¿Es posible determinar qué pacientes podrían beneficiarse de procedimientos menos invasivos? ¿Sería factible detectar automáticamente pacientes que han tenido estancias anómalas entre decenas de miles de episodios? ¿Qué impacto tendría todo esto?

Las nuevas tecnologías basadas en Inteligencia Artificial, aplicadas a través de técnicas de Machine Learning (aprendizaje automático) permiten un análisis avanzando de grandes conjuntos de datos que abre la puerta a casos de estudio de gran trascendencia en Sanidad. Nuestros clientes ya están aplicando el poder de la Inteligencia Artificial, transformando la gestión hospitalaria y convirtiendo datos complejos en decisiones concretas.

El poder de la IA alimentada con el CMBD

El Conjunto Mínimo Básico de Datos es una fuente de información clínica que asegura la completitud y calidad de la información de los episodios clínicos. Los modelos más modernos de IA alimentados con esta información permiten a los centros sanitarios entender mejor las necesidades de sus pacientes con una precisión sin precedentes. ¿De qué manera se está logrando? A continuación, se presentan algunos casos de éxito:

La Inteligencia Artificial permite a los gestores realizar un análisis profundo y comparar los resultados obtenidos con métricas tradicionales, como el Índice de Estancia Media Ajustada (IEMA), con métricas basadas en las estimaciones obtenidas por los modelos. Estas estimaciones, al incorporar información más detallada de cada episodio clínico, proporcionan un contexto más preciso que el ofrecido por los estándares normativos. Nuestros clientes están identificando casos donde métricas como el IEMA muestran resultados aparentemente desfavorables, mientras que las métricas basadas en los valores estimados reflejan de manera más ajustada la realidad del hospital, su funcionamiento y sus resultados clínicos.

La analítica avanzada también es de gran utilidad en los procesos de identificación y análisis de estancias evitables. Por ejemplo, nuestros clientes usan estimaciones de estancia en el servicio de Medicina Interna para identificar patrones de estancia prolongada y en el servicio de Neumología para identificar oportunidades de optimización de recursos.

Mediante indicadores para el análisis del riesgo de mortalidad en forma de probabilidad esperada sobre casos clínicos similares, se puede facilitar la preselección e identificación precisa de casos para revisión. Esto es especialmente relevante en ciertos servicios como Traumatología ya que permitiría, por ejemplo, una nueva visión sobre qué casos llevar a revisión a la Comisión de Mortalidad.

Por último, algunos clientes han mostrado especial interés en los indicadores de estimación de estancia pre-quirúrgica, sobre todo en los episodios programados, ya que podrían detectar ciertas ineficiencias y estancias evitables cuando estos se comparan con las estancias reales observadas.

La analítica avanzada usando datos del CMBD actualizados es particularmente útil en el caso del análisis de los reingresos, ya que mediante modelos de Machine Learning se puede estimar la probabilidad de reingreso de un episodio clínico.

Particularmente, varios clientes están utilizando estos indicadores avanzados para analizar en su histórico de episodios clínicos casos de reingreso para los que se ha estimado una probabilidad baja de reingreso, identificando factores no evidentes o problemas. En otros caso se han implementado un seguimiento personalizado para pacientes identificados con un alto riesgo de reingreso, incluso estableciendo protocolos de intervención temprana.

El análisis combinado de indicadores de reingreso y estancia también resulta interesante en algunos centros sanitarios. Por ejemplo, la revisión de casos en los que la estancia real es significativamente más baja que la estimada y posteriormente se ha producido un reingreso es un caso de análisis para ayudar a controlar y prevenir altas tempranas.

Una de las aplicaciones más potentes de los modelos de Inteligencia Artificial es la generación de datos sintéticos extremadamente “realistas”. Esto es particularmente útil para la simulación del comportamiento de episodios clínicos.

Un caso de uso que se observa frecuentemente es la simulación de los indicadores de estancia y reingreso en un escenario en el que el episodio clínico se hubiera atendido en un servicio distinto.

Otro caso de uso de gran interés que se ha dado en clientes es la simulación de episodios quirúrgicos mediante procedimientos robóticos o convencionales. La comparación entre ambos escenarios permite analizar el impacto de las nuevas tecnologías en indicadores como la estancia o la probabilidad de reingreso de estos episodios.

Los modelos de Inteligencia Artificial usan toda la información disponible en el CMBD, incluyendo los códigos de diagnóstico y procedimiento. Esto implica que, mediante un análisis de los resultados de estos modelos, también se puede revisar la calidad del dato y, en concreto, la calidad de la codificación de los episodios clínicos.

Particularmente, en algunas organizaciones han podido detectar inconsistencia entre diagnósticos, procedimientos y comorbilidades mediante el análisis de episodios outlier, es decir, aquellos episodios donde la estimación difería mucho de la realidad. Además, el análisis sistemático y automatizado del CMBD ha permitido identificar patrones de codificación atípicos que requerían revisión.

Un caso particular en el que estas metodologías han demostrado ser de gran utilidad es la revisión de la codificación de episodios clínicos realizada mediante herramientas de IA con Procesamiento de Lenguaje Natural (PLN; NLP)

La revisión de episodios quirúrgicos potencialmente ambulatorios es una aplicación particularmente valiosa de la IA en la gestión hospitalaria. El sistema analiza automáticamente los casos quirúrgicos que requirieron ingreso de un día, comparando múltiples variables como el tipo de procedimiento, las características del paciente, las comorbilidades asociadas, y los resultados postoperatorios.

Mediante el análisis de patrones históricos y la comparación con casos similares, la IA puede identificar aquellos procedimientos que podrían realizarse de forma ambulatoria sin comprometer la seguridad del paciente. Esta información es especialmente útil para la toma de decisiones en la programación quirúrgica, ya que permite optimizar el uso de camas hospitalarias, reducir costes innecesarios y mejorar la experiencia del paciente.

Además, el sistema puede detectar qué factores específicos llevaron a la decisión de ingreso en casos que típicamente se realizan de forma ambulatoria, proporcionando información valiosa para la mejora continua de los protocolos de selección de pacientes para cirugía ambulatoria.

Si quiere conocer en más detalle como Enara MLS® puede ayudar también a su organización a mejorar su gestión gracias a la analítica avanzada, póngase en contacto con nosotros.