Administrador de casos digital: una herramienta basada en datos para ayudar a los cuidadores familiares con orientación inicial

Paul Wunderlich , Frauke Wiegräbe , Helene Dörksen 

Debido al envejecimiento demográfico de la sociedad, la demanda de cuidados cualificados está aumentando. Sin embargo, la escasez ya existente de cuidadores profesionales se agravará en el futuro. Como resultado, los cuidadores familiares deben soportar una mayor parte de la carga de cuidados. Para aliviar la carga y promover un mejor equilibrio entre el trabajo y la vida personal, desarrollamos Digital Case Manager. Esta herramienta utiliza algoritmos de aprendizaje automático para conocer la relación entre una situación de atención y los siguientes pasos de atención y ayuda a los cuidadores familiares a equilibrar su vida profesional y privada para que puedan seguir cuidando a sus familiares sin sacrificar sus propios trabajos y ambiciones personales. Los datos para el modelo de aprendizaje automático se generan mediante un cuestionario basado en instrumentos de evaluación profesional. Implementamos una prueba de concepto del Digital Case Manager y las pruebas iniciales muestran resultados prometedores. Ofrece una herramienta rápida y fácil de usar para los cuidadores familiares en las primeras etapas de una situación de cuidado.

Palabras clave: aprendizaje automático, atención médica, gestión de casos, atención, clasificación de etiquetas múltiple

1. Introducción

El envejecimiento de la población en Alemania provoca una creciente necesidad de cuidados. Según la Oficina Federal de Estadística, actualmente 4,1 millones de personas en Alemania necesitan cuidados en virtud de la Ley alemana del seguro de cuidados a largo plazo (SGB XI). De ellos, aproximadamente el 80% son atendidos en casa [ 1 ]. Se prevé que en los próximos años habrá un aumento de enfermedades crónicas como los accidentes cerebrovasculares y la demencia, lo que generará una mayor demanda de terapia y atención. La investigación realizada por Glaeske [ 2 ] indica que la necesidad de atención está aumentando y que una disminución en el rendimiento cognitivo está fuertemente correlacionada con la necesidad de asistencia.

A la luz de estos avances, las tecnologías interactivas se están volviendo más populares como medio para brindar atención médica y de enfermería a quienes la necesitan. Según el Ministerio Federal de Educación e Investigación de Alemania (BMBF2022), estas tecnologías pueden mejorar significativamente la calidad de la atención al aliviar la tensión física y mental que experimentan los cuidadores formales e informales en el curso de sus tareas diarias y elevar el nivel de atención. dada por la profesión asistencial. En lugar de sustituir a los cuidadores capacitados, estas herramientas tecnológicas están diseñadas para complementarlos y apoyarlos en sus funciones, aligerando su carga de trabajo y agilizando su trabajo. Este método considera tanto a las personas que reciben atención como a la red más amplia de profesionales de la salud. Glauner [ 3 ] ve un gran potencial para la aplicación de la inteligencia artificial (IA) en la atención sanitaria. La inteligencia artificial puede permitir una atención más personalizada a los pacientes y ayudar a reducir los costes sanitarios y los tiempos de espera. Actualmente, la aplicación de la inteligencia artificial y el aprendizaje automático en la atención sanitaria se concentra en gran medida en el diagnóstico de enfermedades, como la diabetes [ 4 , 5 ], el cáncer de mama [ 6 ], la enfermedad de Alzheimer [ 7 ], la enfermedad renal [ 8 , 9 ], enfermedad de la tiroides [ 10 ] y muchas otras. Esto es particularmente cierto para los métodos de diagnóstico que proporcionan datos eficientes para el aprendizaje de modelos, como los procedimientos basados ​​en imágenes como la resonancia magnética (MRI) [11] , la tomografía computarizada (CT) [ 12 , 13 ], la tomografía por emisión de positrones (PET) [ 14 ], etc.

La IA en la atención sanitaria es utilizada principalmente por profesionales sanitarios, pero cada vez hay más investigaciones sobre este tema [ 15 ]. Nuestro objetivo es desarrollar una herramienta que ayude a los cuidadores familiares a gestionar su conciliación entre vida personal y laboral, para que puedan seguir cuidando a sus familiares sin sacrificar su propio trabajo y sus aspiraciones personales. En casos de emergencias médicas, como accidentes cerebrovasculares o demencia, los pacientes y sus familias a menudo tienen dificultades para acceder y utilizar los servicios de apoyo proporcionados por el sistema sanitario alemán. Además, existe una falta de coordinación y estructuras de creación de redes entre los diferentes sectores del sistema de salud, lo que genera una falta de orientación y apoyo para las personas que necesitan atención. En este contexto, la gestión de casos digital ofrece orientación y asistencia valiosas a los pacientes y sus familias, ayudándoles a afrontar sus situaciones de atención individuales. Reeves [ 16 ] afirma que la gestión de casos digitales puede mejorar la comunicación y mejorar la eficiencia del proceso de tratamiento para los afectados.

Por ello, hemos formulado las siguientes preguntas de investigación:

• I.¿Qué sistemas o herramientas de atención médica basados ​​en el aprendizaje automático pueden ayudar a los cuidadores familiares a navegar por el sistema de atención médica, identificar las mejores opciones de atención para sus familiares y equilibrar su trabajo y sus responsabilidades de cuidado?
• II.¿Qué tipo de datos se requieren para entrenar una herramienta basada en datos como orientación inicial y cómo se pueden obtener?
• III.¿Cuál es el desafío subyacente del aprendizaje automático y cómo se puede abordar este desafío en el contexto de una situación de atención?
• IV.¿Con qué precisión puede la herramienta basada en datos predecir los siguientes pasos en el proceso de atención de un paciente durante la fase inicial, basándose en las respuestas a un cuestionario completado por el cuidador familiar, dado que el conjunto de datos de capacitación está familiarizado con situaciones de atención similares?

2. Materiales y métodos

El aprendizaje automático puede ayudar a los cuidadores familiares a navegar por el sistema de salud, identificar las mejores opciones de atención para sus familiares y equilibrar su trabajo y sus responsabilidades de cuidado. Los ejemplos incluyen sistemas de recomendación [ 17 , 18 ], herramientas de gestión de la salud [ 19 ] y sistemas de apoyo a la toma de decisiones [ 20 ].

