Seguridad de Pacientes: Iluminar los espacios oscuros de la atención sanitaria con inteligencia ambiental

• Albert Haque, Arnold Milstein & Li Fei-Fei

A pesar de numerosas iniciativas de mejora, como las listas de verificación de seguridad quirúrgica⁷, por los Institutos Nacionales de Salud (NIH), los Centros para el Control y la Prevención de Enfermedades (CDC), la Organización Mundial de la Salud (OMS) y las organizaciones privadas, hasta 400.000 personas mueren cada año en los Estados Unidos debido a lapsos y defectos en la toma de decisiones clínicas y acciones físicas⁸. Un sufrimiento prevenible similar ocurre en otros países, y los médicos bien motivados luchan con la creciente complejidad de la atención sanitaria moderna^9,10. Para evitar sobrecargar las capacidades cognitivas de los médicos, los avances en inteligencia artificial tienen la promesa de ayudar a los médicos, no sólo con las decisiones clínicas, sino también con los pasos físicos de las decisiones clínicas⁶.

Los avances en el aprendizaje de automatizaciòn y los sensores de bajo costo pueden complementar los sistemas de apoyo a la toma de decisiones clínicas existentes al proporcionar una comprensión asistida por computadora de las actividades físicas de la atención médica.

Los sensores pasivos sin contacto (Fig. 1)integrados en el medio ambiente pueden formar una inteligencia ambiental que es consciente de los movimientos de las personas y adaptarse a sus necesidades de salud continuas^11,12,13,14. Al igual que los modernos sistemas de asistencia al conductor, esta forma de inteligencia ambiental puede ayudar a los médicos y cuidadores en el hogar a perfeccionar los movimientos físicos que comprenden los pasos finales de la atención médica moderna. Ya permite una mejor fabricación, vehículos autónomos más seguros y entretenimiento deportivo más inteligente¹⁵, el apoyo a la acción física clínica puede traducir de forma más fiable el rápido flujo de descubrimientos biomédicos en prestaciones sanitarias sin errores y en beneficios de las personas en todo el mundo.

1: Sensores sin contacto para inteligencia ambiental.

Los píxeles de colores brillantes denotan objetos que están más cerca del sensor de profundidad. Los píxeles negros denotan el ruido del sensor causado por objetos metálicos reflectantes. El sensor de radio muestra una firma micro-Doppler de un objeto en movimiento, para el cual el eje x denota tiempo (5 s) y el eje y denota la frecuencia Doppler. La imagen del sensor de radio se reproduce a partir de ref. ⁸⁹. El sensor acústico muestra una forma de onda de audio de una persona que habla, para la cual el eje x denota tiempo (5 s) y el eje y denota la amplitud de la señal.

Esta revisión explora cómo los sensores ambientales sin contacto, además de los dispositivos portátiles basados en contacto, pueden iluminar dos entornos críticos para la salud: hospitales y espacios de vida diarios. Con varios casos ilustrativos de uso clínico, revisamos la investigación algorítmica reciente y los estudios de validación clínica, citando los resultados clave de los pacientes y los desafíos técnicos. Concluimos con una discusión de consideraciones sociales y éticas más amplias, incluyendo privacidad, equidad, transparencia y ética. Se pueden encontrar referencias adicionales en la Nota Suplementaria 1.

Espacios hospitalarios

En 2018, aproximadamente el 7,4% de la población estadounidense requirió una estancia hospitalaria¹⁶. En el mismo año, el Servicio Nacional de Salud (NHS) del Reino Unido informó de 17 millones de episodios de admisión¹⁷. Sin embargo, los trabajadores de la salud a menudo están sobrecargados de trabajo, y los hospitales tienen poco personal y^18,19. Discutimos una serie de espacios hospitalarios en los que la inteligencia ambiental puede tener un papel importante en la mejora de la calidad de la prestación de servicios de salud, la productividad de los médicos y las operaciones comerciales (Fig. 2). Estas mejoras podrían ser de gran ayuda durante las crisis sanitarias, como las pandemias, durante las cuales los hospitales se encuentran con una oleada de pacientes²⁰.

2: Inteligencia ambiental para hospitales.

a, Sensor ambiental comercial para el que el área de cobertura se muestra en verde (es decir, el campo de visión de los sensores visuales y el alcance de los sensores acústicos y de radio). b, Los sensores desplegados dentro de una sala de pacientes pueden capturar conversaciones y los movimientos físicos de pacientes, médicos y visitantes. c, los sensores se pueden desplegar en todo el hospital. d, Comparación de predicciones y verdad sobre el terreno de la actividad a partir de los datos del sensor de profundidad. Arriba, datos de un sensor de profundidad. Medio, la predicción del algoritmo de actividad de movilización, la duración y el número de personal que asiste al paciente. La verdad del fondo, anotada por el ser humano de una revisión retrospectiva de video. d, Adaptado de ref. ²⁹.

