.png){kind=logo}
Descubra cómo la IA puede agilizar el proceso de clasificación, mejorar la priorización de los pacientes y reducir los tiempos de espera en las salas de emergencia.
En los últimos años, se ha observado que el número de visitas a la sala de emergencias muestra una tendencia preocupante debido a su crecimiento acelerado. Solo en EE. UU., en 2018 (1), se informó de un promedio de 130 millones de visitas al sistema de urgencias, lo que provocó niveles sin precedentes de hacinamiento y retrasos en la atención.
Con tal volumen, es de esperar que el sistema presente fallos en la ruta clínica de los pacientes. Un estudio publicado en 2018 (2) por el Departamento de Medicina de Emergencia de la Universidad Johns Hopkins estima que, de media, 1 de cada 5 pacientes es mal evaluado por el personal sanitario a la hora de asignar prioridades. Esto puede tener graves consecuencias para los pacientes. Por un lado, la clasificación excesiva hace que los pacientes sean enviados a tratamientos de cuidados intensivos innecesarios, costosos y prolongados, lo que los expone a bacterias peligrosas resistentes a los antibióticos que pueden proliferar en los hospitales. Por otro lado, la subclasificación significa que un paciente que necesita cuidados no los recibe a tiempo, lo que impide un seguimiento adecuado de la afección y elimina la posibilidad de detener el deterioro del paciente.
Si a esto le sumamos la cantidad de pacientes que realizan visitas innecesarias que terminan saturando las salas de emergencia en los días pico, encontramos que el triaje es una actividad que representa grandes desafíos para las instituciones de salud a la hora de optimizar sus recursos y para que los pacientes reciban un servicio y un tratamiento adecuados.
La aparición de herramientas tecnológicas que pueden automatizar la priorización de los pacientes de acuerdo con sus necesidades de atención médica tiene el gran potencial de reducir la carga de los sistemas de emergencia, liberar tiempo para que las enfermeras y los médicos traten a los pacientes y mitigar las molestias de la sobrevaloración y la subevaluación.
En los últimos años, la aplicación de la Inteligencia Artificial (IA) al sector sanitario ha estado transformando la forma en que se practica la medicina. En particular, en el caso del triaje, la creación de los sistemas de apoyo a la toma de decisiones clínicas (CDSS) ha demostrado que, al aplicar el aprendizaje automático (ML) y el aprendizaje profundo (DL), dos de los principales componentes de la IA, la capacidad predictiva del personal sanitario a la hora de priorizar la atención de los pacientes puede igualarse o incluso mejorarse (3).
Sin embargo, es importante mencionar que hablamos de sistemas de apoyo a la toma de decisiones porque una automatización completa del proceso de triaje no es práctica. Si tomamos como ejemplo la Clasificación Estadística Internacional de Enfermedades y Problemas de Salud Conexos (ICD), observamos que tan solo en los últimos años el número de enfermedades ha aumentado de 12 420 a 68 000, lo que hace que la variabilidad en las condiciones que se presentan a diario sea bastante alta.
La tecnología detrás de estos CDSS es bastante compleja en términos generales. Para crear un CDSS, no solo se necesita un conocimiento amplio de las enfermedades y los niveles de clasificación asociados a esas afecciones, sino que también es necesario gestionar correctamente los procesos necesarios para desarrollar algoritmos de inteligencia artificial. Esto representa un obstáculo para el desarrollo de estas herramientas, especialmente si se tiene en cuenta que los médicos y el personal sanitario en general no tienen estos conocimientos en IA.
En consecuencia, Arkangel AI ha puesto a disposición de toda la comunidad sanitaria Hippocrates AutoML, una herramienta que permite la creación de algoritmos de IA, siguiendo todos los estándares de calidad, sin necesidad de escribir una sola línea de código.
Como cualquier otra plataforma basada en inteligencia artificial, los algoritmos entrenados con Hipócrates requieren datos. En el caso de un CDSS para triaje, estos datos deben seguir una relación similar a los obtenidos en el proceso de selección manual, es decir, es necesario al menos recopilar información sobre los síntomas del paciente. Esto también representa un desafío para las instituciones de salud, ya que generalmente no han planteado una arquitectura de datos organizada (si este es su caso, le recomendamos que hable con uno de los agentes de Arkangel Ai para saber qué alternativas tiene para empezar a organizar sus datos, incluso si son no estructurado). Sin embargo, lo interesante de la IA es que, a diferencia de los trabajadores de la salud, puede analizar grandes cantidades de información en cortos períodos de tiempo. Por lo tanto, para la construcción del CDSS también es relevante incluir información que pueda ser relevante para la clasificación: el historial médico del paciente, las condiciones iniciales, las evaluaciones previas, entre otros.
Con esta información y el «estándar de referencia», es decir, el resultado de predicción esperado del algoritmo, Hipócrates puede crear y probar un algoritmo para respaldar la priorización de la atención al paciente. Este algoritmo debe agrupar los diferentes niveles de clasificación existentes, de modo que el experto reciba notificaciones que le permitan tomar decisiones basadas en datos y con un menor grado de subjetividad.
Los departamentos de emergencia no son el lugar más ideal para realizar este proceso de clasificación, ni siquiera con la ayuda de una herramienta de inteligencia artificial. Por lo tanto, una buena idea para el CDSS es diseñarlos en forma de chatbots o plataformas interactivas para la consulta remota, lo que permite reducir el alto flujo de pacientes en el sistema hospitalario. Asimismo, cuando se realizan de forma remota, es posible impactar la gestión de los recursos de manera integral, ya que no solo se prioriza la atención hospitalaria de los pacientes, sino también la asignación de ambulancias para su traslado. Esto es de vital importancia, teniendo en cuenta que en los últimos años los tiempos de reacción de las ambulancias han aumentado drásticamente (4), lo que afecta la calidad de la atención en el sistema de emergencia.
Por último, al realizar la clasificación de forma remota, los CDSS ayudan a informar adecuadamente a los pacientes sobre la urgencia de la atención médica que requiere su afección. Esto no solo alivia el miedo que sienten los pacientes cuando se sienten mal, sino que también ayuda al sistema de salud a asignar de manera inteligente las variantes de la atención médica, como las visitas domiciliarias, las citas de teleconsulta, las citas prioritarias, entre otras.
**El uso de la Inteligencia Artificial para la priorización de la atención médica representa una gran ventaja tanto para los pacientes como para los médicos y las aseguradoras. Si está interesado en desarrollar una herramienta basada en la inteligencia artificial o en implementar una de las herramientas desarrolladas por Arkangel Ai, permítanos (nos vemos), hay mucho valor que explotar.
(1) Encuesta nacional de atención médica ambulatoria en hospitales: tablas resumidas del departamento de emergencias de 2018
(2) Precisión de la clasificación de los servicios de urgencias utilizando el índice de gravedad de las emergencias y los predictores independientes de subtriaje y sobretriaje en Brasil: un análisis de cohorte retrospectivo.
(3) Algoritmo de inteligencia artificial para predecir la necesidad de cuidados críticos en los servicios médicos de emergencia prehospitalarios
(4) Sistema inteligente de clasificación de llamadas con algoritmo que combina el árbol de decisiones y el SVM
Si quieres saber más sobre Arkangel Ai contacta con nosotros aquí y uno de los miembros de nuestro equipo se pondrá en contacto con usted para una sesión individual.