Los sistemas de recomendación ayudan a los cuidadores familiares a encontrar opciones de atención adaptadas a las necesidades de sus familiares al considerar factores como condiciones médicas, preferencias y ubicación. Proporcionan recomendaciones sobre centros de atención, servicios y proveedores que son apropiados para la situación del individuo. Las herramientas de gestión de la salud, como las aplicaciones, ayudan a los cuidadores familiares a gestionar las necesidades de salud y atención de sus familiares. Estas herramientas brindan información en tiempo real sobre los signos vitales, el cumplimiento de la medicación y otros factores de salud, lo que permite a los cuidadores detectar posibles problemas y tomar medidas oportunas. Los sistemas de apoyo a las decisiones facilitan a los cuidadores familiares la toma de decisiones bien informadas sobre el cuidado de sus familiares al brindarles información sobre diferentes opciones de cuidado, incluidos los riesgos y beneficios potenciales, además de orientación sobre cómo elegir la mejor opción. También pueden ayudar a los cuidadores a evaluar la idoneidad de los diferentes proveedores de atención.

Elegimos crear un sistema de recomendación para la etapa inicial de un escenario de atención porque ofrece una orientación valiosa a los cuidadores familiares que se sienten abrumados. En particular, los cuidadores que intentan equilibrar el trabajo y las obligaciones de cuidado pueden no tener el tiempo o los recursos para pasar horas navegando por Internet y sopesando diferentes opciones de cuidado. Un sistema de recomendación les proporciona asesoramiento personalizado de forma rápida y sencilla, ahorrándoles tiempo y esfuerzo y permitiéndoles concentrarse en su trabajo y tareas de cuidado. Esto es especialmente beneficioso para los cuidadores que enfrentan condiciones médicas complejas u otras situaciones desafiantes en sus vidas.

2.1. Concepto de administrador de casos digital

El proceso de desarrollo del Digital Case Manager se describe esquemáticamente enFigura 1. La figura se divide en dos áreas principales: la generación de datos, necesaria para crear un modelo de aprendizaje automático (modelo ML), y la creación y aplicación del modelo en sí. La creación del modelo ML y su uso se representan en la sección inferior de la figura, mientras que la generación de datos se muestra en la sección superior.

Figura 1

Concepto de Gestor de Casos Digital.

Una línea discontinua indica el flujo de trabajo de la aplicación Digital Case Manager. Aquí se establece el procedimiento, comenzando con un caso de atención y terminando con la aplicación del modelo ML y la predicción de los siguientes pasos. El Administrador de Casos Digital está resaltado con una línea continua y está ubicado en el centro. Se basa en el modelo ML, que descubre las conexiones entre una situación de atención y los siguientes pasos. Esto permite al modelo, tras recibir las respuestas del cuidador familiar a un cuestionario, determinar los siguientes pasos para la situación de cuidado específica y ofrecer una orientación inicial a los afectados. A continuación encontrará más información sobre cada etapa de este proceso.

2.2. Concepto de generación de datos

Los datos son esenciales para la implementación exitosa del aprendizaje automático. En el sector sanitario, debido a las normas de protección de datos, resulta complicado obtener datos reales de fuentes como las compañías de seguros de salud. En nuestro trabajo científico, nos encontramos con este problema y nos vimos obligados a generar datos artificiales para nuestra investigación. Es fundamental que los datos generados reflejen con precisión las características y patrones de los datos del mundo real para que los modelos de aprendizaje automático entrenados en ellos puedan hacer predicciones precisas y proporcionar recomendaciones útiles. Para lograr esto, desarrollamos un concepto de generación de datos teniendo en cuenta los diversos factores que influyen en las situaciones de atención y los pasos de atención necesarios. Este concepto implica aportaciones de expertos en atención profesional y tiene como objetivo proporcionar una representación integral y realista de las situaciones de atención y los pasos necesarios. El flujo de trabajo de todo el proceso de generación de datos se representa esquemáticamente en Figura 2.

Flujo de trabajo del proceso de generación de datos.

Para generar datos, se necesita un cuestionario que capture la situación de atención relevante. Esto permite que la situación física se traduzca en datos procesados ​​por un algoritmo informático. Además del cuestionario, también necesitamos casos de uso que describan y representen situaciones de atención específicas. Estas situaciones de atención son documentadas por expertos en atención médica mediante el cuestionario, y también se registran los pasos de atención recomendados. A partir de los casos de uso, se construyen esquemas que sirven como plantillas, que también permiten ligeras desviaciones de los casos de uso originales. Por medio de los esquemas, el algoritmo genera datos aleatorios, que son una representación multifacética y realista. El algoritmo de generación de datos se describe en profundidad en la Sección 2.7 .

2.3. Cuestionario

El cuestionario es un componente vital de nuestro proceso de recopilación de datos. Se basa en los métodos de encuesta del Servicio Médico Alemán de las Cajas de Seguros de Enfermedad (MDK) [ 21 ], que se encarga de proporcionar una atención óptima en el marco de las tareas de asesoramiento y evaluación sociomédicas para la salud y los cuidados de larga duración. seguro de cuidados a término. El MDK utiliza un cuestionario, una herramienta de evaluación ampliada, cuyo objetivo es evitar reducir la necesidad de cuidados a la necesidad de ayuda en las tareas cotidianas. Tiene en cuenta las deficiencias de independencia y las limitaciones funcionales en diferentes áreas de la vida cotidiana [ 2 ]. Elegimos utilizar el cuestionario MDK como base para nuestra encuesta porque proporciona criterios objetivos y un registro completo de las situaciones de atención. Además, incluimos otras herramientas de evaluación profesional de la atención geriátrica, como el Índice de Barthel [ 22 ] y el cuestionario “Actividades Instrumentales” según Lawton/Brody (IADL) [ 23 ], basados ​​en discusiones e investigaciones bibliográficas. El objetivo de nuestro cuestionario es captar la necesidad de ayuda para proporcionar al usuario recomendaciones adecuadas para una mayor atención y posibles próximos pasos, incluidas referencias a centros de atención y salud, proveedores de servicios, ayudas para la atención y opciones residenciales sin barreras.

El cuestionario consta de siete módulos e incluye 47 preguntas con una escala Likert de 4 puntos. Estas preguntas son el mínimo necesario para cubrir todas las áreas importantes de la situación asistencial y así permitir una predicción de los próximos pasos. Todas las preguntas se pueden encontrar en el Apéndice A. El uso de una escala Likert permite un enfoque estandarizado y cuantitativo para evaluar las respuestas, lo cual es importante para la precisión y confiabilidad del modelo de aprendizaje automático.

