Investigadores desarrollan herramienta de datos que puede mejorar la atención
Crédito: CC0 Public Domain
Con la ayuda de un sofisticado aprendizaje automático, los investigadores de la UPMC y la Facultad de Medicina de la Universidad de Pittsburgh demostraron que una herramienta que desarrollaron puede predecir rápidamente la mortalidad de los pacientes enfrentando el traslado entre hospitales para acceder a cuidados de mayor agudeza. Esta investigación, publicada hoy en PLOS One, podría ayudar a los médicos, los pacientes y sus familias a evitar traslados innecesarios al hospital y tratamientos de bajo valor, mientras se enfoca mejor en los objetivos de atención expresados por los pacientes.
Cada año, casi 1,6 millones de pacientes o hasta el 3,5 % de todas las admisiones de pacientes hospitalizados se transfieren de un hospital a otro para acceder a atención especializada para afecciones complejas. «Sin embargo, asegurar estos servicios a menudo requiere viajes onerosos y un apoyo comunitario reducido para los pacientes y sus familias. Mientras que algunos pueden recuperarse de la enfermedad aguda, muchos otros obtienen pocos beneficios en términos de mejores resultados», dijo Daniel E. Hall, MD, correspondiente autor del estudio, así como director médico de poblaciones de alto riesgo y resultados en UPMC Wolff Center y profesor asociado de cirugía en la Escuela de Medicina de Pitt.
Para abordar esta brecha en la coordinación de la atención al paciente , que actualmente se basa en el juicio ad hoc de los médicos de cabecera, Hall y su equipo desarrollaron una herramienta en tiempo real que puede predecir los resultados de mortalidad de los pacientes en el momento de la transferencia al hospital y entregar estos resultados a los médicos en menos de cinco minutos.
Usando datos de casi 21 000 pacientes de 18 años o más que fueron trasladados a un hospital de la UPMC durante un período de 12 meses, los investigadores desarrollaron y validaron una herramienta de evaluación del riesgo de mortalidad denominada «S afeNET» (Transferencias Emergentes No Electivas Seguras). Después de estudiar otros modelos de riesgo de mortalidad que se utilizan actualmente en la unidad de cuidados intensivos del hospital y en los entornos de admisión, Hall y su equipo elaboraron una lista de 70 variables independientes utilizadas en uno o más de estos modelos, incluidos datos demográficos del paciente, signos vitales, pruebas de laboratorio y otros factores.
Luego, analizaron los datos de facturación de UPMC y los registros médicos electrónicos de los pacientes hospitalizados para determinar si estas variables fueron registradas por el hospital receptor y se centraron solo en las que estaban disponibles dentro de las tres horas posteriores a la transferencia. Eso redujo la lista a 54 de las 70 variables. Utilizando el aprendizaje automático guiado en conjuntos de datos de entrenamiento y prueba, el equipo finalmente desarrolló su algoritmo SafeNET compuesto por 14 variables que predicen de manera confiable y rápida la mortalidad en el hospital, a los 30 días y a los 90 días para los pacientes transferidos. También compararon la capacidad predictiva de SafeNET con otra herramienta utilizada para pacientes con infección y descubrieron que el algoritmo de SafeNET era más preciso y podía usarse en una población de pacientes más general.
«Nuestro objetivo general era proporcionar información a los médicos de primera línea para desencadenar e informar decisiones compartidas sobre los pacientes de mayor riesgo», dijo Hall. «Esta herramienta podría ayudar a dirigir recursos adicionales a estos pacientes para garantizar que el plan de atención sea consistente con los valores y objetivos del paciente. Con frecuencia, los pacientes transferidos y sus familias no entienden la gravedad de la enfermedad que enfrentan y tienen ideas poco realistas. expectativas sobre los resultados que producirá una transferencia para atención de nivel superior».
Al probar la herramienta en tres hospitales dentro del sistema UPMC, los investigadores crearon SafeNET como una aplicación basada en la web de fácil acceso. SafeNET guió a los usuarios para que ingresaran tantas variables como estuvieran inmediatamente disponibles y luego generaron un riesgo de mortalidad pronosticado con precisión, incluso cuando faltaba al menos una variable, lo que ocurría más de la mitad de las veces.
Hall advierte que se necesita más trabajo antes de implementar ampliamente SafeNET. Dado que los datos se restringieron a un solo sistema multihospitalario, es posible que los hallazgos no se generalicen a otros entornos de atención. Y parte de la información que alimenta el algoritmo puede estar sujeta a sesgos.
Se está trabajando en UPMC para crear vías de atención activadas por la puntuación de SafeNET que dirijan los recursos necesarios a los pacientes con mayor riesgo de malos resultados. Por ejemplo, la herramienta se está utilizando en estudios piloto para iniciar conferencias de clarificación de objetivos entre los médicos que contemplan una transferencia entre hospitales y para brindar servicios de cuidados paliativos remotos por videoconferencia a los pacientes que están considerando la transferencia.
«SafeNET no pretende reemplazar el juicio clínico», anotó Hall. «En cambio, su intención es desencadenar una ‘pausa’ para que los médicos estén mejor preparados para informar y guiar a los pacientes y sus familias, preferiblemente antes de que se transfiera a un paciente en estado crítico. Sabemos que los pacientes o sus sustitutos que participan en conversaciones con los médicos sobre su valores tienden a recibir atención que es consistente con sus preferencias. SafeNET puede ser una herramienta efectiva y económica para facilitar esas conversaciones importantes».
Explore más
La herramienta para identificar pacientes frágiles para reducir el riesgo quirúrgico funciona en el entorno del sistema de salud Información de la revista: PLoS ONE
Proporcionado por la Universidad de Pittsburgh Cita: Los investigadores desarrollan una herramienta de datos que puede mejorar la atención (2021, 9 de febrero) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-02-tool.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.