Por lo menos, en un 25-30% de los gastos en salud son ineficiente o fútiles, como tales podrían evitarse para ser reasignados a otras condiciones, que permitan mejorar el sistema de salud, la calidad y la equidad. Estos gastos son por atenciones de peor calidad que las esperadas, por tener infecciones de procedimientos médicos en un porcentaje mayor de todos, por internaciones potencialmente evitables, por pérdida de oportunidad terapéutica, por sobre prestar, por medicina defensiva, por la fragmentación del sistema, por las formas de contratación, por utilizar medicación sintomática o prácticas que no cuentan con evidencia científica suficiente, en indicaciones no apropiadas, entre otras cosas. La capacitación continua, la organización de los sistemas de salud, la difusión de la evidencia, el entrenamiento médico, la continuidad de atención, la inteligencia artificial, el manejo de datos, la historia clínica electrónica, la nominalización de la atención es importante, la visitas innecesarias a los servicios de emergencias, la indicación de antibióticos en patología viral, la repetición innecesaria de estudios complementarios, la utilización de prácticas de bajo valor, no tener un buen desarrollo de la atención primaria, la fuerza del complejo industrial médico, etc. De cada una de las condiciones aportadas hay que desarrollar acciones o planes para ver como las combatimos.

Nos ocuparemos, en este posteo de una revisión publicada en Abril 2022 en la Mayo Clinic proceedings. Que es muy ilustrativa del comentario inicial, que nos debe hacer reflexionar con cada indicación que hacemos.

Predicción de la utilización evitable de la atención médica: consideraciones prácticas para los modelos de inteligencia artificial/aprendizaje automático en la salud de la población

• Dr. Steven Lin Dra. Shreya Shah Amelia Sattler, MD Margarita Smith, MBA
• https://doi.org/10.1016/j.mayocp.2021.11.039

En los Estados Unidos, $1 de cada $10 de los gastos hospitalarios totales se gasta en condiciones potencialmente prevenibles. Las hospitalizaciones prevenibles y las visitas al departamento de emergencias (ED, por sus siglas en inglés) suman $100 mil millones en costos al sistema de atención médica de los EE. UU. cada año,²que es más dinero que el producto interno bruto de 140 países.³Hasta el 13% de las hospitalizaciones de adultos y el 8% de las hospitalizaciones pediátricas son potencialmente prevenibles, y la mayoría de estas hospitalizaciones prevenibles se deben a condiciones crónicas mal controladas.¹Una de cada 6 admisiones de Medicare se puede prevenir.¹En 2017, las admisiones de Medicare representaron dos tercios de todas las hospitalizaciones potencialmente prevenibles y los costos de atención médica relacionados.¹ Las hospitalizaciones prevenibles por diabetes entre los residentes de las comunidades más pobres son más de un 400 % más altas que las de las comunidades más ricas.¹ Estas marcadas disparidades de salud empeoran a medida que aumentan las disparidades de ingresos a nivel comunitario.¹ Además, hubo más de 143 millones de visitas al servicio de urgencias en 2018, lo que representa el 12,5 % de los costos generales de atención médica en EE. UU.⁴ Aproximadamente 1 de cada 5 adultos usa el servicio de urgencias al menos una vez al año, y la tasa de visitas al servicio de urgencias potencialmente prevenibles ha aumentado año tras año durante las últimas 2 décadas.⁴ Los estudios han estimado que las tasas de visitas evitables al servicio de urgencias son tan bajas como 3 % y tan altas como 70 %, un rango amplio dada la falta de consenso sobre la definición de «prevenible». ⁴ Independientemente de la cifra real, el problema es claro: el costo de manejar condiciones tratables en atención primaria es de 10 a 12 veces mayor en el servicio de urgencias que en la atención primaria, según datos de pagadores comerciales.⁵Se necesita un promedio de $2000 para manejar una afección tratable con atención primaria en un servicio de urgencias en comparación con menos de $200 en un entorno de atención primaria.⁵Las tarifas de las instalaciones hospitalarias aumentan el costo de una visita promedio al ED en más de $1000, y los servicios de laboratorio y radiología son 10 veces más costosos en el ED que en el consultorio de un médico de atención primaria (PCP).⁵El auge de los programas de reembolso basados ​​en la calidad y los modelos de pago alternativos incentiva los sistemas de prestación de atención para mejorar la salud de la población y reducir los costos de atención médica. Esta transición de la atención basada en el volumen a la atención basada en el valor incluye un enfoque en las condiciones sensibles a la atención ambulatoria, para las cuales la atención primaria oportuna y eficaz puede reducir el riesgo de una visita al servicio de urgencias u hospitalización.⁶La insuficiencia cardíaca congestiva es la afección más costosa entre las hospitalizaciones prevenibles de adultos, seguida de la diabetes y la enfermedad pulmonar obstructiva crónica.

