LA GESTIÓN ASISTENCIAL COMO MEJOR VÍA DE ENTRADA DE LA INTELIGENCIA ARTIFICIAL EN LOS HOSPITALES

LA GESTIÓ ASSISTENCIAL COM A MILLOR VIA D’ENTRADA DE LA INTEL·LIGÈNCIA ARTIFICIAL Als HOSPITALS

Una reflexió: IA en salut, només per a decisions clíniques?

La gestió assistencial com a millor via d’entrada de la Intel·ligència Artificial als hospitals. Fa anys que assistim al progrés de l’aplicació de la Intel·ligència Artificial a la medicina de precisió, però el primer pas ha de ser la gestió de precisió.

En un recent article de la prestigiosa Harvard Business Review, les autores fan una encertadíssima reflexió sobre la digitalització dels hospitals. Del mateix resum, la seva posició queda molt clara:

“[Als hospitals] l’ús de tecnologies digitals per a la decisió clínica ha rebut la major atenció. Però també tenen el potencial d’ajudar a prendre millors decisions en moltes àrees d’operacions.”

I conclouen dient:

“Donat l’envelliment de la població, la prevalença de malalties cròniques i els avanços en la medicina, s’ha tornat més important que mai que els hospitals operin de manera eficient i eficaç. En el futur, la clau per a millorar la presa de decisions operatives radicarà en la seva capacitat per a sumar-se a la transformació digital”.

Les autores proposen tasques concretes dins dels hospitals que poden ser abordades amb tecnologies digitals: Neteja Copia el text

  • Estimació del nombre d’arribades, d’altes i de derivacions des d’un servei, per a millorar fluxos de pacients i reduir temps d’estada i esperes.
  • Predicció d’absentisme en infermeria, per a poder anticipar cobertures i millorar condicions de treball i contractació.
  • Generació d’equips que combinin òptimament papers, capacitats i experiències per a una determinada tasca.
  • Optimització d’horaris per a la crítica àrea quirúrgica, que passa per anticipar la durada de cada intervenció.
  • Millores de la cadena de subministraments mèdics i quirúrgics, amb tecnologies com RFID, però també amb millores de coordinació d’enviaments i de predicció de demanda i inventaris.

Fixem-nos que la Intel·ligència Artificial (d’ara endavant, IA), i en particular l’aprenentatge automàtic (Machine Learning o ML) és la tecnologia digital central en totes aquestes aplicacions.

En aquesta nota volem anar més enllà que l’article citat. Sí, l’ús de la IA és possible i necessari també en problemes de gestió hospitalària. Però afirmem a més que aquesta és la manera més fàcil i ràpida d’introduir la IA als hospitals. Molt més que fer-ho per la via del diagnòstic o la recomanació terapèutica pacient a pacient, que solen ser les aplicacions estrella de la IA en salut.

La IA més accessible als hospitals: l’aplicada als problemes de gestió

La principal aportació d’aquesta columna és donar amb detall de les raons que ens porten a aquesta afirmació tan contundent.

Facilitat d’implantació. Per a desenvolupar aquestes aplicacions només són necessàries dades de rutina, com les dades d’activitat assistencial que s’extreuen per a facturació en el CMBD, o les dades de recursos humans que ja es bolquen de manera estructurada en el Datawarehouse de l’hospital. El servei d’informàtica només ha de programar una extracció periòdica d’una consulta que, probablement, ja tenen formulada per al seu dia a dia.

Per contra, les aplicacions orientades al diagnòstic o recomanació terapèutica de pacients necessiten tenir totes les dades d’aquests, que estan distribuïts entre diverses sitges no interoperables. Això fa qualsevol projecte car, llarg i de resultats a llarg termini.

Reciclar dades de rutina és molt més fàcil que integrar dades disperses, ja no diguem que aconseguir noves dades.

Escalabilitat. En utilitzar dades ja existents i gairebé estandarditzats, les aplicacions poden implantar-se en hospitals grans, mitjans, i petits, i tenir un impacte en tot el sistema de salut. L’únic requisit és l’existència d’un històric d’uns pocs anys, és a dir que la informatització i registre no siguin massa recents. Entrenar els models de Machine Learning per a aquestes tasques requereixen un volum bastant moderat de dades.

