MORE EFFICIENT AND SAFER HOSPITAL EMERGENCIES WITH ARTIFICIAL INTELLIGENCE

URGENCIAS HOSPITALARIAS MÁS EFICIENTES Y SEGURAS CON INTELIGENCIA ARTIFICIAL

Las Urgencias son tristemente famosas entre la ciudadanía por dos hechos: su eterna lucha para conseguir recursos necesarios para funcionar apropiadamente, y por las colas interminables. Lo segundo es el resultado más obvio, pero no el único, de esta falta de recursos. Amalfi Analytics entiende este problema, y por ello trabaja para que los profesionales puedan gestionar los servicios de urgencia de forma eficiente, y anticiparse a problemas que pueden suceder en el futuro.

Esto no es tarea fácil ya que el servicio de Urgencias es el sistema complejo por excelencia. Estos están formados por diferentes componentes (pacientes y profesionales) con comportamientos que individualmente  son en cierta medida simples o anticipables, pero que generan, casi por sorpresa, fenómenos globales de una gran complejidad. Por ejemplo, los pacientes casi siempre hacen un recorrido similar y bastante sencillo: entran, pasan a triage, esperan, tienen visita, puede que se les haga alguna prueba y se hospitalizan o vuelven para casa. Pero, si hacemos un esfuerzo de imaginación para hacer un ‘zoom out’ y miramos desde arriba el conjunto, veremos colas que aparecen y desaparecen, pacientes que siguen flujos anómalos, tendencias particulares en hospitales que no se encuentran en otros, etcétera. Además, una pequeña desviación, como la ausencia de unos pocos de los profesionales, puede significar grandes cambios globales, como aglomeraciones en alguna de las salas de espera, caídas bruscas de la calidad de atención y subidas bruscas de las tasas de errores y accidentes. Por no hablar de situaciones extraordinarias y disruptoras como la pandemia que vivimos en la actualidad, que estresan al máximo los recursos y los profesionales.

Otra dificultad añadida es la interrelación que tiene el servicio con el exterior. Ya sea (a) otros ámbitos sanitarios, como la oferta de camas del hospital o su corona de centros socio sanitarios, (b) el contexto social, político y económico, como el presupuesto que recibe el centro desde los diferentes órganos públicos y/o privados y (c) el contexto físico del hospital como el tiempo meteorológico, festividades, concentraciones ciudadanas u otros eventos cerca del hospital.

Hacemos una propuesta, basada en el uso de los datos existentes y de técnicas de Inteligencia Artificial y “Machine Learning”, que ayuda a los profesionales que gestionan el servicio de urgencias a visualizar mejor la complejidad de sus pacientes, y a prepararse para situaciones de congestión o falta puntual de recursos.

El enfoque de Amalfi a la hora de diseñar una herramienta de gestión predictiva es simple. Trabajar con los datos disponibles pero sobre todo con los profesionales. El primer paso siempre es identificar cuáles son los problemas que el equipo de urgencias se encuentra día a día. Estos se formulan conjuntamente y se imagina una solución basada en la hibridación de conocimiento experto de los clínicos con las posibilidades tecnológicas.

En segundo lugar hay un análisis exhaustivo de los datos pasados disponibles, tanto desde el punto de vista informático como de su significado real. Después de descubrir los problemas cualitativamente, se exploran cuantitativamente. Se analiza y se describe para el hospital en concreto con el que se trabaja como está la situación. Por ejemplo, para abordar problemas de congestión y tiempos de espera excesivos, algunos primeros pasos podrían ser: (1) Identificar los caminos más habituales entre los pacientes, según procesos a atender, ya que cada hospital tiene su propia realidad. Por ejemplo, el tipo de pacientes que llegan  a un servicio de urgencias al lado de pistas de esquí probablemente sea diferente que los que se encuentran en un hospital urbano a menos de cinco minutos de la playa de una gran ciudad. (2) Descubrir, con la ayuda de técnicas de minado de datos, cuáles son los puntos claves de los flujos, es decir, en qué puntos y con qué tipos de pacientes se forman las esperas y a partir de aquí pueden (3) Evaluar el impacto que podría tener un cambio de protocolo o de circuitos de atención, para qué tipos de paciente específicos. Procedimientos similares se pueden diseñar para cada uno de los problemas identificados

Posteriormente, se usan los datos, el conocimiento de profesionales y los descubrimientos realizados para crear modelos predictivos que apoyen  la toma de decisiones del equipo de urgencias. Para estos modelos predictivos deberían usarse técnicas de aprendizaje automático (“Machine Learning”) avanzadas, ya que sabemos que técnicas estadísticas tradicionales  suelen dar resultados demasiado imprecisos: suelen ser lineales y estamos abordando fenómenos altamente no lineales. Los modelos deben además ser  capaces de “explicar” al profesional las razones de sus predicciones. No pueden funcionar como caja negra, que solo genera desconfianza y hace que las herramientas predictivas sean rápidamente abandonadas.  Esto es necesario por al menos dos motivos 1) Que los profesionales puedan tomar las mejores decisiones en el mundo real, y no solo en el matemático, puesto que suya es la responsabilidad última y porque tienen información adicional, experiencia y condicionantes reales que el algoritmo no tiene en cuenta. No se trata de que las decisiones las tome el algoritmo, sino de que el profesional, con la información del algoritmo y su capacidad de interpretarla y ponerla en contexto tome las mejores decisiones 2) Los modelos deben ser comprensibles para que, a posteriori, los profesionales puedan analizar qué variables han influido en decisiones correctas e incorrectas en el pasado. Esta información puede ayudar al equipo del hospital a diseñar e implementar nuevos protocolos de cara al futuro.

Amalfi Analytics somos una startup que aplica técnicas punteras de Inteligencia Artificial a la gestión sanitaria. En particular, para el caso de urgencias, hemos diseñado una plataforma que automatiza los pasos anteriores y es capaz, entre otras funcionalidades de

1) Predecir afluencia a urgencias, estratificada por niveles de triage y tipología de proceso, desde las siguientes pocas horas hasta una semana o más.

2) visualizar y predecir a corto plazo la ocupación en las distintas zonas del servicio de urgencias

3) Predecir las necesidades de camas para hospitalización en las siguientes horas a días.

4) realizar análisis retrospectivos de flujos de pacientes dentro del servicio y calcular una batería de indicadores de proceso y eficiencia.

Esta plataforma también puede indicar los recursos humanos que serán necesarios para atender un pico de trabajo futuro, así como hacer predicciones de absentismo esperado entre profesionales, con el fin de poder cubrir las ausencias a tiempo. anterior El resultado es un servicio de urgencias más eficiente, con menos imprevistos, más seguro para el paciente y un entorno de trabajo menos estresante para el profesional

Consulte nuestra web http://www.amalfianalytics.com para más detalles de nuestra solución APIS para servicios de urgencias.

Deja un comentario

Tu dirección de correo electrónico no será publicada.