2.4. Módulos

Los siete módulos son los siguientes:

1. Movilidad;
2. Habilidades Cognitivas y Comunicativas;
3. Problemas conductuales y psicológicos;
4. Cuidados personales;
5. Gestión de las necesidades de salud y terapia;
6. Gestión de la vida diaria y las interacciones sociales;
7. Organización de la Atención.

El primer módulo, “Movilidad”, evalúa si se requiere asistencia externa para acciones como levantarse o subir escaleras. Hay siete preguntas al respecto. La capacidad de comunicarse se evalúa en el segundo módulo, “Habilidades cognitivas y comunicativas”, que también analiza otras deficiencias mentales. En este módulo también se incluyen siete preguntas. El tercer módulo, “Cuestiones psicológicas y de comportamiento”, contiene cuatro preguntas y se centra en cuestiones como el comportamiento agresivo, la ansiedad y los estados de ánimo depresivos. Once preguntas conforman el cuarto módulo, “Autocuidado”, que evalúa la capacidad para realizar tareas vinculadas al manejo del hogar y la higiene personal. El quinto módulo, «Gestión de las necesidades de salud y terapia», tiene ocho preguntas y cubre habilidades que incluyen la capacidad de tomar medicamentos y evaluar el nivel de azúcar en la sangre por sí solo. El sexto módulo, “Gestión de la vida cotidiana y las interacciones sociales”, contiene cuatro preguntas que determinan la capacidad para organizar el día e interactuar con los demás. Seis preguntas componen el último módulo, “Organización de la Atención”, que se centra en la asistencia o cuidado prestado al destinatario de la evaluación.

Estos módulos cubren una amplia gama de aspectos importantes de una situación de atención, lo que nos permite recopilar datos completos y precisos que pueden usarse para hacer recomendaciones para atención adicional y los próximos pasos. Se basan en las mejores prácticas y técnicas expertas de la atención geriátrica, lo que garantiza que el cuestionario sea confiable y eficaz para evaluar las necesidades de atención de las personas mayores.

2.5. Preguntas

Para proporcionar más información sobre el cuestionario, a continuación se muestra un ejemplo de las preguntas contenidas en el Módulo 1, “Movilidad”:

1. Cambiar de posición en la cama (p. ej., girar y girar en la cama);
2. Mantenerse en posición sentada;
3. Levantarse del asiento;
4. Transferencia de la cama, por ejemplo, a la silla de ruedas;
5. Desplazarse dentro del hogar;
6. Mudarse fuera del hogar;
7. Subiendo escaleras.

Estas preguntas se seleccionan y adaptan para obtener una comprensión profunda sobre la capacidad de la persona para realizar actividades físicas. Captan los aspectos relevantes y permiten predicciones precisas de los próximos pasos de atención.

Las opciones de respuesta son las siguientes:

1. Posible sin ayuda externa;
2. Se necesita ayuda externa;
3. Se necesita predominantemente ayuda externa;
4. Se necesita ayuda externa por completo;
5. No requerido.

Las opciones de respuesta del cuestionario permiten a la persona describir de forma precisa y exhaustiva su situación asistencial. Esto asegura que el registro de las necesidades y capacidades de la persona sea consistente y siga una forma estandarizada.

2.6. Casos de uso

Los casos de uso son un componente esencial de nuestro proceso de generación de datos, ya que proporcionan escenarios y contexto específicos para las respuestas del cuestionario. Basados ​​en la CIF (Clasificación Internacional del Funcionamiento, la Discapacidad y la Salud) de la Organización Mundial de la Salud (OMS) [ 24 ], estos escenarios se centran en los accidentes cerebrovasculares, la demencia y los cuidados. Un total de 28 casos de uso fueron cuidadosamente elaborados por expertos en atención y fueron seleccionados para proporcionar una muestra representativa dentro del marco de tiempo limitado de nuestro proyecto.

Estos patrones de enfermedades crónicas capturan la complejidad y la naturaleza a largo plazo de las situaciones de atención y tienen como objetivo representar la atención médica y de enfermería de la manera más precisa y completa posible. Los escenarios de casos sobre el tema de los cuidados se eligieron deliberadamente para distinguirlos de las enfermedades diagnosticadas médicamente con el fin de cristalizar cualquier diferencia con respecto a los pasos del cuidado. Inicialmente, el Administrador de Casos Digital solo se aplica a estas áreas específicas. Sin embargo, se puede ampliar fácilmente para incluir datos de otras situaciones de atención, como la enfermedad de Parkinson, según sea necesario.

Para ampliar los datos, desarrollamos esquemas basados ​​en los casos de uso que sirven como plantillas para nuestro algoritmo de generación de datos. Estos esquemas permiten ligeras variaciones con respecto a los 28 casos de uso originales, sin dejar de conducir a los mismos siguientes pasos en el proceso de atención. Las variaciones permitidas fueron revisadas cuidadosamente por expertos en atención para garantizar su realismo y relevancia. La inclusión de tales variaciones en los datos generados nos permite capturar la diversidad de situaciones de atención de manera más efectiva. Al permitir múltiples opciones de respuesta para una pregunta determinada, incluso en situaciones de atención similares, podemos reflejar la complejidad y singularidad de cada caso individual. Esto mejora la calidad y el realismo de los datos generados y ayuda a mejorar el aprendizaje del modelo ML. A pesar del enfoque inicial en ciertas áreas de atención, nuestro enfoque nos permite generar una variedad de escenarios de atención complejos y enriquecer el conocimiento y las capacidades del modelo ML.

2.7. Algoritmo de generación de datos

Los casos de uso y sus esquemas descritos hasta ahora no proporcionan suficiente información para fines de aprendizaje automático. Para entrenar y evaluar adecuadamente un modelo de aprendizaje automático, necesitamos un conjunto de datos que incluya múltiples situaciones de atención. Cada fila de este conjunto de datos debe representar una situación de atención diferente e incluir las respuestas a las preguntas del cuestionario. Para crear este conjunto de datos, utilizamos los esquemas como plantillas y variamos las respuestas al cuestionario según las variaciones permitidas especificadas en el esquema. Para automatizar este proceso, hemos desarrollado un Algoritmo 1 de generación de datos.

