La seguretat dels pacients és la reducció del risc de mal innecessari associat a l’atenció sanitària fins a un mínim acceptable. A ningú se li escapa que un factor essencial per a la garantia de seguretat dels pacients és que els professionals els atenguin, també, en condicions de seguretat.
La informació dels pacients permet accions de detecció de problemes, anàlisis de patologies, associacions, comorbilidades, tractaments terapèutics…, però també permet accions de prevenció. Les noves tecnologies amb Intel·ligència Artificial faciliten la identificació dels riscos per a desenvolupar accions preventives més eficients.
Per a incrementar la seguretat existeixen propostes tecnològiques com a nous dispositius sensors, recollida d’una major varietat de dades, softwares per a generar alarmes per esdeveniments no desitjats, i nous productes amb Intel·ligència Artificial que permeten la detecció precoç de riscos i són un suport per a la decisió dels professionals.
En aquest article exposem l’enfocament que estem desenvolupant a Amalfi Analytics on proposem utilitzar la Intel·ligència Artificial per a millorar aspectes de la gestió de pacients, professionals i recursos que, de manera directa i indirecta, contribueixen a millorar la seguretat.
Existeixen tres problemes de gestió no resolts que repercuteixen enormement en la seguretat com són els temps d’espera excessius, el sub-*staffing i la gestió subòptima de la cronicitat.
Analitzem cadascun d’aquests problemes i expliquem com la IA aporta solucions. Neteja Copia el text
Temps d’espera excessius en els diferents passos del procés assistencial
Tant en el servei d’urgències com en l’estada en planta, temps excessius correlacionen, com s’ha evidenciat en diverses publicacions, amb més complicacions, infeccions hospitalàries i mortalitat. Els retards en les transicions entre punts d’assistència (tant de primària a l’hospital, com de l’hospital als sociosanitaris) igualment incrementen les complicacions de tota mena. Finalment, l’espera excessiva per a cirurgia, tant des d’urgències com en les llistes d’espera agreugen amb freqüència l’estat del pacient.
La IA aporta algorismes predictius de l’activitat del servei d’urgències (APIS) que ajuden a la planificació i a la proactivitat reduint els temps d’espera.
La solució d’Amalfi anticipa l’afluència al servei tipificada per severitat i per tipologia de pacient, l’ocupació dels diferents espais del servei, evitant així el col·lapse, i les necessitats de derivacions a altres centres i d’hospitalització en planta, gestionats amb un Marketplace de recursos (MINT). Adverteix de la pressió prevista sobre el bloc quirúrgic des d’urgències i de les altes previstes en les diferents plantes per a l’endemà. D’aquesta manera, el gestor del servei pot reorganitzar el treball, els recursos i el personal, i coordinar-se amb altres gestors de l’hospital, compartint necessitats i problemes anticipats.
Amb la utilització d’aquesta tecnologia reduïm un 25% els temps d’espera en urgències, un 50% els temps de derivació entre centres, i un 80% la burocràcia associada a la cerca de llit.
Sub-Staffing.
Utilitzem aquest anglicisme per a denotar els descoberts en número o tipologia de professionals que haurien d’estar en un lloc determinat en un moment determinat. Aquesta situació incrementa el risc d’accidents i errors mèdics, en dos vessants: els que comprometen la salut del pacient (per exemple, error d’administració de medicació), i també els que afecten la salut del professional (per exemple, accidents laborals). El sub-*staffing també afecta al benestar mental dels professionals, que sofreixen per haver d’atendre els pacients en males condicions i per haver d’assumir el treball de dues o tres persones. Això porta a un increment de les baixes, de l’absentisme no planificat i del “burnout”.
En aquest cas, la IA aporta algorismes predictius d’absentisme (ARUM) que s’alimenten de dades de recursos humans del centre, i prediuen el nombre d’absències no programades. Aquestes prediccions es distribueixen per servei, categoria professional i torn, amb horitzons des d’1 dia fins a diverses setmanes, amb extraordinària precisió (fins al 97% a 1 setmana vista, sobre el nombre de baixes). Això permet anticipar accions de cobertura, evitar quedar al descobert i administrar torns i horaris de treball de manera més racional a curt termini. A mitjà, llarg termini, aquesta tecnologia permet anticipar el nombre de places temporals mínimes necessàries a horitzons de diversos mesos, la qual cosa permet millorar les durades dels contractes temporals. Tot això redunda en la satisfacció del professional i les seves condicions de treball, a més d’una reducció de costos de contractació.