¹El asma es la principal causa de hospitalización pediátrica prevenible.

¹Estas y otras afecciones crónicas, como la hipertensión y la depresión, son el foco de muchos sistemas de salud y pagadores a medida que desarrollan nuevos métodos para mejorar la calidad de la atención y reducir el uso evitable de la atención médica. Los estudios de intervenciones contemporáneas para reducir las visitas al servicio de urgencias y los reingresos hospitalarios han producido evidencia mixta y no revelaron soluciones mágicas,⁷⁸⁹reflejando tanto la complejidad de los desafíos como la necesidad de nuevos modelos y herramientas para abordarlos.¿Pueden la inteligencia artificial (IA) y el aprendizaje automático (ML) modernos predecir la utilización evitable de la atención médica y reducir las hospitalizaciones y las visitas a urgencias evitables? La promesa está ahí. El surgimiento de big data en el cuidado de la salud y los estándares de interoperabilidad han catalizado el crecimiento del análisis predictivo, incluidas colaboraciones recientes entre grandes empresas de tecnología y sistemas de salud.¹⁰

Aunque algunos estudios han demostrado la superioridad de AI/ML sobre los métodos tradicionales que no son AI/ML para predecir los reingresos hospitalarios y de urgencias, pocos estudios han analizado la predicción de todas las hospitalizaciones (incluidas las iniciales) y las visitas al servicio de urgencias. Una implementación reciente de un modelo AI/ML en una red de 80 centros de atención primaria superó los enfoques anteriores para identificar pacientes en riesgo.

¹⁷Se necesita más investigación para evaluar las aplicaciones en el mundo real de estos modelos de IA/ML y sus efectos en las consultas prevenibles, la calidad de la atención y el costo total de la atención.Podría decirse que esta es una de las aplicaciones más emocionantes de AI/ML en la medicina actual. ¿Cuáles son las consideraciones prácticas para la traducción y la implementación que los desarrolladores de modelos podrían adoptar al crear modelos predictivos de IA/ML para mejorar la salud de la población?

Los modelos no deben depender únicamente de las reclamaciones

Las herramientas existentes son limitadas porque son en gran medida retrospectivas y dependen en gran medida de los datos de reclamaciones. Por ejemplo, un paciente visita el servicio de urgencias o el hospital; se procesa un reclamo de seguro, que demora de 4 a 6 semanas; el plan de salud marca las visitas prevenibles y los superusuarios (es decir, pacientes con ≥2 visitas al servicio de urgencias o 1 hospitalización en los últimos 6 meses, así como el 5 % de los pacientes que representan el 50 % del gasto total); y luego, finalmente, puede haber o no una intervención, con el plan de salud comunicándose con los sistemas de salud y el consultorio del PCP, generalmente de forma mensual o semestral ( 

Figura ). Pero esto es simplemente demasiado poco, demasiado tarde.

Lo que necesitamos son modelos prospectivos y predictivos que no dependan de las reclamaciones: en otras palabras, modelos que se ejecuten en datos de registros de salud electrónicos (EHR, por sus siglas en inglés) en tiempo real que puedan predecir el riesgo de visitas a urgencias y hospitalizaciones para toda una población de pacientes, brindando esos conocimientos para el PCP y el equipo de atención primaria, quienes luego pueden ejecutar intervenciones de manera proactiva y continua, en lugar de retrospectiva y episódica. Los reclamos pueden proporcionar datos adicionales que aumentan el modelo, pero el modelo en sí no debe depender únicamente de los reclamos. En su lugar, el modelo debe funcionar con elementos de datos ilustrados en la 

Figura .