Algoritmo 1: Algoritmo de generación de datos.

Requerir: casos de uso U , esquemas S , preguntas Q , etiquetas L   Establezca el número de puntos de datos que se generarán, n   Inicializar un contadoryo = 0mientras yo < n hacer         Seleccione aleatoriamente un caso de usotu ∈ tu         Seleccione un esquemas ∈ Spara el caso de uso uparaj = 1al numero de preguntas, q hacer             Seleccione aleatoriamente una respuesta para una preguntaqjbasado en los esquemas para el caso de uso ufin para         Agrega las etiquetasyotupara el caso de uso u         Incrementar el contador:yo = yo + 1terminar mientrasdevolver datos generados

El algoritmo comienza seleccionando aleatoriamente uno de los 28 casos de uso disponibles. Luego utiliza el esquema correspondiente como plantilla y recorre todos los módulos y preguntas del cuestionario, seleccionando aleatoriamente una de las opciones para cada pregunta. Una vez respondidas todas las preguntas, el algoritmo almacena los siguientes pasos en la última columna del conjunto de datos. Este proceso se repite seleccionando aleatoriamente un nuevo caso de uso y creando una nueva situación de atención hasta alcanzar el número solicitado de situaciones de atención. Por lo tanto, cada fila del conjunto de datos corresponde a una situación de atención generada.

Datos generados

Para mejorar la comprensión de la estructura de datos, los datos generados se muestran en

tabla 1

Estructura del conjunto de datos generado.

Cambiar de posición en la cama (p. ej., girar y girar en la cama)	Sostenerse en posición sentada	…	Proveedores de servicios profesionales, como servicios de atención domiciliaria o instalaciones de atención residencial	Próximos pasos (etiquetas)
Posible sin ayuda externa	Posible sin ayuda externa	…	Sí	Cuidado ambulatorio
				Cuidado y acompañamiento
				Terapia del lenguaje
				Terapia ocupacional
				Ayuda a domicilio
				Medicamento
Se necesita principalmente ayuda externa	Se necesita principalmente ayuda externa	…	No	Cuidado ambulatorio
				Cuidado y acompañamiento
				Fisioterapia
				Terapia ocupacional
				Terapia del lenguaje
				Dispositivos de ayuda
				Medicamento
				Opciones de autoayuda y soporte
Se necesita ayuda externa	Se necesita ayuda externa	…	No	Cuidado ambulatorio
				Cuidado y acompañamiento
				Fisioterapia
				Terapia ocupacional
				Dispositivos de ayuda
				Medicamento
…	…	…	…	…
Se necesita principalmente ayuda externa	Ayuda externa completamente necesaria	…	Sí	Cuidado de paciente hospitalizado

El conjunto de datos está organizado en formato tabular, con filas que representan situaciones de atención individuales y columnas correspondientes a las diversas características y etiquetas. Las características constan de 47 preguntas planteadas al paciente o cuidador, mientras que las etiquetas representan los próximos pasos o recomendaciones de atención. Para proporcionar un ejemplo concreto, consideremos la primera fila del conjunto de datos, que pertenece a una situación de atención que involucra un accidente cerebrovascular. Las dos primeras columnas pertenecen al módulo «Movilidad» y preguntan si el paciente necesita ayuda con tareas como cambiar de posición en la cama o mantenerse sentado. Este patrón se repite para las 47 preguntas. La última columna contiene las etiquetas, que pueden incluir recomendaciones de atención ambulatoria, atención y acompañamiento, logopedia, terapia ocupacional, ayuda doméstica y medicación. En el Apéndice B se puede encontrar una lista de todos los siguientes pasos utilizados . Desde una perspectiva de aprendizaje automático, las columnas que comprenden las preguntas y las etiquetas representan las entradas utilizadas para entrenar un modelo. El objetivo de dicho modelo sería predecir los próximos pasos apropiados para una situación de atención determinada en función de las respuestas del paciente a las preguntas.

3. Resultados

El problema subyacente de determinar los pasos apropiados a seguir en una situación de atención determinada se puede representar como una tarea de clasificación de etiquetas múltiples en el aprendizaje automático. Esto significa que se pueden asignar varias clases (p. ej., ergoterapia, medicación) a una única instancia (es decir, situación de atención) en el Administrador de casos digital. La clasificación de etiquetas múltiples es un tipo de aprendizaje multitarea, un subcampo del aprendizaje automático donde se resuelven múltiples tareas simultáneamente [ 25 ]. Implica el uso de varios clasificadores binarios para manejar clases individuales y es similar a la clasificación de clases múltiples, donde solo se puede asignar una clase a una instancia. Sin embargo, en la clasificación de etiquetas múltiples, se permiten múltiples clases por instancia. La clasificación de etiquetas múltiples se utiliza a menudo para categorizar textos o recursos multimedia [ 26 ]. Por ejemplo, un artículo de periódico puede asignarse a varios departamentos, como política, economía y deportes. Matemáticamente, la clasificación de etiquetas múltiples implica encontrar un modelo que asigne datos de entrada a las etiquetas apropiadas (próximos pasos en el cuidado). A cada etiqueta se le asigna un valor de 0 o 1, donde 0 indica que la etiqueta no se aplica y 1 indica que sí. El objetivo del modelo de aprendizaje automático en este contexto es asignar las etiquetas apropiadas (próximos pasos en la atención) a cada situación de atención descrita por las características (respuestas al cuestionario). El concepto para crear este modelo se ilustra en figura 3.

Concepto de modelo de aprendizaje automático.

Los datos generados a partir de los cuestionarios se utilizaron como entrada para el algoritmo de aprendizaje del modelo, que se basa en el Clasificador de Bosque Aleatorio [ 27 ]. El clasificador de bosque aleatorio es un método de aprendizaje conjunto que combina varios árboles de decisión para realizar predicciones. Se eligió para este problema en particular porque es eficaz para tareas de clasificación de etiquetas múltiples, como lo demostraron Madjarev et al. [ 28 ]. Sin embargo, las técnicas de aprendizaje automático más avanzadas, como las redes neuronales o los algoritmos de aprendizaje profundo, no fueron aplicables en este caso porque requieren grandes cantidades de datos para aprender patrones y relaciones con precisión [29 ] . Con un conjunto de datos pequeño como el nuestro, las predicciones realizadas por estos algoritmos pueden no ser confiables o precisas. Además, los algoritmos de aprendizaje profundo requieren arquitecturas complejas con muchas capas para aprender patrones complejos, lo que los hace menos adecuados para conjuntos de datos pequeños. Por lo tanto, decidimos utilizar un algoritmo de aprendizaje automático más simple como Random Forest Classifier, que aún puede proporcionar un buen rendimiento con una cantidad limitada de datos. El algoritmo de aprendizaje del modelo se describe en pseudocódigo en el Algoritmo 2.