Gestió subòptima de la cronicitat.
La dificultat de la gestió del procés crònic inclou la seva variabilitat i la multifactorialidad, amb factors socials que no és fàcil tenir en compte en guies clíniques i protocols tradicionals. Aquesta dificultat s’intenta pal·liar amb algorismes d’estratificació, que han estat amb freqüència dissenyats per a la planificació i els estudis d’economia de la salut. Però són de granularitat massa gran per a identificar riscos concrets de cada pacient i per a ajudar el professional a formular plans terapèutics ajustats a cadascun.
La tecnologia IA analitza les dades d’un procés crònic complex i descobreix patrons o grups homogenis dins del mateix (ANIS). Refina els algorismes d’estratificació quant a que identifica que cada grup trobat es caracteritza per comorbilidades diferents i riscos diferents. Això permet crear guies terapèutiques més fines o “semipersonalizadas”, per a tractar a “pacients com aquest”. Per a això utilitzem algorismes de “clustering” de recent creació que van més enllà dels algorismes estadístics tradicionals.
Aquesta nova tecnologia anticipa l’evolució temporal de cada patró de pacients, per a anticipar riscos. Això permet a un planificador territorial elaborar plans d’atenció adequats a les necessitats de la seva població, afavorint el control de la seva salut i la prevenció.
La conclusió és que la seguretat dels pacients és una de les prioritats màximes dels Serveis de Salut que elaboren programes de promoció i seguiment de la seguretat dels pacients. Els centres de salut elaboren els indicadors de risc i a més de les accions directes del programa de seguretat, comptar amb eines de IA els permetrà millores en el resultat dels indicadors de seguretat.
És necessari promoure l’ús d’aquesta nova tecnologia que permet incrementar tant la seguretat com la satisfacció de pacients i professionals, reduint a més accidents i reclamacions per al centre de salut.
La IA permet, als sistemes sanitaris, coordinar els seus diferents nivells (hospital, urgències, residències, atenció primària…) i assumir la responsabilitat real de tot el recorregut del pacient. El sistema ha de reaccionar de manera més específica a les necessitats i l’estat real d’una persona a partir de la informació del seu historial mèdic.
Finalment, la IA facilita la racionalització de l’ús de recursos, que es tradueix en estalvis, que al seu torn pot utilitzar-se per a millorar la seguretat per altres vies o per a promoure la innovació en salut.
Bibliografía
Publicaciones que indican cómo Machine Learning ayuda con los problemas planteados
[1] https://www.healthaffairs.org/doi/10.1377/hlthaff.2018.0738 , para la seguridad del paciente
[2] https://www.nejm.org/doi/full/10.1056/NEJMsa0810119 , debido a complicaciones quirúrgicas
[3] https://journals.sagepub.com/doi/10.1177/000313481808400943 , más que complicaciones quirúrgicas en Urgencias
[4] https://jamanetwork.com/journals/jama/fullarticle/188074 , por errores médicos
[5] https://www.nejm.org/doi/full/10.1056/NEJMsa0907115 , identificación y errores de medicación
[6] https://www.nejm.org/doi/10.1056/NEJMoa1801550 , para infecciones
[7] https://onlinelibrary.wiley.com/doi/10.1111/acem.12876 , para infecciones en Urgencias
[8] https://www.researchgate.net/publication/270897505_Patient_Safety_An_unsystematic_review_and_bibliography , Revisión de emergencia
[9] https://www.jointcommission.org/-/media/deprecated-unorganized/imported-assets/tjc/system-folders/topics-library/tjc-improvingpatientandworkersafety-monographpdf.pdf?db=web&hash=2772E4D4E100BCE47F47A47F47A47 seguridad de los profesionales (y de los pacientes)
[10] https://academic.oup.com/occmed/article/67/1/52/2445871 por ausentismo y burnout
[11] https://bmchealthservres.biomedcentral.com/articles/10.1186/s12913-020-05417-w , esperando tiempo en Emergencia
[12] https://www.hcltech.com/blogs/ai-driven-digitization-chronic-disease-management-process , Aprendizaje automático en la cronicidad