Per contra, les aplicacions dirigides a pacient solen estar només a l’abast dels grans hospitals intensius en recerca i recursos. Parlem de problemes de “Big Data”, ja que entrenar models de Deep Learning amb imatges, llenguatge natural o ómicas requereix grans quantitats de dades. I requereix, a més, el temps d’especialistes clínics que, excepte en els centres més grans, no tenen disponibilitat per a projectes d’aquest tipus.

Resultats immediats, millor adopció. En abordar problemes operacionals del procés assistencial, els usuaris perceben una millora immediata en el seu dia a dia, la qual cosa afavoreix l’adopció.

Per contra, quan es tracta de diagnosticar o tractar a persones concretes, un error del sistema pot tenir conseqüències letals. El clínic necessita confiar molt en el sistema, i per a això entendre els motius de les prediccions que aquest fa. La explicabilidad i interpretabilidad en ML és una àrea encara poc consolidada, i models com el Deep Learning destaquen per ser molt opacs.

Menys obstacles legals. En tractar-se de prediccions d’activitat o sobre col·lectius, la identitat de les persones involucrades (pacients o professionals) és irrellevant. Les dades poden ser desidentificados o fins i tot agregats. Tan sols és necessari, clar, verificar l’ajust a la legalitat vigent (RGPD) i la licitud del tractament mitjançant les corresponents avaluacions de risc i/o impacte.

Per contra, les aplicacions de suport a la decisió clínica solen tenir consideració de dispositiu mèdic i, per tant, necessiten ser certificats com a tals. Això és un procés llarg i complex. En molts casos serà necessari el consentiment informat dels pacients les dades dels quals es vagin a usar, la qual cosa sol ser costós o inviable.

Retorn global per a la institució. Els resultats de millora de la gestió són beneficiosos per a la majoria dels pacients i per a la majoria dels professionals. En ser fàcil la implantació i l’adopció, el ROI és alt i pròxim en el temps. La millora de processos sol alliberar recursos que poden ser utilitzats per a la millora contínua i per a altres projectes d’innovació i millora contínua.

Per contra, les aplicacions de diagnòstic i tractament personalitzat s’enfoquen a nínxols de pacients o, en el millor dels casos, a una sola especialitat. Estem molt lluny de poder dissenyar aplicacions que diagnostiquin bé i recomanin bé amb tots els pacients. En ser projectes d’implantació de mesos o anys, hi ha un risc elevat que es cancel·lin abans d’acabar, per canvis de prioritats o per falta de finançament.

Conclusions

El famós objectiu de “posar al pacient en el centre” pot aconseguir-se de diverses maneres. Amb la medicina de precisió, sí, però també tenint processos ben establerts i donant als professionals els recursos que necessiten per a fer bé el seu treball. I aquests són aspectes de gestió.

El “Machine Learning” predictiu per als problemes de gestió ajuda a anticipar necessitats i a crear un bon entorn de treball als professionals. Quan la gent té els recursos i està còmoda treballant, és més productiva, s’implica amb el seu treball i fins i tot es fa més creativa i oberta a la innovació.

El repte, com en tota tecnologia, és assegurar que es desenvolupa i implanta comptant amb l’usuari i com una imposició.

Tornant a l’article de l’Harvard Business Review, notem que les autores apunten aquestes possibilitats com a idees, o esmentant projectes preliminars gairebé de recerca, aplicats en un sol hospital. A Amalfi Analytics hem convertit algunes d’aquestes idees en realitat. Hem desenvolupat eines fàcils d’usar per a diversos problemes de gestió, inclosa la predicció d’activitat i necessitats en urgències i la gestió d’absentisme en recursos humans. Ho hem explicat en números anteriors d’aquest mateix butlletí de Hospitecnia [referències 2-7].

Referències

[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.

Deixeu un comentari

L'adreça electrònica no es publicarà.