"Machine learning" de apoyo a las decisiones de gestión del servicio de urgencias del Hospital de Figueres
El Machine learning es un modelo de gestión del servicio de urgencias que ofrece a los responsables organizativos del servicio el escenario de futuro en aspectos críticos como la afluencia, empleo y hospitalizaciones para la toma de decisiones.
Descripción
Históricamente, los servicios de urgencias han sufrido, y sufren, momentos de saturación, sobreocupación y colapso.
La gestión y la coordinación de estas situaciones siempre ha sido de manera reactiva. Es al momento de colapso cuando se empieza a coordinar la gestión de las herramientas/acciones necesarias para poder dar respuesta, como: la reorganización de espacios para el exceso de pacientes; la búsqueda precipitada de personal de refuerzo; o las llamadas a planta pidiendo la agilización de procesos de alta y la liberación de camas.
Los riesgos que se derivan del déficit de camas hospitalarias suponen un problema para la seguridad del paciente, para aumentar el tiempo de espera para el ingreso y para propiciar altas precoces y reingresos, entre otros. Numerosos estudios indican también que la duración excesiva del episodio de atención en urgencias, incluso si el paciente no acaba hospitalizado, tiene un impacto muy negativo en el número de complicaciones, reclamaciones e incluso en la mortalidad de los pacientes.
Por otro lado, la incertidumbre y la improvisación en cuanto a necesidades de personal es una de las fuentes principales de insatisfacción, estrés y «burnout» del personal de urgencias. Algunos estudios indican que, por ejemplo, saber con una semana de antelación los horarios de trabajo es uno de los aspectos más valorados por los profesionales.
Aunque en los últimos años el uso de herramientas del campo de la inteligencia artificial y el aprendizaje automático para mejorar o ayudar con los diagnósticos médicos ha aumentado, estas técnicas no se aplican debidamente para optimizar la gestión sanitaria.
Los hospitales gestionan una gran cantidad de datos que potencialmente tienen alta capacidad predictiva a nivel de gestión. Entre ellas destacan los datos necesarios para generar el conjunto mínimo básico de datos (CMBD). Estos datos presentan varias ventajas respecto a otros, por estar estandarizados en todos los hospitales y frecuentemente pasar por un mejor control de calidad. Así pues, una herramienta basada en estos datos es posible y puede ser implantada fácilmente en cualquier hospital del país.
La hipótesis de partida del proyecto es que los algoritmos de aprendizaje automático pueden ayudar a los responsables de gestión. A lo largo de este proyecto se ha desarrollado una aplicación web que permite predecir o anticipar la afluencia, los ingresos urgentes y las altas de pacientes en planta para la próxima semana. Esto debe permitir una monitorización de la disponibilidad de camas de planta hospitalaria y comunicación entre los responsables de servicio para responder proactivamente a las necesidades.
El objetivo general del proyecto es agilizar el proceso de atención, para incrementar la seguridad para los pacientes.
De manera más específica se plantea:
• A nivel técnico, validar la fiabilidad de los modelos predictivos construidos con datos disponibles.
• Conocer en tiempo real el estado del servicio, y el escenario en las próximas horas, días y semanas.
• Poder dotar con antelación de los recursos necesarios para dar respuesta a la previsión de actividad, empleo e ingresos.
• Reducir el tiempo de espera de los pacientes pendientes de hospitalización.
• Facilitar la tarea de planificación y coordinación de los mandos del servicio.
• Reducir las situaciones de sobrecarga del personal asistencial, y el impacto negativo en sus vidas con calendarios laborales demasiado imprevisibles.
• Favorecer el diálogo basado en datos objetivos con otros responsables del centro.
Método de trabajo
La información base para el entrenamiento de los algoritmos es en esencia el CMBD de urgencias y de hospitalización, mejorado con información relativamente accesible como el paso de pacientes por boxes a urgencias y el listado de hospitalización programada. No se trata de los CMBD cerrados a posteriori, sino de la información equivalente disponible en tiempo cuasi-real. Es pues información estructurada y de bastante buena calidad disponible en la mayoría de hospitales.
