enero 27, 2017

Benchmarking de los servicios de urgencias

El CatSalut ha ampliado la plataforma de datos comparativos abiertos para los proveedores de salud de Catalunya, MSIQ (Módulo de Seguimiento de Indicadores de Calidad)con información nominal de resultados de los dispositivos de urgencias hospitalarias y de atención primaria (AP) de alta resolución, a partir del CMBD-UR que notifican estos centros.

“El objetivo es proporcionar información sobre determinados aspectos de la atención urgente y, a pesar de que no se pueden considerar como un reflejo preciso y exacto de la realidad, sí pueden servir para señalar potenciales problemas y áreas donde es posible mejorar la calidad de la asistencia y que, por tanto, deberían ser analizadas con mayor profundidad.”

En el 2015 constan 3.166.489 urgencias seleccionadas para su estudio, teniendo en cuenta algunos criterios de selección para su publicación en el módulo del MSIQ. Los resultados se muestran nominales, datos brutos y ajustados. Los ajustes en general se basan en datos demográficos, socioeconómicos, comorbilidad y tipo de centro.

Los 21 indicadores estudiados son (entre paréntesis el resultado promedio del CatSalut para el 2015):

6 Indicadores de calidad:
• Mortalidad hospitalaria (0,1%).
• Readmisión a urgencias antes de 24h (3%).
• Readmisión a urgencias antes de 48h (5,3%).
• Readmisión a urgencias antes de 72h (5,6%).
• Readmisión a urgencias con ingreso antes de 72h (14,5%).
• Urgencias no finalizadas (3,1%).

6 Indicadores de eficiencia:
• Tiempo llegada – selección (10,4 minutos).
• Tiempo selección – asistencia (42,1 minutos).
• Tiempo llegada – asistencia (52,6 minutos).
• Tiempo asistencia – salida (185,8 minutos).
• Tiempo de estancia (3,6 horas).
• Estancias prolongadas > 24 h (2,1%).

4 Indicadores de adecuación:
• Urgencias ingresadas en el propio centro (11,2%).
• Urgencias con riesgo vital (35,5%).
• Derivación inversa, a la AP (0,1%).
• Derivación por complejidad (2,9%).

5 Indicadores de frecuentación:
• Tasa de urgencias hospitalarias (427,6 por 1.000 hab.)
• Tasa de urgencias de AP de alta resolución (142,7 por 1.000 hab.)
• Tasa global de urgencias (570,3 por 1.000 hab.)
• Tasa de urgencias con riesgo vital (162,3 por 1.000 hab.)
• Tasa de urgencias sin riesgo vital (408,0 por 1.000 hab.)



El presidente del Colegio de Médicos de Barcelona, Jaume Padrós, publicó el pasado día 20 en La Vanguardia el artículo "¿Qué pasa con las urgencias?". 
Una reflexión sobre la saturación que periódicamente afecta a los servicios de urgencias y sus causas. Más allá de la epidemia de la gripe y los problemas de falta de recursos derivados de la infrafinanciación sanitaria, Padrós aboga por un cambio de modelo organizativo del sistema que permita dar una asistencia integral a los pacientes crónicos y frágiles, para poder ofrecerles alternativas al ingreso hospitalario. Sin embargo, en el módulo de urgencias del MSIQ los indicadores se analizan en su mayoría desde la visión del proveedor y con la perspectiva de la propia urgencia, con información histórica de 2014 y 2015.

Sería interesante añadir resultados más relacionados con la asistencia integral para analizar cómo estas estrategias pueden reducir la frecuentación y en última instancia los ingresos hospitalarios.
Otro aspecto de mejora podría ser la publicación de datos más recientes,… ya que estamos hablando de urgencias.

