Valentina Bellini, Michele Ruso, Tania Domenichetti , Matteo Panizzi , Simone Allai ,y Elena Giovanna Bignami
Abstract
Esta revisión sistemática examina el uso reciente de la inteligencia artificial, en particular el aprendizaje automático, en la gestión de quirófanos. Se analizan un total de 22 estudios seleccionados desde febrero de 2019 hasta septiembre de 2023.
La revisión enfatiza el impacto significativo de la IA en la predicción de la duración de los casos quirúrgicos, la optimización de la asignación de recursos de la unidad de cuidados postanestésicos y la detección de cancelaciones de casos quirúrgicos.
Los algoritmos de aprendizaje automático como XGBoost, random forest y redes neuronales han demostrado su eficacia para mejorar la precisión de las predicciones y la utilización de los recursos.
Sin embargo, se reconocen desafíos como el acceso a los datos y las preocupaciones por la privacidad.
La revisión destaca la naturaleza cambiante de la inteligencia artificial en la investigación de la medicina perioperatoria y la necesidad de una innovación continua para aprovechar el potencial transformador de la inteligencia artificial para los administradores de atención médica, los profesionales y los pacientes. En última instancia, la integración de la inteligencia artificial en la gestión de quirófanos promete mejorar la eficiencia de la atención médica y los resultados de los pacientes.
Palabras clave: Inteligencia artificial, Machine learning, Quirófano, Gestión, Perioperatorio
Introducción
El quirófano es el epicentro de la atención médica, la gestión eficiente de los recursos del quirófano, el personal y el equipo, es vital para una atención quirúrgica de primer nivel [ 1 ]. Recientemente, la integración de la inteligencia artificial (IA) y el aprendizaje automático (AA) están transformando la gestión del quirófano, redefiniendo la planificación y la optimización quirúrgicas [ 2 ]. El viaje hacia la IA y el AA en la gestión del quirófano comenzó con una constatación: los datos de la atención médica tenían un potencial sin explotar, desde la demografía de los pacientes hasta los historiales quirúrgicos, los protocolos de anestesia y la dinámica de la sala de recuperación [ 3 ]. En 2015, la investigación sobre el AA en medicina creció exponencialmente, pasando de la teoría a las aplicaciones del mundo real [ 4 ]. Con una mayor comprensión del AA y la potencia informática, la atención médica está utilizando esta tecnología para abordar desafíos complejos [ 5 ]. En la era de la atención médica basada en datos, el AA se convirtió en una piedra angular para las tareas del quirófano, prediciendo las duraciones quirúrgicas, optimizando los horarios y mejorando el uso de los recursos [ 6 ]. Los algoritmos de ML, como los árboles de decisión y los bosques aleatorios, redefinieron la eficiencia de los quirófanos, prometiendo predicciones más precisas y una toma de decisiones proactiva [ 7 ]. Esta revisión sistemática actualiza nuestro trabajo anterior, “Inteligencia artificial: una nueva herramienta en la gestión de quirófanos. Función de los modelos de aprendizaje automático en la optimización de quirófanos”, centrándose en el período comprendido entre febrero de 2019 y el 28 de septiembre de 2023 [ 4 ]. En la revisión anterior, exploramos el papel fundamental de ML en la remodelación de la gestión de quirófanos, haciendo hincapié en el potencial de los algoritmos impulsados por IA para la programación, la predicción de la duración de los casos y la optimización de la asignación de recursos. En esta actualización, profundizamos en los últimos desarrollos de ML en medicina perioperatoria, explorando cómo redefinen la eficiencia de los quirófanos y la atención al paciente. Exploramos la expansión de ML en la medicina perioperatoria, desde la asignación de recursos de la Unidad de Cuidados Postanestésicos (PACU) hasta la reducción de las cancelaciones de casos quirúrgicos. También destacaremos los desafíos y las oportunidades de integración mientras buscamos maximizar el potencial de la IA para todos en la atención médica.
Resultados
La búsqueda arrojó 90.492 artículos publicados entre febrero de 2019 y el 28 de septiembre de 2023, sin duplicados; 44.723 eran texto completo. Solo 2.009 eran ensayos clínicos y ensayos controlados aleatorios. Hicimos una revisión más detallada, conservando solo los estudios en inglés que involucraban a la población humana adulta (18 años o más), con un total de 1.071 estudios. Después de examinar los 30 estudios restantes, descartamos ocho artículos: dos no estaban estrictamente relacionados con la aplicación de ML y seis eran estudios teóricos. En la selección final, se incluyeron 22 estudios en el análisis [ 8 – 29 ]. 1muestra el diagrama de flujo PRISMA.