Unidades de cuidados intensivos

Las unidades de cuidados intensivos (7U) son departamentos hospitalarios especializados en los que se trata a pacientes con enfermedades potencialmente mortales o fallas críticas de órganos. En los Estados Unidos, las 7U cuestan al sistema de salud 108.000 millones de dólares EE.UU. al año²¹ y representan hasta el 13% de todos los costos hospitalarios²².

Un caso de uso prometedor de la inteligencia ambiental en las INGENIO es el monitoreo asistido por computadora de la movilización del paciente. Las debilidades adquiridas por la UCI son un deterioro neuromuscular común en pacientes en estado crítico, lo que puede conducir a un aumento doble en la tasa de mortalidad de un año y un 30% más de costos hospitalarios²³. La movilización temprana de pacientes podría reducir la incidencia relativa de debilidades adquiridas por la UCI en un 40%²⁴. Actualmente, la evaluación estándar de la movilidad se realiza mediante la observación directa en persona, aunque su uso está limitado por la impracticidad de costes, el sesgo de los observadores y el error humano²⁵. Una medición adecuada requiere una comprensión matizada de los movimientos de los pacientes²⁶. Por ejemplo, los dispositivos portátiles localizados pueden detectar maniobras previas a la abulación (por ejemplo, la transición de estar sentados a estar de pie)²⁷, pero no pueden detectar asistencia externa o interacciones con el espacio físico (por ejemplo, sentarse en la silla frente a la cama)²⁷. Los sensores ambientales sin contacto podrían proporcionar la comprensión continua y matizada necesaria para medir con precisión la movilidad del paciente en las INGENIO.

En un estudio pionero, los investigadores instalaron sensores ambientales (Fig. 2a)en una sala de la UCI (Fig. 2b)y recopilaron 362 h de datos de ocho pacientes²⁸.

Un algoritmo de aprendizaje automático categorizado en la cama, fuera de la cama y actividades para caminar con una precisión del 87% en comparación con la revisión retrospectiva de tres médicos.

En un estudio más amplio en un hospital diferente (Fig. 2c),otro equipo de investigación instaló sensores de profundidad en ocho salas de la UCI²⁹.

Entrenaron una red neuronal convolucional¹ en 379 videos para clasificar las actividades de movilidad en cuatro categorías (Fig. 2d).

 Cuando se valida en un conjunto de datos fuera de muestra de 184 vídeos, el algoritmo demostró una sensibilidad del 87% y una especificidad del 89%.

Aunque estos resultados preliminares son prometedores, una evaluación más perspicaz podría proporcionar resultados estratificados en lugar de un rendimiento agregado en clips de vídeo cortos y aislados.

 Por ejemplo, un estudio utilizó cámaras, micrófonos y acelerómetros para monitorear a 22 pacientes en ICO, con y sin delirio, durante 7 días³⁰. El estudio encontró significativamente menos movimientos en la cabeza de pacientes delirantes en comparación con pacientes que no lo eran.

Los estudios futuros podrían aprovechar esta tecnología para detectar el delirio antes y proporcionar a los investigadores una comprensión más profunda de cómo la movilización del paciente afecta la mortalidad, la duración de la estancia y la recuperación del paciente.

Otra aplicación es el control de las infecciones hospitalarias.

En todo el mundo, más de 100 millones de pacientes se ven afectados por infecciones hospitalarias adquiridas (es decir, nosocomiales) cada año31,con hasta el 30% de los pacientes en INGENIO experimentan una infección nosocomial32.

El cumplimiento adecuado de los protocolos de higiene de las manos es uno de los métodos más eficaces para reducir la frecuencia de las infecciones nosocomiales33.

Sin embargo, la medición del cumplimiento sigue siendo difícil. Actualmente, los hospitales confían en los auditores para medir el cumplimiento, a pesar de ser costosos, no continuos y sesgados34.

Los dispositivos portátiles, en particular las insignias de identificación por radiofrecuencia (RFID), son una solución potencial. Desafortunadamente, RFID proporciona estimaciones de ubicación gruesas (es decir, dentro de las decenas de centímetros³⁵), lo que hace que no pueda clasificar los movimientos de grano fino, como los cinco momentos de higiene de las manos de la OMS³⁶.

Alternativamente, los sensores ambientales podrían monitorear las actividades de lavado de manos con mayor fidelidad, diferenciando el uso verdadero de un dispensador de alcohol-gel de un médico que camina cerca de un dispensador.