Nos queda mucho camino por andar y muchos detalles a mejorar, pero con todo, es bueno ver como el aprovechamiento de la información, la trasparencia de resultados y el benchmarking se va extendiendo poco a poco en los diferentes ámbitos de los servicios de atención a la salud.

diciembre 30, 2016

Machine Learning en salud

Cuando utilizamos el análisis de la información en el ámbito de la gestión clínica y sanitaria para explicar el pasado, con el objetivo de aprender de nuestros errores para mejorar el futuro, probablemente estamos viendo sólo la punta del iceberg. Nos estamos perdiendo la capacidad que pueden tener esos mismos datos para mostrarnos cómo sería nuestro futuro en este escenario. Otro aspecto poco explorado son las interrelaciones entre los diferentes factores que pueden intervenir en la ocurrencia de ciertos eventos relacionados con la salud o con la provisión de servicios.

El “Machine Learning” (ML) podría abrir el abanico de posibilidades para usar mejor la ingente información que se está generando entorno a la salud. En su definición más básica el ML se refiere a un grupo de algoritmos que aprenden de los datos. Estos algoritmos son diferentes de los convencionales ya que trabajan con los casos en lugar de con reglas preestablecidas.

Un ejemplo: si un paciente consulta por síntomas similares a los de la gripe, un médico que diagnostica de manera tradicional podría decir: "Tiene fiebre, dolores, debilidad general y ningún síntoma de resfriado,... esto se parece a la gripe”. Pero un médico que diagnosticara aplicando un algoritmo de ML diría: "Los síntomas son los mismos que 50 pacientes recientes que tenían la gripe,... probablemente también tendrá la gripe”. Destacar que para aplicar ML realmente no se necesita saber nada sobre la gripe, sólo haber visto un montón de casos que se diagnosticaron de gripe y tenían los mismos síntomas.

Si has leído hasta aquí seguro que te va a interesar conocer el proyecto healthcare.ai, "an open source software streamlining healthcare machine learning", que ofrece la posibilidad de descargar algoritmos, herramientas, documentación, solicitar nuevas funciones, enviar preguntas, seguir el blog y contribuir con el código abierto para la mejora en la atención de la salud. El propósito del proyecto es que la colaboración avance la mejora de los resultados a través de la inteligencia artificial, en concreto en el análisis predictivo y el aprendizaje automático, permitiendo que desarrolladores de BI puedan aplicar y crear modelos apropiados y precisos con datos de atención médica, sin necesidad de tener conocimientos en estas metodologías analíticas complejas. 

Los algoritmos de clasificación creados con ML dan a cada caso una probabilidad de que ocurra el evento contra no, estableciendo el analista un punto de corte para discernir los resultados óptimos o que mejor se ajusten para responder preguntas como: ¿Cuál es la probabilidad de que un paciente desarrolle una infección?, ¿Cuál es la probabilidad de que un paciente con EPOC sea readmitido dentro de los 90 días posteriores al alta?, ¿Cuál es la probabilidad de que una persona no comparezca a su cita?

Otros algoritmos de regresión dan como resultado valores continuos, que permiten establecer el impacto de efectos y responder a preguntas como: ¿Cuántos días un paciente necesita permanecer en el hospital?, ¿Cuánto personal necesitamos en una unidad un día determinado?, o ¿Cuánto dinero costará un paciente al sistema de salud durante el próximo año?

Existiría otro uso del ML cuando no hay ningún dato real asociado con los datos que están disponibles. Los algoritmos en esta categoría están en gran parte relacionados con la identificación de patrones y similitud de casos, y su uso sería agrupar o estratificar los datos en diferentes categorías. Permitiría dar respuesta a preguntas del tipo: ¿Un paciente que no tiene diabetes, qué probabilidad tiene de desarrollarla?, o ¿Cómo de similares, o como se agrupan, los pacientes con alto consumo de recursos en mi centro?