Entre los 22 estudios analizados [ 8–29 ], dieciséis se centraron principalmente en predecir la duración de los casos quirúrgicos [ 8–13 , 15–24 ] , tres se centraron en predecir la duración de la estancia en la UCPA [ 25–27 ] . Un estudio abordó ambos aspectos [ 14 ] , mientras que solo dos estudios examinaron la identificación de casos quirúrgicos con alto riesgo de cancelación [ 28 , 29 ]. Además, cabe destacar que solo uno de los estudios es un ensayo clínico aleatorizado [ 23 ] , lo que sugiere la necesidad de diseños experimentales más sólidos en este dominio de investigación.
En los estudios seleccionados, los algoritmos de aprendizaje automático utilizados con mayor frecuencia están representados por Random Forest, XGBoost, regresión lineal, regresión de vectores de soporte (SVR), redes neuronales, bagging, métodos de conjunto, perceptrón, CatBoost y regresión logística.
Todos ellos [ 8–29 ] demostraron la capacidad de mejorar la precisión predictiva de las duraciones quirúrgicas, la duración de la estancia en la UCPA y las predicciones de cancelación de casos quirúrgicos de alto riesgo.
En particular, XGBoost exhibió el mejor rendimiento general cuando se utilizó. Los métodos de conjunto, como Bagging y Random Forest, mejoraron la precisión de la predicción al combinar modelos [ 14 ] .
Los modelos de ML también optimizaron la programación y la asignación de recursos. Por ejemplo, Hassanzadeh et al. [ 11 ] predijeron las llegadas diarias al quirófano con un 90% de precisión, optimizando la dotación de personal y la asignación de recursos. Varios estudios, incluidos los de Bartek et al. [ 8 ] y Lam et al. [ 13 ], enfatizaron la importancia de adaptar los modelos de ML a los cirujanos individuales o considerar factores adicionales relacionados con el paciente y la cirugía.
La tendencia observada en las publicaciones de artículos científicos sobre ML en medicina perioperatoria mostró un aumento de 2015 a 2019 [ 4 ], seguido de una disminución (Fig. 2).
Publicación por año desde 2019. Nota: la cronología cuenta todas las fechas de publicación de una cita proporcionadas por el editor. Estas fechas pueden abarcar más de un año. Esto significa que la suma de los resultados representados en la cronología puede diferir del recuento de resultados de búsqueda
Esto puede ser indicativo de varios factores. Inicialmente, hubo un aumento en el interés y la inversión en aplicaciones de ML, la optimización de la gestión de quirófanos, la reducción de costos y la mejora de la calidad de la atención al paciente. Sin embargo, la disminución a partir de 2020 puede deberse a investigaciones prometedoras que ya se están publicando, desafíos prácticos o una necesidad de comprensión y recursos más profundos. Las características de la curva de aprendizaje se representan en la (Fig. 3).
