cuando su condición está a punto de deteriorarse. En muchos países, incluido Estados Unidos, las UCI ya estaban sobrecargadas antes de la pandemia por COVID-19 como resultado del envejecimiento de la población, el aumento del uso de procedimientos quirúrgicos complejos y la escasez de especialistas en cuidados intensivos. Desde el brote del coronavirus, el número de pacientes que requieren atención aguda en la UCI ha aumentado, y alimentado aún más la necesidad de tecnología para ayudar a los cuidadores en la toma rápida de decisiones rápidas. A medida que los signos vitales de los pacientes son monitoreados y analizados continuamente, los algoritmos predictivos pueden ayudar a identificar a los pacientes que es más probable que requieran una intervención en los próximos 60 minutos. Esto permite a los cuidadores intervenir proactivamente en una etapa temprana, sobre la base de signos sutiles de deterioro en el estado del paciente. Del mismo modo, el análisis predictivo puede estimar la probabilidad de que los pacientes tengan un riesgo de muerte o de readmisión en el plazo de las 48 horas en caso de ser dados de alta de la UCI. Esto ayuda al cuidador a decidir qué pacientes pueden ser dados de alta. Estos algoritmos predictivos ahora también se implementan en entornos de tele-UCI, en la que los pacientes son monitoreados remotamente por intensivistas y personal de enfermería de cuidados intensivos que están en contacto constante con los equipos clínicos de cabecera. Además, el análisis predictivo puede ayudar a detectar signos de alerta temprana de eventos adversos en los servicios de internación generales de un hospital, en los que el deterioro de los pacientes a menudo pasa desapercibido durante períodos prolongados de tiempo. Los índices automatizados de alerta temprana permiten a los cuidadores activar una respuesta adecuada y temprana de los equipos de respuesta rápida en el punto de atención. Con este enfoque, un hospital informó una reducción de los eventos adversos en un 35 % y una reducción del paro cardíaco de más del 86 %. Con la adopción adicional de biosensores portátiles, podría ser aún más fácil para los proveedores de atención detectar los primeros signos de deterioro del paciente a medida que los pacientes se mueven a través de diferentes entornos de agudeza en el hospital. Estos biosensores se adhieren discretamente al pecho del paciente para recoger, almacenar, medir y transmitir la frecuencia respiratoria y cardíaca cada minuto, los dos principales predictores del deterioro, así como parámetros contextuales como la postura, el nivel de actividad y de ambulación. Debido a que los biosensores portátiles permiten el monitoreo remoto sin que los proveedores de atención tengan que realizar controles físicos puntuales, están demostrando ser particularmente útiles en la vigilancia clínica de los pacientes con COVID-19.
Gracias a su capacidad para ayudar a los proveedores de atención médica a mantenerse un paso adelante, el análisis predictivo está demostrando su valor no solo en entornos hospitalarios (virtuales), sino también en casa, y evitar que los pacientes retrocedan a la necesidad de recibir cuidados agudos. En la actualidad, tras un período de hospitalización, muchos pacientes son dados de alta sin un monitoreo de salud a largo plazo, lo que los deja en riesgo de sufrir eventos adversos y readmisiones hospitalarias que potencialmente podrían haberse evitado de seguir las medidas preventivas adecuadas. Las caídas en casa son particularmente frecuentes entre los adultos mayores y las personas frágiles. Esta es una de las principales causas de lesiones mortales y no mortales. Esa situación presenta otra oportunidad para que el análisis predictivo transforme un enfoque reactivo en un enfoque proactivo en cuanto a la atención médica. El análisis predictivo puede combinar datos de múltiples fuentes, incluidos los registros médicos electrónicos de los hospitales, los colgantes detectores de caídas y el uso histórico de los servicios de alerta médica, para identificar a los adultos mayores en riesgo de necesitar un transporte de emergencia en los próximos 30 días. Esto le permite comunicarse a los proveedores de atención médica con un adulto mayor incluso antes de que ocurra una caída u otra complicación médica, y evitar readmisiones innecesarias en los hospitales y reducir los costos de transporte, cuidados agudos y rehabilitación. De forma similar, una red de hogares médicos en los Estados Unidos informó el uso del aprendizaje automático para identificar a las personas con un mayor riesgo de desarrollar complicaciones graves por COVID-19. En lugar de llamar a los 122.000 miembros para comprobar que estaban bien, la red de hogares adoptó un enfoque más específico basado en datos para centrar su alcance inicial en el 4,4 por ciento de los pacientes en riesgo. Al educar a este grupo sobre cuándo y dónde buscar atención médica, los proveedores intentaron ayudar proactivamente a los pacientes en riesgo mientras gestionaban la tensión puesta en las organizaciones que prestan atención médica.
Si bien los ejemplos hasta ahora se centraron en casos de uso clínico de los análisis predictivos, sus posibilidades para la atención médica no acaban ahí. En otras industrias como la aviación, el análisis predictivo se ha utilizado durante mucho tiempo para identificar las necesidades de mantenimiento antes de que se generen. Analizando los datos de varias partes de la aeronave, los componentes mecánicos se reemplazan mucho antes del tiempo estimado para que se dañen. Por ejemplo, el análisis de los datos transmitidos desde los sensores en un motor de reacción durante el vuelo puede dar un aviso anticipado de posibles fallas de 15 a 30 días antes. El mismo tipo de pronóstico puede beneficiar las operaciones de atención de la salud. Ciertos componentes de equipos médicos, como los escáneres de RMN, se desgastan por uso regular con el pasar del tiempo. Si se puede predecir cuándo se necesita reemplazar un componente, se puede programar el mantenimiento en un momento en que el equipo no se esté usando (por ejemplo, de noche), y minimizar las interrupciones no programadas al flujo de trabajo que afectan tanto a los proveedores de atención médica como a los pacientes. Eso es exactamente lo que el análisis predictivo ayuda a lograr. Los sensores de un escáner de RMN pueden transmitir datos técnicos para la supervisión y análisis remoto proactivos, e indicar problemas técnicos inminentes con una alerta temprana para el reemplazo de partes o la reparación oportunos. En el futuro, todos los equipos y dispositivos médicos de un hospital pueden tener un duplicado completamente digital: una representación virtual que se puede monitorear desde cualquier ubicación y que se actualiza continuamente con datos en tiempo real para predecir las necesidades futuras de utilización y mantenimiento.
Dado su potencial para hacer más proactiva la prestación de la atención médica y el mantenimiento de equipos, se espera una mayor adopción de los análisis predictivos en la atención médica. Otras áreas de aplicación incluyen predecir y prevenir la inasistencia a las citas médicas para una programación de pacientes más eficiente, y en la modelación y administración de los flujos de pacientes en todo el hospital para una asignación óptima del personal y de los recursos. No obstante la información que puedan tener los algoritmos predictivos, en última instancia, su impacto se basa en su uso adecuado por expertos en la materia, médicos, enfermeras, ingenieros, administradores de hospitales, que saben sopesar probabilidades en el contexto único de un paciente o en el entorno de la atención médica. Es por eso que el desarrollo y la implementación de estos algoritmos requieren tanto de la opinión de los expertos como de las últimas capacidades analíticas. Los datos pueden ayudar a fundamentar las decisiones, pero siguen siendo las personas quienes las toman.