Algoritmo 2: Algoritmo de aprendizaje modelo.

Requerir: datos DAsegurar: modelo M    Transforma las etiquetas de cada fila de los datos en una lista L    Convertir las respuestas a las preguntas a números enteros I    Divida los datos D en entrenamientoDtreny conjuntos de pruebaDtren    Entrenar un clasificador de múltiples salidasMETROOC _usando un RandomForestClassifierRF _CconDtrencomo entrada    Establecer el número de estimadores enRF _Ca 10devolver METRO= METROOC _( RF _C,norteestimadores= 10 )

Las etiquetas primero se transforman de una cadena a una lista de forma individual. Esto nos permite abordar cada paso como un problema de clasificación separado, que es el requisito previo si queremos aplicar el clasificador de salidas múltiples para la predicción. Las respuestas a las preguntas también se convierten a números enteros para simplificar el procesamiento y la aplicación. A continuación, se separan los datos de entrenamiento y los datos de prueba. Esto nos permite evaluar la capacidad del modelo para generalizar a datos novedosos y no observados y producir pronósticos confiables sobre esos datos. El clasificador de salidas múltiples es un modelo de aprendizaje automático que consta de múltiples clasificadores binarios, cada uno de los cuales es responsable de predecir una etiqueta u objetivo específico. En este caso, empleamos el clasificador de bosque aleatorio como clasificador binario y configuramos el hiperparámetro para el número de árboles de decisión por bosque aleatorio en 10 para equilibrar la eficiencia y la precisión computacionales. Para entrenar el modelo, utilizamos un conjunto de datos etiquetados conocidos como datos de entrenamiento. Una vez entrenado el modelo, puede hacer predicciones sobre nuevos datos de entrada, que incluyen respuestas a preguntas y otra información relevante. El modelo emplea clasificadores binarios entrenados para predecir los valores de cada etiqueta objetivo, y estas predicciones pueden determinar los siguientes pasos del proceso.

3.1. Evaluación

Antes de utilizar el modelo para la predicción, es importante evaluar su desempeño. Para hacer esto, utilizamos datos de prueba invisibles, que no se utilizan para entrenar el modelo. Los datos de prueba ya están en el formato correcto para el modelo, como se muestra en el Algoritmo 2. La evaluación implica comparar las predicciones del modelo sobre los datos de prueba con las etiquetas de verdad conocidas. Esto nos permite medir la precisión del modelo y determinar qué tan bien se generaliza a datos nuevos e invisibles. Si el modelo funciona bien con los datos de prueba, podemos tener confianza en su capacidad para hacer predicciones precisas sobre otros datos similares. Evaluamos el modelo comparando el desempeño de tres conjuntos de datos diferentes para examinar el impacto de datos insuficientes en el desempeño del modelo: Conjunto de datos 100, que contiene 100 situaciones de atención generadas; Dataset 500, que contiene 500 situaciones de atención generadas; y Dataset 1000, que contiene 1000 situaciones de atención generadas. Para cada conjunto de datos, los datos se separan en conjuntos de entrenamiento y de prueba utilizando una proporción de 70:30. Esto nos permite entrenar el modelo con los datos de entrenamiento y evaluar su rendimiento con los datos de prueba, utilizando las etiquetas de verdad del terreno conocidas. Al comparar el desempeño del modelo en los diferentes conjuntos de datos, podemos investigar la influencia de la cantidad de datos en la precisión y la capacidad de generalización del modelo.

Hemos calculado una variedad de métricas para evaluar el rendimiento de nuestro modelo, incluidas medidas clásicas como precisión, puntuación F1 y validación cruzada de 2 y 10 veces, así como métricas diseñadas específicamente para la tarea de etiquetas múltiples. clasificación, como pérdida de Hamming, error de cobertura, precisión promedio de clasificación de etiquetas y pérdida de clasificación de etiquetas. La precisión es una métrica comúnmente utilizada que evalúa la proporción de predicciones realizadas por el modelo que coinciden con las etiquetas asignadas por los expertos para una situación de atención particular. La puntuación F1 es una métrica que equilibra la precisión y la recuperación, y se calcula como la media armónica de estos dos valores. En el contexto de la clasificación de etiquetas múltiples, la puntuación F1 es la puntuación F1 promedio para cada etiqueta, con los pesos de cada etiqueta determinados por el número de muestras. Esto nos permite evaluar el rendimiento general del modelo en todas las etiquetas, teniendo en cuenta tanto la precisión como la recuperación. La validación cruzada es una técnica de remuestreo que se aplica para evaluar el rendimiento de un modelo entrenándolo y probándolo en diferentes subconjuntos de datos [ 30 ]. Este método proporciona estimaciones más sólidas del rendimiento del modelo, ya que se prueba en un conjunto diverso de datos en lugar de solo un único conjunto de entrenamiento o prueba. La pérdida de Hamming es una métrica diseñada específicamente para tareas de clasificación de etiquetas múltiples [ 31 ]. Cuantifica el número promedio de etiquetas que el modelo predice incorrectamente y se calcula sumando las pérdidas de entropía cruzada binaria individuales para cada etiqueta. Esta métrica varía de 0 a 1, donde 0 representa el resultado óptimo. La pérdida de Hamming es particularmente útil para evaluar el rendimiento de un modelo de clasificación de etiquetas múltiples en los casos en que las etiquetas están desequilibradas o el modelo predice una gran cantidad de etiquetas. El error de cobertura es una métrica que refleja el número promedio de etiquetas que deben incluirse en la predicción final para identificar correctamente todas las etiquetas verdaderas [ 32 ]. La puntuación de precisión promedio de clasificación de etiquetas es el promedio de las etiquetas asignadas correctamente de la proporción de etiquetas verdaderas con respecto al número total de etiquetas con puntuaciones más bajas [ 28 ]. La mejor puntuación posible para esta métrica es 1. La puntuación de pérdida de clasificación de etiquetas representa el número promedio de conjuntos de etiquetas que están ordenados incorrectamente según las predicciones del modelo, ponderado por el tamaño del conjunto de etiquetas y el número de etiquetas no incluidas en el conjunto de etiquetas [ 32 ]. La puntuación óptima para esta métrica es 0.