Por las interesantes posibilidades que ofrece el ML el futuro de estas herramientas es muy prometedor, así que no hay que dejar pasar mucho tiempo para ponerse a ello.

noviembre 30, 2016

I Jornada de Benchmarking CSC- Proyecto ARQ BS3

La Patronal Consorci de Salut i Social de Catalunya (CSC) convoca en su sede de Barcelona la I Jornada de Benchmarking enmarcada en su proyecto, iniciado en marzo de 2015, “Xarxa d’hospitals associats per a l’Anàlisi del Rendiment i la Qualitat (Projecte ARQ)”.

Higia Benchmarking SL colabora en el Proyecto ARQ de la Patronal en el apartado técnico, en la definición y construcción de los indicadores de eficiencia, adecuación y calidad asistencial, que se van a utilizar para identificar a los hospitales y servicios benchmark. Los resultados se obtienen a partir de la información de los CMBD de los hospitales participantes, mediante los análisis comparativos ajustados disponibles en la plataforma de BI-QlikView Benchmarking Sanitario 3.0® (BS3). 


El objetivo de la Jornada es reconocer a los hospitales y servicios que obtienen mejores resultados en la evaluación del rendimiento y la calidad asistencial, referidos al periodo 2015, a partir de indicadores objetivos. En este sentido se analizan la gestión de estancias, la cirugía mayor ambulatoria, la mortalidad, las complicaciones intrahospitalarias y los reingresos clínicamente relacionados.

En la Jornada participan 20 hospitales. La participación, así como la asistencia a la Jornada, son gratuitas. Excepto un único hospital participante de alta tecnología, que no se ha podido incluir en los análisis por no disponer de una referencia comparativa representativa, el resto de hospitales se han comparado agrupándolos en dos niveles de estructura: Hospitales Básicos y Hospitales de Referencia.

Un hecho diferencial de esta Jornada de Benchmarking, es que la lista de participantes es pública. Esto se enmarca en la transparencia que se imprime en este proyecto, y que es fundamental para poder hacer un benchmarking real entre los hospitales. Todas las metodologías están también disponibles al máximo detalle para los centros adscritos, los cuales pueden analizar y contrastar los resultados de su hospital en la plataforma web BS3, que permite el análisis comparativo de todos los indicadores utilizados, y que es accesible con un código de usuario personalizado para cada centro.

Se identifican a los hospitales benchmark por obtener el mejor balance (agregado sin ponderar) en los 5 indicadores analizados. Se ha realizado una estandarización directa de la casuística, aplicando estratificaciones por GRD-APR (v32), niveles de severidad, riesgos de mortalidad y otras variables relevantes, según los indicadores, para el ajuste de los resultados.

Las diferencias, indicador a indicador, entre los hospitales benchmark y el resto de hospitales en cada grupo, muestran unos impactos de mejora muy notables:


La propuesta que se hace al sector es realizar periódicamente estas Jornadas de Benchmarking, en torno a las cuales se pretende articular otros encuentros satélites en los que profundizar en aspectos concretos, contando con la participación proactiva de todos los hospitales interesados en realizar un benchmarking colaborativo.

El requisito para formar parte de este proyecto de benchmarking, dado que la participación no es anónima para los hospitales, es aceptar explícitamente el carácter público de los resultados. Los hospitales deben aceptar compartir sus resultados agregados y estar dispuestos a explicar, dentro de la comunidad profesional de benchmarking, sus casos de éxito. Operativamente los hospitales también deben aceptar el contrato LOPD de encargado del tratamiento para los análisis agregados de sus indicadores de actividad, y para incorporar el CMBD en la plataforma web BS3.


Descarga aquí el informe con el resumen de la metodología, los resultados comparativos, y la lista de hospitales participantes y benchmarks nominales.

Actualmente el foco de análisis está puesto en los hospitales de agudos, y concretamente en las altas de hospitalización, pero la intención es ir ampliando el benchmarking, tanto para otros tipos de actividad hospitalaria como para otros niveles de provisión de servicios de salud. La evolución y el alcance del proyecto se adaptarán a las necesidades de información de las organizaciones de salud que participen.