Los modelos deben proporcionar predicciones sobre cada paciente, no solo sobre aquellos que participan en la atención

La mayoría de los pacientes que visitan el servicio de urgencias no contactan ni consultan a su PCP de antemano. Las visitas prevenibles al servicio de urgencias no son una falla de los PCP que reconocen que los pacientes en su consultorio se están deteriorando, sino más bien una falla de los sistemas de salud para asignar los recursos, estructurar y equipar adecuadamente a los equipos de atención primaria para identificar a los pacientes que están enfermos en el hogar e intervenir antes de que terminen. en el servicio de urgencias o en el hospital. Por lo tanto, los modelos deben proporcionar conocimiento de la situación de cada paciente en el panel de un PCP todo el tiempo, no solo para aquellos que ingresan a la clínica. Las predicciones deben ser entregadas a los equipos de atención primaria,

⁶no solo los PCP, que están demasiado ocupados atendiendo pacientes en la clínica y deben confiar en sus equipos para coordinar la atención de los pacientes que requieren intervenciones médicas. Idealmente, los modelos predictivos deberían aumentar los programas de salud de la población impulsados ​​por humanos existentes que operan dentro de las iniciativas de atención basadas en el valor.

Los modelos deben basarse en datos de pacientes ambulatorios

La mayoría de los modelos predictivos en desarrollo se basan en datos de pacientes hospitalizados, no ambulatorios. Pero la atención hospitalaria es solo el 4% de toda la atención.

¹⁸y no refleja el tipo de atención brindada en entornos ambulatorios. Parece obvio, pero los modelos para la salud de la población deben basarse en datos de pacientes ambulatorios, de los cuales la atención primaria es la más sólida y aplicable, y representa el 52 % de las visitas al consultorio médico de EE. UU., más que todas las demás especialidades combinadas.

¹⁸Los pacientes interactúan con los PCP a menudo y en una variedad de contextos (p. ej., atención aguda, crónica, preventiva) que generan la gama más amplia de datos clínicos y biopsicosociales. A diferencia de los datos de pacientes hospitalizados, que son más dinámicos y tienen horizontes de tiempo más cortos (medidos en horas o días), los datos en entornos ambulatorios, especialmente de atención primaria, son más estables y abarcan de meses a años, lo que proporciona predicciones más sólidas para eventos en horizontes de tiempo más largos.

¹⁹La creciente adopción del monitoreo remoto de pacientes en entornos ambulatorios continuará acortando los horizontes de tiempo con datos continuos de dispositivos conectados y dispositivos portátiles, lo que permitirá predicciones de resultados a más corto plazo.

¹⁹Los datos de pacientes ambulatorios también incluyen información sobre los patrones de prestación de atención y las brechas de atención sistémica que afectan el riesgo de hospitalización, como la fragmentación de la atención entre atención primaria y especializada.Aunque algunos modelos de IA/ML están diseñados para implementarse en entornos de atención ambulatoria, necesitamos modelos predictivos más sólidos que integren datos de entornos de pacientes ambulatorios y hospitalizados para guiar las intervenciones en la atención primaria. Reducir las visitas a urgencias y las hospitalizaciones evitables requiere intervenciones ambulatorias estructuradas y dirigidas que se produzcan de forma constante a lo largo del tiempo. Los datos utilizados para crear modelos predictivos deben alinearse con las estrategias y los contextos en los que se utilizarán los resultados de estos modelos para cambiar los resultados.

Los modelos deben tener en cuenta la equidad en salud y considerar fuentes de datos fuera de los EHR

Los modelos basados ​​en datos de EHR por sí solos pueden no ser adecuadamente representativos u oportunos. Debemos recordar que los datos en los EHR representan solo a aquellos con acceso a la atención; pero ¿qué pasa con los que no? De hecho, el acceso desigual a la atención entre las minorías raciales y étnicas puede llevar a los modelos a subestimar sus riesgos.