Para calcular estas métricas, primero se aprendió el modelo ML utilizando los datos de entrenamiento. Luego, los datos de prueba se utilizan como nueva entrada para crear predicciones de los próximos pasos del modelo. Estas predicciones se compararon con los pasos reales, determinados por expertos en atención. Los resultados de esta evaluación se presentan enTabla 2.

Tabla 2

Evaluación del modelo.

Métrica	Conjunto de datos 100	Conjunto de datos 500	Conjunto de datos 1000
Exactitud	80,00 %	99,33 %	99,33 %
Puntuación F1	0.9306	0.9993	0.9993
CV doble	56 %	97,78 %	99,7 %
CV 10 veces mayor	73 %	99,2 %	99,8 %
Pérdida de Hamming	0.01764	0.00039	0.00039
Error de cobertura	6.06	4.85	4.94
Precisión promedio de clasificación de etiquetas	0.9209	0.9993	0.9993
Pérdida de clasificación de etiquetas	0.0648	0.0011	0.0011

El modelo entrenado con Dataset 100 logró una precisión de80 %y una puntuación F1 de0.9306. La validación cruzada doble dio como resultado una precisión de56 %y73 %para una validación cruzada de 10 veces. El modelo también tuvo una pérdida de Hamming de 0,01764 y un error de cobertura de 6,06. La puntuación de precisión promedio de la clasificación de etiquetas fue de 0,9209 y la pérdida de clasificación de etiquetas fue de 0,0648. El modelo entrenado con Dataset 500 funcionó significativamente mejor, con una precisión de99,33 %y una puntuación F1 de0.9993. La validación cruzada de 2 y 10 veces también mostró un rendimiento mejorado, con una precisión de97,78 %y99,2 %. La pérdida de Hamming del modelo fue de 0,00039 y su error de cobertura fue de 4,85. La puntuación de precisión promedio de la clasificación de etiquetas aumentó a 0,9993 y la pérdida de clasificación de etiquetas disminuyó a 0,0011. La mejora del conjunto de datos 1000 al conjunto de datos 500 no fue tan significativa como la mejora del conjunto de datos 100 al conjunto de datos 500. El modelo entrenado con el conjunto de datos 1000 tuvo una precisión de99,33 %y una puntuación F1 de0.9993. La validación cruzada de 2 y 10 veces mostró una precisión de99,7 %y99,8 %. El modelo también tuvo una pérdida de Hamming de 0,00039 y un error de cobertura de 4,94. La puntuación de precisión promedio de la clasificación de etiquetas y la pérdida de clasificación de etiquetas fueron las mismas que las del modelo entrenado con Dataset 500, en 0,9993 y 0,0011, respectivamente.

Estos hallazgos indican que los modelos desarrollados utilizando 500 o 1000 situaciones de atención generadas son efectivos y apropiados para la tarea en cuestión. El modelo elegido para la implementación del Digital Case Manager fue el que mejor desempeño tuvo en la validación cruzada 2 y 10 luego de ser entrenado con 1000 situaciones de atención generadas. El sólido rendimiento del modelo en las métricas de clasificación de etiquetas, la alta precisión, la puntuación F1, la baja pérdida de Hamming y el error de cobertura respaldan esta decisión. Estos resultados demuestran la eficacia del uso del aprendizaje automático para predecir los próximos pasos en escenarios de atención médica.

3.2. Prueba de concepto

Se desarrolló una implementación de prueba de concepto del Digital Case Manager como parte del trabajo y atención del proyecto de investigación. Esta implementación se realizó en Python 3 utilizando las bibliotecas sklearn y streamlit [ 33 , 34 , 35 ]. El demostrador se creó con fines de prueba y evaluación, incluida la evaluación de la comprensibilidad del usuario en el futuro. Se puede acceder al Digital Case Manager a través de Internet y un navegador web y está alojado en la nube. Un ejemplo de la página de inicio del Administrador de Casos Digital se muestra enFigura 4.

Figura 4

Implementación de prueba de concepto.

El prototipo del Digital Case Manager comienza con una introducción que explica cómo utilizar la herramienta y para qué sirve. A esto le sigue una ventana cerrada, que se puede abrir con el símbolo más en la esquina superior derecha. Aquí encontrará información detallada sobre los módulos individuales del cuestionario. Luego viene la sección con los siete módulos y sus preguntas. Para cada pregunta hay opciones de respuesta que se pueden seleccionar mediante un botón de opción. Después del área de preguntas viene el área de análisis. Aquí hay un botón llamado “Iniciar análisis”, que el usuario debe presionar para iniciar la predicción de los próximos pasos de atención. Una vez que el modelo ha determinado los siguientes pasos, se enumeran en la parte inferior de la página.

En un caso de uso típico del Digital Case Manager, surge una situación de atención médica en la que el usuario (el cuidador familiar) se siente abrumado y necesita orientación inicial sobre los siguientes pasos a seguir. Para proporcionar esta guía, el usuario completa el cuestionario e inicia la predicción de los próximos pasos utilizando el modelo de aprendizaje automático. El modelo calcula los siguientes pasos de la atención y se los muestra al usuario. Luego, el usuario puede hacer clic en pasos de atención específicos, como ergoterapia, y ser dirigido a proveedores de servicios que ofrecen ese servicio en su área local. Esto crea una ruta de atención óptima que permite al usuario acceder a la ayuda que necesita de forma rápida y confiable, las 24 horas del día.

En esta evaluación nos centramos únicamente en los aspectos técnicos del Digital Case Manager, como el desarrollo y la implementación. Está prevista una evaluación con cuidadores familiares sobre la experiencia del usuario y reportaremos los resultados en una publicación futura.