Esta información siempre se pseudoanonimiza, ya que la identidad de cada paciente es irrelevante para los algoritmos de Machine Learning. Esto facilita mucho la validación de cumplimiento con RGPD y la garantía de los derechos de privacidad de las personas.
El entrenamiento inicial se realizó con los años 2017-2022, excluyendo 2020 y la primera mitad de 2021 por las anomalías que representó el COVID-19 en el funcionamiento normal de los hospitales.
Una vez realizado este entrenamiento inicial, los modelos predictivos se reentrenan diariamente con base en la información recibida al cabo de cada día. El envío de datos con la actividad más reciente al servicio se efectúa cada 15 minutos. Esta frecuencia es necesaria no tanto para poder actualizar los modelos predictivos en sí, sino para poder actualizar los indicadores de la situación actual del servicio, y para poder efectuar nuevas predicciones. El volumen de información de cada envío es relativamente pequeño y el proceso no penaliza los sistemas del hospital. Los datos se envían por canal encriptado y seguro a la nube de Amalfi, donde tiene lugar el procesamiento.
La aplicación es accesible a todos los profesionales responsables de gestión de servicios. Incluye una pantalla principal de situación, pantallas para análisis retrospectivos, y pantallas para mostrar las predicciones de afluencia, ocupación, necesidades de hospitalización y disponibilidad de camas.
Durante el periodo de validación técnica de cada funcionalidad se monitorizan las tasas de acierto y las incidencias que pueden explicar malas predicciones puntuales, para mejorar los algoritmos o los datos. Pasada la validación técnica se hace una validación de impacto, tanto en cuanto a indicadores «duros» como a resultados más cualitativos.
Tanto el ajuste de las funcionalidades de la herramienta, como la validación de su fiabilidad, como la incorporación a la rutina de uso, se plantearon por fases.
Calendario:
Aunque el calendario parece dilatado, la dedicación por parte de todos los implicados ha sido bastante moderada comparada con otros proyectos de implantación de software. En términos generales este ha sido:
• Noviembre 2021: Modelo de datos con histórico 5 años CMBD-urg pseudoanonimizado (1 semana).
• Diciembre 2021 – Mayo 2022: adecuación de algoritmos de actividad y recursos en urgencias (3 meses), test funcional y técnico (2 meses).
• Junio 2022: Formación y puesta en marcha.
• 2º semestre 2022: Evaluación de usabilidad e impacto
• Septiembre-Diciembre 2022: Creación del módulo de predicción de altas
• Primer trimestre 2023: Integración del flujo de ingresos internos y externos (2 meses)
• Segundo trimestre 2023: Evaluación de usabilidad y precisión
• Segundo semestre 2023: Evaluación de impacto final
Por parte del Hospital de Figueres han intervenido los siguientes cargos: gerencia, oficina de proyectos, dirección enfermera y mandos del servicio de urgencias.
Amalfi Analytics es una spin-off surgida en 2017 de un grupo de investigación en Machine Learning de la Universidad Politécnica. Hibrida el conocimiento tecnológico de analítica avanzada de datos de su co-fundador Ricard Gavaldà (catedrático de la UPC) con la dilatada experiencia en gestión y documentación clínica de la co-fundadora Julianna Ribera (licenciada en medicina y biología, y máster en dirección de instituciones sanitarias y en sistemas de información, entre otros).
Desde su creación, Amalfi ha construido varias plataformas orientadas a favorecer la toma de decisiones de gestión clínica. Entre ellas, la utilizada en este proyecto, denominada APIS. En el curso de este proyecto han intervenido por parte de Amalfi sobre todo tres personas del equipo técnico de analítica de datos y desarrollo de software, coordinados por los co-fundadores.
En resumen, la Inteligencia Artificial ha ayudado a mejorar la gestión del servicio. Ha permitido, entre otras mejoras:
• Disponer en una sola pantalla de toda la información necesaria en el día a día del servicio, información pasada y futura. El índice de fiabilidad es alto y los responsables ya confían en él, lo que facilita la visualización y reduce el tiempo de valoración y planificación.