Curva de aprendizaje de la inteligencia artificial y publicaciones
Esta tendencia refleja la naturaleza cambiante del aprendizaje automático en la medicina perioperatoria, lo que requiere un análisis detallado del panorama de investigación, la financiación, la tecnología y las prioridades cambiantes. Aunque los estudios han demostrado la eficacia de los sistemas de IA/ML en aplicaciones de quirófano, la vacilación o renuencia de los médicos a incorporar estos sistemas en la toma de decisiones sigue siendo una barrera importante. Este fenómeno es causado por muchos factores. La naturaleza compleja de las tecnologías de IA/ML, en particular en el ámbito sanitario, puede contribuir a una adopción lenta en la práctica clínica. Para los médicos, puede ser un desafío comprender los algoritmos y procesos que sustentan estos sistemas. La naturaleza novedosa y cambiante de las tecnologías de IA puede crear un riesgo percibido, lo que hace que los médicos duden en adoptar y confiar plenamente en estas herramientas. Es posible que los médicos no estén lo suficientemente familiarizados con los conceptos y el funcionamiento de los sistemas de aprendizaje automático/IA. La falta de educación y capacitación sobre cómo funcionan estas tecnologías puede generar escepticismo. Llenar esta brecha de conocimiento es esencial para generar confianza entre los médicos. Además, en el quirófano, donde la seguridad del paciente es primordial, los médicos pueden ser particularmente reacios a adoptar tecnologías que puedan afectar los resultados del paciente. Las preocupaciones sobre la fiabilidad y seguridad de los sistemas de IA pueden contribuir a un enfoque conservador para su adopción. Si bien los estudios han demostrado la eficacia de los sistemas de IA/ML en entornos controlados, los médicos pueden ser reacios a considerar su aplicabilidad y generalización en el mundo real. La validación clínica limitada y la evidencia insuficiente de mejores resultados para los pacientes en diversos escenarios pueden obstaculizar la aceptación de estas tecnologías. Además, los médicos a menudo enfrentan consideraciones éticas y legales al integrar la IA en la atención al paciente. Los problemas relacionados con la privacidad de los datos, la responsabilidad y las implicaciones éticas de la toma de decisiones automatizada pueden contribuir a la vacilación en la adopción de sistemas de ML/IA en los quirófanos. Finalmente, la comunicación y colaboración efectivas entre científicos de datos, ingenieros y médicos son cruciales. La falta de alineación en los objetivos, las expectativas y el lenguaje entre estos equipos interdisciplinarios puede conducir a malentendidos y obstaculizar la implementación exitosa de la IA en entornos clínicos. Abordar estos factores implica no solo mejorar la explicabilidad y la transparencia de los modelos de IA, sino también implementar programas sólidos de educación y capacitación para los médicos [ 30 ]. La creación de un entorno colaborativo que involucre a los médicos en el proceso de desarrollo, que garantice una validación clínica rigurosa y que aborde las cuestiones éticas y legales son pasos esenciales para fomentar la confianza y la aceptación. Superar estos desafíos puede contribuir a acelerar la integración de los sistemas de IA/ML en los procesos de toma de decisiones en el quirófano. Figura 4Ilustra una comparación del número de publicaciones en cada área entre la versión anterior de la revisión y esta actualización.
Número de publicaciones por área
Discusión
De los 22 artículos seleccionados [ 8–29 ] , 17 se centran en predecir la duración de la planificación quirúrgica [ 8–24 ] . Este hallazgo subraya el papel crucial de la estimación precisa en la duración del caso quirúrgico para una gestión eficaz del quirófano. Presenta un desafío complejo y multifacético que afecta profundamente la programación del quirófano, la asignación de recursos y la eficiencia operativa general. Nuestra revisión anterior [ 4 ] destacó principalmente los resultados prometedores de un algoritmo propietario conocido como leap Rail® [ 31 ]. Si bien mostró una mejora en la precisión predictiva en comparación con los métodos tradicionales, nuestra revisión actualizada revela un panorama más matizado. Estudios más recientes, como el trabajo de Bartek y colegas [ 8 ], han profundizado en el uso de modelos de aprendizaje automático, enfatizando la importancia de los modelos específicos del cirujano. Estos modelos más nuevos superan a los específicos del servicio y mejoran significativamente la precisión de las predicciones del tiempo del caso, ofreciendo beneficios sustanciales en términos de gestión del quirófano. Nuestro análisis actualizado también demuestra el predominio de XGBoost en los modelos de aprendizaje automático sobre otros algoritmos, incluido el modelo de bosque aleatorio y la regresión lineal. Se muestran las capacidades predictivas superiores de XGBoost, lo que es una desviación notable del enfoque de la revisión anterior en leap Rail® [ 30 ]. Esto subraya los rápidos avances en la tecnología de aprendizaje automático y su potencial para refinar las predicciones de duración de los casos quirúrgicos. Sin embargo, es importante tener en cuenta que diferentes resultados podrían requerir diferentes algoritmos de ML. [ 32 ]
Otro hallazgo clave en la revisión anterior fue el potencial ahorro de costos asociado con predicciones precisas de la duración de los casos quirúrgicos en la cirugía robótica. Sin embargo, nuestra revisión actualizada proporciona nuevos conocimientos.
Jiao y colegas [ 11] introdujeron el uso de redes neuronales artificiales modulares (MANN) para predecir la duración restante de la cirugía. Las MANN son redes neuronales equipadas con memoria externa. Se destacan en tareas que requieren contexto y razonamiento secuencial, lo que las hace adecuadas para ciertas aplicaciones clínicas. Aprovecharon los registros de anestesia de una amplia gama de poblaciones quirúrgicas y tipos de hospitales, lo que demuestra la solidez y adaptabilidad de su modelo.