4. Conclusiones

El Digital Case Manager demostró su potencial, particularmente en los casos de uso descritos en la Sección 2.6 , aunque puede no ser tan preciso en otras situaciones o contextos. Fue desarrollado específicamente para ayudar a los cuidadores familiares que de repente se enfrentan a una situación de cuidado y necesitan orientación. El administrador de casos digital utiliza un enfoque basado en cuestionarios que permite a los cuidadores responder intuitivamente preguntas sobre la situación de atención. Para la fase inicial, esto permite que el modelo integrado de aprendizaje automático proporcione recomendaciones precisas para los siguientes pasos del proceso de atención. Sin embargo, se necesita apoyo profesional para los siguientes pasos de la atención, ya que el Gestor de Casos Digital sólo sirve como orientación inicial. De esta manera, Digital Case Manager brinda apoyo rápido y conveniente a los cuidadores familiares que enfrentan una situación desafiante o difícil, aunque puede no ser adecuado para todas las situaciones de cuidado.

4.1. Recomendaciones

Con respecto a la pregunta: ¿Qué sistemas o herramientas de atención médica basados ​​en el aprendizaje automático pueden ayudar a los cuidadores familiares a navegar por el sistema de atención médica, identificar las mejores opciones de atención para sus familiares y equilibrar su trabajo y sus responsabilidades de cuidado? El aprendizaje automático puede ser un recurso valioso para los cuidadores familiares, como ha demostrado nuestra investigación bibliográfica. Identificamos tres tipos diferentes de sistemas que pueden ayudar a los cuidadores en sus tareas: sistemas de recomendación, herramientas de gestión de la salud y sistemas de apoyo a las decisiones. Los sistemas de recomendación utilizan algoritmos para proporcionar recomendaciones personalizadas para centros de atención, servicios y proveedores que satisfagan las necesidades específicas de los miembros de la familia. Las herramientas de gestión de la salud ayudan a los cuidadores a rastrear y monitorear la salud de los miembros de su familia, brindando actualizaciones y alertas en tiempo real sobre posibles problemas. Los sistemas de apoyo a las decisiones ofrecen a los cuidadores información valiosa sobre diversas opciones de atención, lo que respalda la toma de decisiones informadas. En nuestra investigación nos centramos más en un sistema de recomendación, que nos pareció especialmente prometedor y eficaz para ayudar a los cuidadores familiares a equilibrar el trabajo y los cuidados.

Respecto a la pregunta: ¿ Qué tipo de datos se requieren para entrenar una herramienta basada en datos como orientación inicial y cómo se puede obtener? Se necesitan datos de alta calidad que reflejen las características y patrones de escenarios del mundo real para crear una herramienta confiable basada en datos para brindar orientación inicial en entornos de atención. Desafortunadamente, adquirir dicha información puede resultar difícil. Para superar esta dificultad, desarrollamos un modelo para la generación de datos que incluye aportes de profesionales en el campo de la atención y busca proporcionar una representación realista de las necesidades de atención y los pasos necesarios para abordarlas.

Respecto a la pregunta: ¿ Cuál es el desafío subyacente del aprendizaje automático y cómo se puede abordar este desafío en el contexto de una situación de atención? El desafío del aprendizaje automático que se presenta en el contexto de las situaciones de atención es un problema de clasificación de etiquetas múltiples, en el que se pueden asignar múltiples clases (próximos pasos) a una instancia determinada (situación de atención). Las múltiples clases corresponden a los siguientes pasos de la atención y una instancia corresponde a una situación de atención. Las respuestas a las 47 preguntas son, en consecuencia, las características. Para abordar este desafío, empleamos un clasificador de etiquetas múltiples basado en el algoritmo Random Forest para aprender la relación entre la situación de atención, que se describe mediante las características y los siguientes pasos de la atención.

Con respecto a la pregunta: ¿Con qué precisión puede la herramienta basada en datos predecir los siguientes pasos en el proceso de atención de un paciente durante la fase inicial, basándose en las respuestas a un cuestionario completado por el cuidador familiar, dado que el conjunto de datos de capacitación está familiarizado con atención similar? situaciones? Nuestra investigación reveló que el enfoque de aprendizaje automático que desarrollamos tuvo una alta precisión cuando se entrenó con Dataset 1000, con una precisión del 99,33 % y una puntuación F1 de 0,9993. Los resultados de la validación cruzada demostraron un alto nivel de precisión: la validación cruzada doble logró una precisión del 99,7 % y la validación cruzada 10 veces logró una precisión del 99,8 %. El modelo también tuvo una pérdida de Hamming baja de 0,00039, lo que implica que su error al predecir los siguientes pasos en el proceso de atención fue muy bajo. Estos resultados demuestran la eficacia del enfoque de aprendizaje automático para predecir con precisión los siguientes pasos en la fase inicial del proceso de atención de un paciente, siempre que se incluya una situación de atención similar en el conjunto de datos de entrenamiento.

4.2. Fortalezas y debilidades

El administrador de casos digital es una herramienta que brinda asesoramiento y apoyo para ayudar a los cuidadores familiares a navegar por el complejo sistema de atención médica y tomar decisiones informadas sobre las opciones de atención para sus familiares. Ofrece información valiosa sobre las estructuras de apoyo existentes y facilita la identificación de opciones de atención adecuadas, lo que conduce a eficiencias de costos y tiempo. El Digital Case Manager agiliza el proceso de prestación de cuidados, ayudando a los cuidadores familiares a permanecer en la fuerza laboral liberándoles tiempo y abordando los desafíos del cambio demográfico en el mundo occidental. Sin embargo, es importante reconocer que el administrador de casos digital puede no ser preciso en todas las situaciones de atención y es solo un recurso entre muchos que los cuidadores pueden utilizar. Además, si bien brinda apoyo rápido y conveniente a los cuidadores familiares que enfrentan una situación difícil, no puede reemplazar completamente el apoyo y la orientación de un administrador de atención humana. Por lo que, en caso de duda, se aconseja consultar a un profesional.