• Agilizar la interacción entre los profesionales dentro del servicio, y la comunicación con otros servicios.
• Reducir la sensación de incertidumbre al tomar decisiones a futuro que pueden tener un alto impacto, y proporcionar mejores condiciones de trabajo a los profesionales.
Dentro del hospital está previsto seguir en esta línea ampliando la visión predictiva a otros ámbitos.
Destacamos dos aspectos adicionales:
1. La originalidad e innovación: Por un lado ya hay en el mercado y en uso herramientas de tipo Business Intelligence que incorporan analítica retrospectiva muy completa, pero de cara a futuro solo unas «tendencias» muy genéricas de fiabilidad muy limitada comparada con los algoritmos desarrollados en este proyecto. Además, por lo que conocemos se limitan a la afluencia, mientras que la herramienta desarrollada contempla el circuito completo con afluencia, severidad (nivel de selección), ocupación de box por áreas, disponibilidad de camas en planta, que es esencial para una optimización global.
2. La alta escalabilidad y reproductibilidad: De forma intencionada se utilizan sólo datos básicos estructurados disponibles en todos los HIS de urgencias, con el fin de poder implantarse en prácticamente cualquier hospital. Además, el modelo en la nube (SaaS = Software as a Service) implica un coste tanto de implantación como de mantenimiento mínimo: Se estima un ROI en menos de 6 meses.
Necesidades
- Agilizar el proceso de atención y mejorar la seguridad y calidad asistencial
- Conocer en tiempo real el estado del servicio, y el escenario futuro (próximas horas, días y semanas)
- Dotar de los recursos necesarios en previsión a la actividad, ocupación e ingresos
- Reducir el tiempo de espera de los pacientes pendientes de hospitalización
- Facilitar la planificación y coordinación a los mandos
- Reducir situaciones de sobrecarga y minimizar el impacto negativo que genera en los profesionales
- Favorecer el diálogo entre servicios
Anexos
Año
2022
Precio
Sin especificar
Equipo
Sandra Duran Bonillo
Observaciones
La pantalla principal de APIS consta de tres partes, que muestran respectivamente la situación actual, predicción a 6 horas vista, y valores retrospectivos de las últimas 6 horas. Las opciones del menú de la parte izquierda permiten profundizar en cada uno de estos tres aspectos (adjuntamos captura de pantalla).
Para el caso de urgencias la tasa de acierto de los diferentes predictores ha sido sistemáticamente entre el 85% y el 97% de acierto. La media es ligeramente superior para el caso de la afluencia que para el caso de las necesidades de camas, lo que se explica porque el volumen a predecir es aproximadamente 10 veces superiores (unas 220 llegadas a urgencias vs. 22 hospitalizaciones diarias, de media).
La herramienta incorpora un gadget «el semáforo», habitualmente de color verde, que cambia a color naranja cuando la tasa de acierto en la última semana baja del 80% y a rojo cuando baja del 60%, lo que ocurre sólo en un cambio catastrófico o, más frecuentemente, con algún problema de envío o de procesamiento de datos. Esto permite al responsable del servicio saber que debe tomar con cautela los resultados mostrados. El número de días al cabo del año en que el semáforo no ha sido verde ha sido inferior a 10.
La incorporación de la IA para la gestión de un servicio de urgencias ha supuesto un cambio en la manera de trabajar, dando argumentos objetivos que facilitan la toma de decisiones que pueden tener un alto impacto tanto a nivel organizativo como económico. Facilitando la gestión y dotación de recursos a nivel de profesionales, a nivel de confección de calendarios laborales, materiales y de espacios, para poder dar una respuesta adecuada y proporcionada a la predicción de afluencia.
Visualización en una única pantalla de forma continua por partes de los responsables del servicio; pantalla que contiene toda la información necesaria para el seguimiento de la actividad del servicio y la predicción para las próximas horas, en primera instancia.
Publicada el 28 jun. 2024
