.png){kind=logo}
Los reingresos son caros para los hospitales. La IA identifica quiénes tienen más probabilidades de ser readmitidos para tomar medidas preventivas.
Los reingresos hospitalarios, que se definen como el hecho de que un paciente sea readmitido en el mismo centro de cuidados intensivos u otro dentro de los 30 días posteriores a la hospitalización inicial, representan un problema importante en el sistema de salud de los EE. UU. Anualmente, hay 4,2 millones de reingresos hospitalarios para adultos, y uno de cada seis beneficiarios de Medicare es readmitido dentro de los 30 días posteriores al alta (1) (2). Para los adultos mayores con discapacidades funcionales, el riesgo de readmisión es un 40% mayor que para los que no tienen discapacidades (3). El impacto financiero es sustancial: el costo promedio de una readmisión es de 14 500 dólares y los reingresos hospitalarios cuestan a Medicare 26 000 millones de dólares al año (4). En 2019, los CMS sancionaron al 83% de los hospitales generales del HRRP, lo que equivale a 564 millones de dólares en multas por tasas excesivas de readmisión a 30 días (5). Abordar las afecciones que contribuyen a los reingresos y otros factores como el apoyo insuficiente de los cuidadores y los factores sociales determinantes de la salud pueden reducir significativamente las tasas de readmisión, y los programas que han tenido éxito pueden lograr reducciones de hasta un 34% (6) (7).
«ReadmitPredict AI» es un modelo predictivo de IA diseñado para estimar la probabilidad de readmisiones hospitalarias de 30 días. Analiza una amplia gama de parámetros de salud y detalles de hospitalización para identificar a los pacientes con alto riesgo de readmisión, lo que facilita las intervenciones tempranas y los posibles ahorros de costos.
El conjunto de datos sintéticos, creado para reflejar situaciones reales de pacientes, se basa en la investigación sobre los reingresos hospitalarios. Los estudios de Bailey y otros (1), el Foro Nacional de Calidad del Departamento de Salud y Servicios Humanos (2), Greysen y otros (3) y el material de RevCycleIntelligence (4) permiten comprender los patrones y las causas de los reingresos. La investigación de Rau (5) y los hallazgos de Hines y otros (6) sobre los costos y las condiciones de los reingresos, junto con los estudios sobre la participación de los pacientes en los procesos de alta realizados por Kemp y otros (7), se utilizan para configurar los parámetros del modelo.