Una limitación es que el modelo de aprendizaje automático de la herramienta se entrenó utilizando información de solo 28 escenarios de atención basados ​​en accidentes cerebrovasculares, demencia y cuidados. Como resultado, es posible que no proporcione recomendaciones confiables para otros escenarios de atención. Para abordar este problema, es necesario recopilar más datos de otras situaciones de atención en colaboración con un centro de atención o un proveedor de seguro médico. Esto no solo mejorará el realismo de los datos de la herramienta, sino que también ayudará a garantizar que Digital Case Manager pueda brindar recomendaciones para una gama más amplia de escenarios de atención. Otra limitación del Digital Case Manager es que no considera suficientemente las perspectivas de los pacientes y de los familiares que los cuidan. En el futuro, pretendemos abordar esto evaluando escenarios de atención reales con el paciente y el cuidador familiar presentes. Su conocimiento y experiencia se agregarán para mejorar aún más la herramienta. Nuestras evaluaciones preliminares, realizadas tanto con cuidadores familiares como con expertos profesionales, sugieren que el Administrador de Casos Digital tiene el potencial de ser una herramienta valiosa, pero se requiere mayor desarrollo y pruebas de campo. La versión actual de la herramienta fue diseñada específicamente para cuidadores familiares que no están familiarizados con el campo médico como grupo objetivo. Para aumentar la eficacia del Administrador de casos digital para el personal sanitario profesional, será necesario personalizarlo según sus necesidades y preferencias específicas.

4.3. panorama

En el futuro, una idea es integrar Digital Case Manager en una plataforma de salud y conectar los pasos individuales recomendados por el modelo con los servicios y recursos ofrecidos por proveedores como farmacias y centros de atención. Esto permitiría a los usuarios acceder fácilmente a los servicios y recursos que necesitan para seguir los siguientes pasos recomendados y gestionar su atención médica de manera más efectiva.

Tenemos la intención de explorar posibles aplicaciones adicionales para Digital Case Manager además de mejorar su funcionalidad. Los profesionales de la salud podrían emplearlo, por ejemplo, para simplificar sus flujos de trabajo y dedicar más tiempo a atender a los pacientes. Somos conscientes de que las recomendaciones actuales no son lo suficientemente completas como para ofrecer asistencia a los cuidadores profesionales. Planeamos desarrollar recomendaciones más precisas en el futuro que ofrecerán el nivel requerido de detalle y apoyo para abordar este problema.

La flexibilidad del administrador de casos digital para adaptarse a escenarios de abordaje particulares, como la atención posterior a un accidente cerebrovascular, puede servir como un punto de partida adicional para el desarrollo futuro para brindar una asistencia más personalizada. En este caso, la herramienta tendría el potencial de aumentar el estándar de los procedimientos y la atención y, al mismo tiempo, optimizar la atención al paciente en todo el sistema de salud. Como resultado, las víctimas de accidentes cerebrovasculares pueden recibir una atención mejor y más eficiente a largo plazo, y es posible que al sistema de salud le resulte más fácil asignar recursos para sus servicios médicos y de enfermería.

Expresiones de gratitud

Nos gustaría agradecer al coordinador del proyecto de trabajo y cuidados Zentrum für Innovation in der Gesundheitswirtschaft OWL, así como a los demás socios del proyecto como Kreis Lippe, Institut Arbeit und Technik der Westfälischen Hochschule, Plan G y Fachhochschule Bielefeld.

Apéndice A

Apéndice A.1. Preguntas

Apéndice A.1.1. Módulo 1 Movilidad

1. Cambiar de posición en la cama (p. ej., girar y girar en la cama)
2. Mantenerse en posición sentada
3. Levantarse del asiento
4. Transferencia de la cama, por ejemplo, a la silla de ruedas
5. Moverse dentro de casa
6. Mudarse fuera de casa
7. Subiendo escaleras

Apéndice A.1.2. Módulo 2 Habilidades Cognitivas y Comunicativas

• 8.Reconocimiento de personas conocidas.
• 9.Conciencia de la hora y la fecha.
• 10.Recuerdo de eventos pasados ​​(p. ej., celebraciones familiares, viajes)
• 11.¿Se pueden evaluar los peligros (cocina apagada?)
• 12.Comunicación de necesidades (p. ej., hambre o sed)
• 13.Participación en conversaciones.
• 14.Comprensión de las solicitudes

Apéndice A.1.3. Módulo 3 Problemas psicológicos y de conducta

• 15.Comportamiento agresivo o defensivo.
• dieciséis.Letargo
• 17.Ansiedad
• 18.Humor triste

Apéndice A.1.4. Módulo 4 Autocuidado

• 19.Cepillarse, afeitarse y cepillarse los dientes.
• 20.Lavarse, bañarse y ducharse
• 21.Vestirse y desvestirse
• 22.Uso del baño
• 23.Picar comida, abrir botellas.
• 24.Comiendo y bebiendo
• 25.Preparación de comida
• 26.Compras
• 27.Limpieza de apartamento o casa.
• 28.Mantenimiento de apartamento o casa.
• 29.Jardinería

Apéndice A.1.5. Módulo 5 Gestión de las necesidades de salud y terapia

• 30.Provisión y/o administración de medicamentos.
• 31.Ponerse medias de compresión
• 32.administración de inyecciones
• 33.Cambio de vendajes/cuidado de heridas
• 34.ejercicios de fisioterapia
• 35.Visitas al médico u otras instalaciones médicas.
• 36.Seguir una dieta
• 37.Medición de la presión arterial o niveles de azúcar en sangre, etc.

Apéndice A.1.6. Módulo 6 Gestión de la vida diaria y las interacciones sociales

• 38.Ocupación personal (p. ej., leer, escuchar música)
• 39.Diseño de la rutina diaria (p. ej., desayuno, almuerzo y cena)
• 40.Organización de actividades (p. ej., caminar/pasear con conocidos/parientes)
• 41.Interacción personal con otras personas (p. ej., conversación personal, llamada telefónica, WhatsApp, correo electrónico)

Apéndice A.1.7. Módulo 7 Organización del Cuidado

• 42.Cónyuge o compañero de vida
• 43.Padres o hijos
• 44.Parientes cercanos como hermanos o sobrinas/sobrinos
• 45.Conocidos o amigos
• 46.Vecinos o voluntarios
• 47.Proveedores de servicios profesionales, como servicios de atención domiciliaria o centros de atención residencial.

apéndice B

Próximos pasos

• Vivir en casa de forma apropiada para la edad;
• Cuidado ambulatorio;
• Consulta con un médico;
• Atención y acompañamiento;
• Asistencia en compras;
• Terapia ocupacional;
• Apoyo nutricional;
• Ayuda doméstica;
• Dispositivos de ayuda;
• Terapia del lenguaje;
• Medicamento;
• Movilidad y movimiento;
• Terapia física;
• Psicoterapia;
• Opciones de autoayuda y apoyo;
• Atención hospitalaria (hospitalización);
• No se necesitan más acciones.