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.

http://services.harman.com/Industries/healthcare

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.

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.

Tweet

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. 

Gestión de las listas de espera en los servicios de salud

“La Teoría de colas es el estudio matemático de las colas o líneas de espera dentro de un sistema. Esta teoría estudia factores como el tiempo de espera medio en las colas o la capacidad de trabajo del sistema sin que llegue a colapsarse”. Puede resultar muy útil conocer la implementación de una cadena productiva en la ingeniería industrial, por lo que se pueda aplicar a un servicio de salud, aunque obviamente hay consideraciones diferenciales significativas a tener en cuenta.

En los hospitales y centros de salud se gestiona la lista de pacientes que esperan para una visita con el especialista, una prueba complementaria, o bien para ser intervenidos quirúrgicamente. Intentar mejorar la dinámica de la cola de pacientes pasaría por analizar el flujo de estos en cada parte del sistema: entrada, proceso y salida.

En este contexto resulta útil analizar las reflexiones que ha publicado SEDISA (Sociedad Española de Directivos de la Salud) hace dos semanas en su informe “Gestión de las listas de espera desde la perspectiva de la gestión sanitaria profesionalizada”.

Antes de analizar el hecho en sí hay que pensar en la accesibilidad, en la adecuación y en la ordenación, de manera que todos los pacientes que precisen un servicio puedan acceder a él, y pueda analizarse que la indicación sea correcta, que no entren en lista de espera aquellas actividades potencialmente evitables, y que se apliquen criterios objetivos de priorización.

En líneas generales, para poder gestionar las listas de espera es necesario:
1. Disponer de un sistema de información oportuno.
2. Conocer el cumplimiento de las garantías de tiempo por proceso.
3. Aplicar criterios de priorización en base a gravedad, eficacia y oportunidad de las patologías y/o intervenciones.

La demora en recibir una asistencia es multifactorial:
- Si no se controlan los indicadores de las listas de espera, no se fijan tiempos de garantía, no se gestionan las suspensiones, los tiempos “muertos”, etc., la tendencia será a tener más demora (teoría del caos).

- Si hay más demanda, a igualdad del resto de factores, habrá más demora. Pueden generar más demanda factores poblacionales, como las mayores necesidades en salud que requiere una sociedad cada vez más envejecida. Pero también otros factores como una mayor accesibilidad, una mayor oferta, la variabilidad de la práctica médica o la medicina defensiva, pueden aumentar la demanda, y por tanto la demora.

- Si hay menos recursos, o estos no tienen una productividad óptima, por ejemplo cuando un equipo quirúrgico es capaz de resolver sólo 3 intervenciones en una sesión en lugar de 4, se generará más demora. No hay que confundir más eficiencia con más oferta, sobre esto último un ejemplo podría ser el uso de los quirófanos, si en lugar de tener un único turno de mañanas se habilitaran sesiones de tarde, estaríamos ampliando la oferta, y esto, si no se hace de manera controlada y por una necesidad objetiva, puede aumentar la demanda y finalmente producir un efecto rebote en la demora.

Las 27 propuestas que se pueden ampliar en el documento original de SEDISA son:

1. Definición de criterios de indicación y priorización.

2. Utilización de una herramienta común de gestión.

3. Elaborar un catálogo centralizado de procedimientos quirúrgicos priorizados.

4. Definir los procesos graves que deben contar con protocolos y/o guías clínicas.

5. Potenciar la Cirugía Mayor y Menor ambulatoria.

6. Protocolización de los preoperatorios.

7. Análisis y estudio de las suspensiones quirúrgicas.

8. Aplicar la ampliación de jornada en actividad quirúrgica efectiva.

9. Optimización del equipamiento e infraestructuras quirúrgicas.

10. Optimización de la hospitalización quirúrgica.

11. Participación de Atención Primaria en la Cirugía Menor.

12. Implantar sistemas de retribución variable en función del cumplimiento de objetivos.

13. Implantar la Gestión Clínica en los Servicios/Unidades de los Hospitales.

14. Planificación de la actividad quirúrgica y de pruebas diagnósticas concertadas.

15. Mejora de la organización de la gestión de las listas de espera.

16. Mejora de los registros de listas de espera y de los sistemas de información.

17. Mejora de la gestión administrativa de las listas de espera.

18. Elaborar un catálogo centralizado de prestaciones y pruebas diagnósticas.

19. Establecer protocolos administrativos para la elaboración de agendas de consultas y pruebas diagnósticas.

20. Centralización de las agendas de consultas y pruebas diagnósticas.

21. Favorecer la Continuidad Asistencial.

22. Actuación sobre la variabilidad clínica en consultas y pruebas diagnósticas.

23. Optimización de los recursos en consultas y pruebas diagnósticas.

24. Instaurar nuevos modelos de asistencia.

25. Establecer criterios de seguridad y eficacia en la asistencia.

26. Habilitar acceso a la información personal de cada paciente.

27. Publicar periódicamente información normalizada de las listas de espera.