²⁰Agregar los determinantes sociales de los datos de salud, incluidos el vecindario/medio ambiente, los comportamientos/hábitos de estilo de vida, el idioma, el transporte, los ingresos, la tensión financiera, el apoyo social y la educación, a los modelos de predicción actuales puede mejorar la precisión del modelo para la hospitalización, la muerte y los costos de la atención.

²¹Además, la identificación oportuna de los riesgos para la salud a nivel de la población puede verse reforzada por datos de dominio público, como los datos de búsqueda en Internet y los datos de las redes sociales. Por ejemplo, uno de los predictores más poderosos de brotes de enfermedades infecciosas es un grupo de personas en una región geográfica que buscan síntomas similares en línea.

²²Otro ejemplo: uno de los primeros predictores de depresión y ansiedad es cómo se comportan las personas en sus redes sociales.

²³Por lo tanto, los desarrolladores de modelos deben incluir fuentes de datos dentro y fuera de los EHR mientras se adhieren a las mejores prácticas de privacidad de datos. Las leyes actuales de la Ley de Portabilidad y Responsabilidad del Seguro Médico de 1996 están desactualizadas y no brindan una guía adecuada para la gestión de big data en la era de AI/ML,

²⁴destacando una necesidad crítica de rendición de cuentas de los sistemas de salud y terceros con acceso a los datos. ¿Cómo podemos incorporar EHR y datos públicos de una manera protegida por privacidad para que podamos cuidar mejor la salud de poblaciones enteras? Esa es una pregunta que la investigación futura debe abordar.

Los modelos deben estar conectados a una plataforma efectiva de participación del paciente

Incluso si existe el modelo perfecto, conectar esas predicciones con intervenciones clínicas requiere una plataforma efectiva de participación del paciente. Los portales de pacientes conectados a EHR parecen ser la opción obvia, y su uso se ha asociado con una disminución de las visitas al servicio de urgencias y hospitalizaciones, una mayor calidad de atención para las afecciones crónicas y una alta satisfacción del paciente.

²⁵Sin embargo, los inconvenientes del portal relacionados con la baja adopción por parte de los pacientes, la inequidad en la salud y el agotamiento de los proveedores aún no se han resuelto.

²⁵La persona que realiza el contacto con el paciente también es importante. Cuando un paciente recibe una comunicación de su plan de salud, la tasa de apertura de ese mensaje es solo del 3% aproximadamente. Esa tasa abierta aumenta drásticamente si la comunicación proviene de alguien que el paciente reconoce como parte de su equipo de atención primaria (30 %-60 %) y es más alta cuando proviene de su PCP (60 %-90 %) (Stanford Medicine, datos no publicados , 2021). Por lo tanto, el mejor enfoque es aprovechar la relación de confianza que los pacientes ya tienen con su PCP y el equipo de atención primaria, diseñando modelos pensando en los usuarios finales para transformar las predicciones del modelo en intervenciones efectivas en el mundo real.

Conclusión

Las hospitalizaciones evitables y las visitas al servicio de urgencias son una fuente grave de sufrimiento humano y dolor económico que AI/ML puede abordar al predecir el uso evitable de la atención médica. Estos modelos no deberían depender únicamente de los datos de siniestros. Deben proporcionar conocimiento de la situación de cada paciente en todo momento, no solo de aquellos que se dedican a la atención. Deben basarse en datos de pacientes ambulatorios. Deben tener en cuenta la equidad en salud, considerar fuentes de datos fuera de los EHR y adherirse a las protecciones de privacidad de datos. Por último, deben estar conectados a una sólida plataforma de participación del paciente para que los equipos de atención hagan operativas sus predicciones en intervenciones clínicas efectivas. Los médicos y los desarrolladores de modelos de IA/ML deben trabajar juntos para lograr el santo grial de la salud de la población moderna: combinar predicciones precisas con intervenciones efectivas para pacientes comprometidos