El poder de la predicción: cómo la IA puede ayudar a los hospitales a pronosticar y gestionar el flujo de pacientes

Para los líderes hospitalarios encargados de gestionar los aumentos inesperados de la demanda de los pacientes, la capacidad de anticipar y adaptarse a las circunstancias que cambian rápidamente se ha vuelto más esencial que nunca. ¿Qué pasaría si pudiéramos predecir los posibles cuellos de botella en el flujo de pacientes en tiempo real y prevenirlos antes de que ocurran?

Si bien la pandemia ha puesto la capacidad de cuidados críticos como nunca antes, los hospitales de todo el mundo se han enfrentado durante mucho tiempo a desafíos con escasez de camas y personal para satisfacer la demanda de cuidado crítico. Los servicios de urgencias en muchos países luchan contra el hacinamiento incluso en circunstancias regulares. Las unidades de cuidados intensivos (UCI) pueden estar operando a su capacidad o cerca de su capacidad. Con demasiada frecuencia, el resultado son esperas y retrasos, que causan frustración, ansiedad y resultados potencialmente dañinos en los pacientes, al tiempo que aumentan la presión para el personal [1].

Puede ser tentador pensar que la solución está en agregar más camas o más personal. Pero por lo general, el problema no es simplemente de recursos. También se trata de gestionar mejor las camas que se tienen. El verdadero desafío suele ser el flujo de pacientes: anticipar y saber cuándo hacer la transición de un paciente de un entorno de cuidado al siguiente.

Es un desafío de orquestación altamente complejo y dinámico, con muchas partes móviles. ¿Qué paciente que espera en la sala de servicios de urgencias debe recibir la próxima cama de UCI? ¿Qué paciente en la UCI se puede mover con seguridad a una unidad de transición para liberar una cama? ¿Y quién está listo para ser dado de alta para el monitoreo en el hogar?

La gestión del flujo de pacientes requiere una visión integral en diferentes partes del hospital o de la red del hospital. Sin embargo, eso es a menudo precisamente lo que falta hoy. Con los datos clínicos y operativos dispersos en sistemas dispares, los equipos de cuidados carecen de un conocimiento de la situación más amplio más allá de su unidad o departamento. Esta falta de información fácilmente disponible y procesable puede obstaculizar la priorización de los pacientes, ralentizar las transiciones de los pacientes y provocar cuellos de botella imprevistos en el flujo de pacientes.

La crisis del COVID-19 ha puesto de manifiesto y exacerbado muchos de estos desafíos. Pero también ha dado lugar a formas inteligentes de abordarlos. Los proveedores de cuidado médico han adoptado modelos de colaboración de cuidado centralizado, compartiendo datos en tiempo real para visualizar la capacidad sin aprovechar y facilitar las transferencias de pacientes. No solo confían en esos datos para obtener una descripción general de lo que sucede en cada momento. También lo están utilizando para pronosticar y prepararse para la demanda futura. Por ejemplo, los hospitales han utilizado con éxito modelos predictivos para estimar el número de camas, equipos y personal necesarios para los pacientes con COVID-19 en la UCI y otras salas del hospital [2,3].

A medida que empezamos a pensar más allá de la pandemia, existe una oportunidad única de integrar estas prácticas basadas en datos en la gestión diaria del flujo de pacientes, desde la admisión al hospital hasta el alta hospitalaria y, en última instancia, la monitorización en el hogar. Mediante el poder de la inteligencia artificial y el modelado predictivo, podemos extraer patrones e información relevante sobre el flujo de pacientes y las necesidades de cuidado del paciente a partir de grandes cantidades de datos hospitalarios históricos y en tiempo real. Después de la validación inicial, los algoritmos resultantes se pueden actualizar de forma regular para tener en cuenta las tendencias y circunstancias recientes, optimizando así aún más el valor predictivo. Esto permite que los líderes del hospital y los coordinadores de flujo de pacientes orquesten los cuidados de manera más eficaz en todos los entornos y se adapten rápidamente a las circunstancias cambiantes.

Así es como puede lucir para la experiencia de un paciente.

