Les Urgències són tristament famoses entre la ciutadania per dos fets: la seva eterna lluita per a aconseguir recursos necessaris per a funcionar apropiadament, i per les cues interminables. El segon és el resultat més obvi, però no l’únic, d’aquesta falta de recursos. Amalfi Analytics entén aquest problema, i per això treballa perquè els professionals puguin gestionar els serveis d’urgència de manera eficient, i anticipar-se a problemes que poden succeir en el futur.
Això no és tasca fàcil ja que el servei d’Urgències és el sistema complex per excel·lència. Aquests estan formats per diferents components (pacients i professionals) amb comportaments que individualment són en certa manera simples o anticipables, però que generen, gairebé per sorpresa, fenòmens globals d’una gran complexitat. Per exemple, els pacients gairebé sempre fan un recorregut similar i bastant senzill: entren, passen a triage, esperen, tenen visita, pot ser que se’ls faci alguna prova i s’hospitalitzen o tornen per a casa. Però, si fem un esforç d’imaginació per a fer un ‘zoom out’ i mirem des de dalt el conjunt, veurem cues que apareixen i desapareixen, pacients que segueixen fluxos anòmals, tendències particulars en hospitals que no es troben en uns altres, etcètera. A més, una petita desviació, com l’absència d’uns pocs dels professionals, pot significar grans canvis globals, com a aglomeracions en alguna de les sales d’espera, caigudes brusques de la qualitat d’atenció i pujades brusques de les taxes d’errors i accidents. Per no parlar de situacions extraordinàries i disruptores com la pandèmia que vivim en l’actualitat, que estressen al màxim els recursos i els professionals.
Una altra dificultat afegida és la interrelació que té el servei amb l’exterior. Ja sigui (a) altres àmbits sanitaris, com l’oferta de llits de l’hospital o la seva corona de centres soci sanitaris, (b) el context social, polític i econòmic, com el pressupost que rep el centre des dels diferents òrgans públics i/o privats i (c) el context físic de l’hospital com el temps meteorològic, festivitats, concentracions ciutadanes o altres esdeveniments prop de l’hospital.
Fem una proposta, basada en l’ús de les dades existents i de tècniques d’Intel·ligència Artificial i “Machine Learning”, que ajuda als professionals que gestionen el servei d’urgències a visualitzar millor la complexitat dels seus pacients, i a preparar-se per a situacions de congestió o falta puntual de recursos.
L’enfocament d’Amalfi a l’hora de dissenyar una eina de gestió predictiva és simple. Treballar amb les dades disponibles però sobretot amb els professionals. El primer pas sempre és identificar quins són els problemes que l’equip d’urgències es troba dia a dia. Aquests es formulen conjuntament i s’imagina una solució basada en la hibridació de coneixement expert dels clínics amb les possibilitats tecnològiques.
En segon lloc hi ha una anàlisi exhaustiva de les dades passades disponibles, tant des del punt de vista informàtic com del seu significat real. Després de descobrir els problemes qualitativament, s’exploren quantitativament. S’analitza i es descriu per a l’hospital en concret amb el qual es treballa com està la situació. Per exemple, per a abordar problemes de congestió i temps d’espera excessius, alguns primers passos podrien ser: (1) Identificar els camins més habituals entre els pacients, segons processos a atendre, ja que cada hospital té la seva pròpia realitat. Per exemple, el tipus de pacients que arriben a un servei d’urgències al costat de pistes d’esquí probablement és diferent que els que es troben en un hospital urbà a menys de cinc minuts de la platja d’una gran ciutat. (2) Descobrir, amb l’ajuda de tècniques de minat de dades, quins són els punts claus dels fluxos, és a dir, en quins punts i amb quins tipus de pacients es formen les esperes i a partir d’aquí poden (3) Avaluar l’impacte que podria tenir un canvi de protocol o de circuits d’atenció, per a quins tipus de pacient específics. Procediments similars es poden dissenyar per a cadascun dels problemes identificats
Posteriorment, s’usen les dades, el coneixement de professionals i els descobriments realitzats per a crear models predictius que donin suport a la presa de decisions de l’equip d’urgències. Per a aquests models predictius haurien d’usar-se tècniques d’aprenentatge automàtic (“Machine Learning”) avançades, ja que sabem que tècniques estadístiques tradicionals solen donar resultats massa imprecisos: solen ser lineals i estem abordant fenòmens altament no lineals. Els models deuen a més ser capaços de “explicar” al professional les raons de les seves prediccions. No poden funcionar com a caixa negra, que només genera desconfiança i fa que les eines predictives siguin ràpidament abandonades. Això és necessari per almenys dos motius 1) Que els professionals puguin prendre les millors decisions en el món real, i no sols en el matemàtic, ja que seva és la responsabilitat última i perquè tenen informació addicional, experiència i condicionants reals que l’algorisme no té en compte. No es tracta que les decisions les prengui l’algorisme, sinó que el professional, amb la informació de l’algorisme i la seva capacitat d’interpretar-la i posar-la en context prengui les millors decisions 2) Els models han de ser comprensibles perquè, a posteriori, els professionals puguin analitzar quines variables han influït en decisions correctes i incorrectes en el passat. Aquesta informació pot ajudar l’equip de l’hospital a dissenyar i implementar nous protocols de cara al futur.
Amalfi Analytics som una startup que aplica tècniques capdavanteres d’Intel·ligència Artificial a la gestió sanitària. En particular, per al cas d’urgències, hem dissenyat una plataforma que automatitza els passos anteriors i és capaç, entre altres funcionalitats de
1) Predir afluència a urgències, estratificada per nivells de triage i tipologia de procés, des de les següents poques hores fins a una setmana o més.
2) visualitzar i predir a curt termini l’ocupació en les diferents zones del servei d’urgències
3) Predir les necessitats de llits per a hospitalització en les següents hores a dies.
4) realitzar anàlisis retrospectives de fluxos de pacients dins del servei i calcular una bateria d’indicadors de procés i eficiència.
Aquesta plataforma també pot indicar els recursos humans que seran necessaris per a atendre un pic de treball futur, així com fer prediccions d’absentisme esperat entre professionals, amb la finalitat de poder cobrir les absències a temps. anterior El resultat és un servei d’urgències més eficient, amb menys imprevistos, més segur per al pacient i un entorn de treball menys estressant per al professional
Consulti la nostra web per a més detalls de la nostra solució APIS per a serveis d’urgències.