En un estudio pionero, los investigadores instalaron sensores de profundidad por encima de los dispensadores montados en la pared en toda una unidad hospitalaria^37,38. Un algoritmo de aprendizaje profundo logró una precisión del 75% al medir el cumplimiento de 351 eventos de lavado de manos durante una hora.

Durante el mismo período de tiempo, un observador en persona fue 63% preciso, mientras que un algoritmo de proximidad (por ejemplo, RFID) era sólo 18% preciso. En estudios más matizados, la inteligencia ambiental detectó el uso de equipos de³⁹ y el contacto físico con el paciente⁴⁰. Un siguiente paso crítico es traducir la observación ambiental en cambios en el comportamiento clínico, con el objetivo de mejorar los resultados de los pacientes.

Salas de operaciones

En todo el mundo, más de 230 millones de procedimientos quirúrgicos se llevan a cabo anualmente⁴¹ con hasta el 14% de los pacientes que experimentan un evento adverso⁴².

Este porcentaje podría reducirse mediante una retroalimentación quirúrgica más rápida, como un entrenamiento más frecuente de habilidades técnicas, lo que podría reducir el número de errores en un 50%⁴³.

Actualmente, las habilidades de un cirujano son evaluadas por compañeros y supervisores⁴⁴, a pesar de ser lento, poco frecuente y subjetivo. Los sensores portátiles se pueden conectar a las manos o a los instrumentos para estimar las habilidades del cirujano⁴⁵, pero puede inhibir la destreza de la mano o introducir complejidad de esterilización. Las cámaras ambientales son una alternativa discreta⁴⁶.

Un estudio entrenó una red neuronal convolucional¹ para rastrear a un conductor de aguja en videos de prostatectomía⁴⁷. Utilizando la evaluación por pares como estándar de referencia, el algoritmo clasificó a 12 cirujanos en grupos de alta y baja cualificación con una precisión del 92%. Un estudio diferente utilizó videos de diez procedimientos de colecistectomía para reconstruir las trayectorias de los instrumentos durante la cirugía y los vinculó a calificaciones técnicas de cirujanos expertos⁴⁸.

Otros estudios, como el reconocimiento de fase quirúrgica basado en video⁴⁹, podría conducir potencialmente a una mejor formación quirúrgica. Sin embargo, se necesita una validación clínica adicional y se deben probar los mecanismos de retroalimentación adecuados.

En el quirófano, la inteligencia ambiental no se limita a los videos endoscópicos⁵⁰. Otro ejemplo es el recuento quirúrgico, un proceso de conteo de gasas objetos usados para evitar que los objetos se conserven accidentalmente dentro del paciente⁵¹.

Actualmente, se requiere tiempo y esfuerzo dedicados del personal para contar visual y verbalmente estos objetos. Debido al déficit de atención y a la insuficiente comunicación del equipo⁵², es posible que el recuento judicial humano etiquete incorrectamente un objeto como devuelto cuando en realidad falta⁵¹.

Los sistemas automatizados de escrutinio, en particular, podrían ayudar a los equipos quirúrgicos⁵³. Un estudio mostró que las esponjas de laparotomía equipadas con código de barras redujeron la tasa de objetos retenidos de una vez cada 16 días a una vez cada 69 días⁵⁴. Se encontraron resultados similares con esponjas RFID y Raytec⁵⁵. Sin embargo, debido a su tamaño, los códigos de barras y RFID no se pueden aplicar a agujas e instrumentos, que son responsables de hasta el 55% de las discrepancias de recuento⁵¹—cada discrepancia retrasando el caso en 13 min de media⁵¹.

Además de las esponjas, las cámaras ambientales podrían contar estos objetos más pequeños y potencialmente miembros del personal⁵⁶. En un quirófano, los investigadores utilizaron cámaras montadas en el techo para rastrear partes del cuerpo de los miembros del equipo quirúrgico con errores tan bajos como cinco centímetros⁵⁷. Los datos ambientales recopilados en toda la sala podrían crear registros detallados de actividad intraoperatoria⁵⁸.

Aunque estos estudios son prometedores como prueba de concepto, la investigación adicional necesita cuantificar el impacto en los resultados de los pacientes, el reembolso y el aumento de la eficiencia.

Desafíos técnicos y oportunidades

La inteligencia ambiental puede iluminar potencialmente el proceso de prestación de atención médica observando comportamientos relacionados con la recuperación, reduciendo los errores clínicos no intencionales, ayudando al envejecimiento de la población y monitoreando a los pacientes con enfermedades crónicas. En la Tabla 1,destacamos siete desafíos técnicos y oportunidades relacionadas con el reconocimiento del comportamiento humano en escenas complejas y el aprendizaje de big data y eventos raros en entornos clínicos.