Hacer del análisis predictivo una parte rutinaria de la atención al paciente

laura schneider PARA HBR

Durante los últimos cinco años, los registros médicos electrónicos (EHR) se han implementado ampliamente en los Estados Unidos y los sistemas de salud ahora tienen acceso a enormes cantidades de datos. Mientras comienzan a aplicar técnicas de «macrodatos» para predecir los resultados individuales, como complicaciones postoperatorias y riesgo de diabetes, los macrodatos siguen siendo en gran medida una palabra de moda, no una realidad, en la prestación rutinaria de la atención médica. Los sistemas de salud aún están aprendiendo a aplicar estos análisis de manera amplia, aparte de los ejemplos de casos, para mejorar los resultados de los pacientes y, al mismo tiempo, reducir el gasto. De un revisión de la literatura sobre los sistemas de salud que han integrado con éxito el análisis predictivo en la práctica clínica, hemos identificado las medidas para que los algoritmos predictivos formen parte integral de la atención rutinaria de los pacientes.

Determine la decisión clínica. En la actualidad hay una plétora de datos disponibles sobre casi todos los posibles resultados clínicos. Y si tiene datos, hay un posible algoritmo predictivo. Pero si bien puede ser fácil desarrollar algoritmos clínicos, es igualmente necesario ser específico en cuanto a las decisiones clínicas específicas en las que se basará ese algoritmo.

Por ejemplo, hay muchos algoritmos que predicen el riesgo de reingreso hospitalario de un paciente (aunque la gran mayoría funcionar mal). Pero el simple hecho de saber el porcentaje de riesgo de reingreso no responde a las preguntas que los médicos y enfermeras suelen hacer antes del alta del paciente: ¿Debo dar el alta a este paciente ahora? ¿Debo asignar a este paciente a una intervención de prevención de reingresos? ¿Debería ir este paciente a un centro de rehabilitación de corta duración? ¿Necesita una visita de asistencia domiciliaria en los próximos dos días?

El Sistema de Salud y Hospitales de Parkland, en Dallas (Texas), ha desarrollado un algoritmo validado basado en la EHR para predecir el riesgo de reingreso en pacientes con insuficiencia cardíaca. Los pacientes considerados con alto riesgo de reingreso reciben intervenciones basadas en la evidencia, que incluyen educación a cargo de un equipo multidisciplinario, asistencia telefónica de seguimiento dentro de los dos días posteriores al alta para garantizar el cumplimiento de la medicación, una cita de seguimiento ambulatoria en un plazo de siete días y una cita de atención primaria no urgente. En un estudio prospectivo, la intervención basada en algoritmos redujo los reingresos un 26%. El éxito de Parkland se debe a que centra su algoritmo en una población específica y lo vincula a intervenciones clínicas discretas.

Aproveche los datos de los EHR. Los algoritmos son tan fiables como los datos en los que se basan. Si bien es posible que los algoritmos para problemas clínicos agudos (por ejemplo, ataque cardíaco o choque séptico) no requieran grandes cantidades de datos para predecir el riesgo, los algoritmos que utilizan mayores cantidades de datos clínicos tienen mayor precisión y posibles aplicaciones clínicas.

La Administración de Salud para Veteranos (VHA), el sistema de salud más grande de los Estados Unidos, ha recopilado datos electrónicos de sus pacientes durante más de tres décadas. A partir de 2006, la VHA construyó un almacén de datos corporativos como depósito de datos a nivel de pacientes en sus sitios nacionales. La enorme cantidad de datos de pacientes hospitalizados y ambulatorios ha permitido a la VHA crear algoritmos integrales que predicen de forma fiable los resultados significativos, como el riesgo de muerte y la hospitalización. Los directores de cuidados de enfermería utilizan estas puntuaciones para guiar la intensidad de los servicios ambulatorios, incluidos los cuidados paliativos y para el final de la vida, que prestan equipos multidisciplinarios. La inversión de la VHA en un repositorio integrado de datos y EHR (el 5% de su gasto total en salud) es sustancial. Sin embargo, la capacidad de predecir los resultados de forma fiable para mejorar la calidad de la atención puede explicar por qué la VHA rentabilidad neta de la inversión en EHR supera los 3 mil millones de dólares.

Céntrese en los puntos de decisión poco valiosos. La incertidumbre sobre una decisión clínica a menudo lleva a los médicos a sobretratar o subtratar a los pacientes. El análisis predictivo puede permitir a los médicos dirigir las intervenciones de alto coste a los pacientes de alto riesgo que realmente las necesitan.

Considere el uso de antibióticos para tratar a los recién nacidos. Si bien menos del 0,05% de todos los recién nacidos tienen una infección confirmada mediante hemocultivo, el 11% de ellos reciben antibióticos. Kaiser Permanente del Norte de California ha utilizado el análisis predictivo para reducir este uso excesivo. Sus investigadores han desarrollado un algoritmo para predecir con precisión el riesgo de una infección neonatal grave basándose en los datos clínicos de la madre y en el estado del bebé inmediatamente después del nacimiento. Con este algoritmo, los obstetras y ginecólogos pueden determinar mejor qué bebés necesitan antibióticos, lo que evita que hasta 250 000 recién nacidos estadounidenses reciban antibióticos innecesarios cada año. Esto podría reducir los costes de los medicamentos y los efectos secundarios entre los recién nacidos vulnerables.

Integre (no fuerce) los análisis en el flujo de trabajo existente. Los médicos ven cientos de números (signos vitales, valores de laboratorio, etc.) cada día. Por lo tanto, existe el peligro de que el resultado de un algoritmo sea otro número que los médicos ignoren si no se adapta bien al flujo de trabajo diario.

CONSCIENTE, una herramienta de apoyo a la toma de decisiones, es un ejemplo de cómo un resultado predictivo puede ser lo suficientemente iterativo como para ser útil para un médico en ejercicio. El riesgo de deterioro de un paciente grave varía constantemente en el hospital. Por lo tanto, los porcentajes de riesgo estáticos serían de poca utilidad para los médicos, que necesitan información en tiempo real para tomar decisiones en tiempo real. El resultado del algoritmo de apoyo a la toma de decisiones de AWARE extrae datos de gran valor del EHR y utiliza los análisis para reflejar el estado clínico actual del paciente en todos los sistemas de órganos. En ensayos prospectivos, los proveedores de unidades de cuidados intensivos utilizan los resultados de AWARE fueron más eficientes a la hora de recopilar información clínica y cometió menos errores cognitivos: un ejemplo perfecto de cómo la analítica justo a tiempo puede mejorar el flujo de trabajo actual de un proveedor.

Los algoritmos predictivos son cada vez más complejos y sofisticados. Sin embargo, esta sofisticación no sirve de mucho si los sistemas de salud no pueden aplicar estos algoritmos para mejorar la relación calidad-precio de la atención clínica diaria. En la próxima era de una atención basada en valores, los sistemas de salud deben pensar críticamente en las situaciones clínicas en las que la analítica mejorada puede ser útil, ayudar a los proveedores a utilizarla de forma rutinaria en la atención de los pacientes y desarrollar estrategias para evaluar el impacto clínico de los algoritmos. De este modo, las organizaciones pueden reducir los gastos y mejorar los resultados dirigiendo las intervenciones a los pacientes que más las necesitan.