Una vez que Rosa haya recibido cuidados intensivos en la UCI para ayudar a estabilizar su condición, Jennifer ya puede comenzar a planificar con anticipación para facilitar la experiencia de cuidado de Rosa. Los algoritmos inteligentes ayudan a Jennifer a estimar cuándo estará Rosa lista para ser transferida a un entorno de cuidado de menor agudeza en el hospital para el monitoreo por telemetría. Según una lista de revisión de transición que se actualiza dinámicamente, Jennifer puede ayudar a los médicos a priorizar la evaluación clínica de los pacientes que pueden estar listos para la transferencia. Al mismo tiempo, tiene una visión general actualizada de la supervisión por telemetría disponible. También puede ver cuántos pacientes en el servicio de urgencias están esperando una cama para pacientes hospitalizados. Esto ayuda a Jennifer en la identificación de los posibles cuellos de botella en forma temprana y gestionar el flujo de pacientes en consecuencia.

Una vez ingresada en una unidad de transición donde se la coloca en monitoreo por telemetría, Rosa permanece bajo la atenta mirada del personal clínico, con algoritmos predictivos que nuevamente le ayudan a Jennifer a orquestar los próximos pasos de manera proactiva. A partir de un análisis de las desviaciones fisiológicas y las tendencias de alarma durante las últimas 12 horas, Jennifer puede evaluar cuándo la condición de Rosa es lo suficientemente estable como para que se considere su traslado a la unidad médico-quirúrgica.

Ahora llegamos al final de la experiencia de cuidado hospitalario de Rosa. Mientras la monitorean en la unidad médico-quirúrgica, su última parada en el camino hacia el alta hospitalaria, el puntaje de preparación para el alta y el riesgo de readmisión de Rosa indican que se encuentra fisiológicamente estable y bien encaminada hacia la recuperación. Una vez que el médico responsable ha revisado su estado, Rosa recibe el mensaje tranquilizador que estaba esperando. Ella está lista para irse a casa.

La adaptación continua es clave aquí. A diferencia de otras industrias, como la fabricación, donde los procesos siguen una secuencia fija y predeterminada, el cuidado médico es un esfuerzo humano en el que ocurren eventos inesperados. Por ejemplo, una paciente como Rosa puede no responder a su plan de tratamiento como se anticipó y se debe readmitir en la UCI para cuidados intensos adicionales. Los algoritmos predictivos pueden ayudar a detectar los primeros signos de deterioro, pero el juicio clínico en el momento sigue siendo esencial para evaluar la condición de un paciente y decidir qué hacer a continuación.

Es por eso que los centros de comando central en el cuidado de la salud no se tratan de una gestión de arriba hacia abajo. Más bien, deben apoyar la colaboración entre médicos y administradores del cuidado en todo el hospital o la red hospitalaria. El futuro de la atención se centrará en conocimientos predictivos que informen la toma de decisiones en red, con los médicos y el personal a cargo de las decisiones clínicas, respaldados por un centro que supervisa el panorama operativo más amplio para administrar de manera proactiva el flujo de pacientes.

Referencias
[1] Rutherford PA, Anderson A, Kotagal UR, Luther K, Provost LP, Ryckman FC, Taylor J. Achieving Hospital-wide Patient Flow (Second Edition). IHI White Paper. Boston, Massachusetts: Institute for Healthcare Improvement; 2020. http://www.ihi.org/resources/Pages/IHIWhitePapers/Achieving-Hospital-wide-Patient-Flow.aspx
[2] Mayo Clinic COVID-19 Predictive Analytics Task Force, Pollock BD, Carter RE, et al. Deployment of an Interdisciplinary Predictive Analytics Task Force to Inform Hospital Operational Decision-Making During the COVID-19 Pandemic. Mayo Clin Proc. 2021;96(3):690-698. https://www.mayoclinicproceedings.org/article/S0025-6196(20)31482-8/fulltext
[3] Weissman GE, Crane-Droesch A, Chivers C, et al. Locally Informed Simulation to Predict Hospital Capacity Needs During the COVID-19 Pandemic. Annals of Internal Medicine. Volume 173, Issue 1: 21-28. https://www.ncbi.nlm.nih.gov/pubmed/32259197
[4] Foley M, Kifaieh N, Mallon W. Financial Impact of Emergency Department Crowding. Western Journal of Emergency Medicine, Volume XII, no. 2: May 2011, 192-197. https://pubmed.ncbi.nlm.nih.gov/30193738/
[5] Reducing hospital readmissions with integrated COPD care. Philips case study. [Results are specific to the institution where they were obtained and may not reflect the results achievable at other institutions.] https://www.philips.com/a-w/about/news/archive/case-studies/20191001-reducing-hospital-readmissions-with-integrated-copd-care.html