MANN superó constantemente los enfoques estadísticos bayesianos, particularmente durante el último cuartil de la cirugía, lo que indica su potencial para ahorrar costos y mejorar la eficiencia operativa.
El estudio también evaluó la generalización y transferibilidad del modelo MANN. Encontró que incluso los sistemas de atención médica con volúmenes quirúrgicos más bajos podrían beneficiarse de ajustar un modelo entrenado en sistemas cercanos más grandes. También destacó la falta de información significativa en el registro de anestesia durante ciertas fases de la cirugía, lo que sugiere margen de mejora. Este estudio subraya los rápidos avances en los algoritmos de aprendizaje automático y su aplicación en escenarios quirúrgicos del mundo real.
Los autocodificadores variacionales (VAE), que son modelos generativos diseñados para aprender representaciones latentes de datos, también encajan en este contexto. Consisten en un codificador y un decodificador. El codificador asigna datos de entrada a una distribución de probabilidad en un espacio latente, y el decodificador reconstruye datos a partir de muestras en este espacio latente. Vincular modelos avanzados como MANN y VAE al sentido clínico implica que estos modelos podrían contribuir al campo de la medicina personalizada al aprender representaciones específicas del paciente, lo que permite planes de tratamiento personalizados y también abordar necesidades clínicas, mejorar los diagnósticos, mejorar los resultados del paciente o agilizar los procesos de atención médica [ 33 ].
El trabajo realizado por Strömblad et al. [ 23 ], un ensayo clínico aleatorizado de un solo centro, aportó conocimientos adicionales.
Exploraron la precisión de la predicción de las duraciones de los casos quirúrgicos utilizando un modelo de aprendizaje automático en comparación con el sistema de flujo de programación existente.
Esta investigación destacó los beneficios de un enfoque de predicción integral y basado en datos, que dio como resultado una reducción significativa del error absoluto medio (MAE), lo que contribuyó a una mayor precisión de la predicción. Es importante destacar que esta disminución del MAE se tradujo en una reducción de los tiempos de espera de los pacientes sin afectar negativamente los tiempos de espera de los cirujanos ni la eficiencia operativa, lo que indica un equilibrio armonioso entre la eficiencia y los resultados de los pacientes. Este estudio es el primer y único ensayo clínico aleatorizado sobre el tema, hasta donde sabemos, lo que representa un hito significativo.
Al comparar las revisiones, tanto la anterior [ 4 ] como la actualizada subrayan los posibles beneficios de una mejor precisión de predicción en la programación quirúrgica y la gestión de quirófanos. Sin embargo, los estudios más nuevos proporcionan información más específica sobre las implicaciones prácticas.
El trabajo de Bartek y colegas [ 8 ] muestra una reducción en los tiempos de espera y la utilización de recursos mediante la implementación de modelos impulsados por el aprendizaje automático. Esto tiene un impacto significativo en los resultados de los pacientes sin interrumpir la eficiencia operativa, lo que refuerza el valor de estos modelos predictivos en entornos de atención médica del mundo real. Al comparar la revisión actualizada de los modelos predictivos para la duración de la estadía en la UCPA con la versión anterior [ 4 ], podemos discernir una evolución sustancial también en este campo.
La revisión anterior ya había reconocido la importancia de mejorar la organización del hospital y la logística interna para reducir los costos asociados con el desperdicio de tiempo y espacio en la atención médica [ 4 ]. Había destacado problemas de congestión en la UCPA debido a una planificación quirúrgica inadecuada, que a menudo llevaba a que los pacientes fueran retenidos en el quirófano cuando las camas de la UCPA no estaban disponibles, lo que generaba costos más altos. En la actualización actual, hemos ampliado nuestro análisis para incluir estudios más recientes, centrados específicamente en predecir la duración de la estancia en la UCPA, y sus hallazgos son sorprendentes.
Un estudio realizado por Schulz y colegas [ 25 ] utilizó un conjunto de datos de 100.511 casos para desarrollar modelos predictivos para la duración de la estancia en la UCPA. Consideraron variables como la edad del paciente, la urgencia quirúrgica, la duración de la cirugía y más para crear un modelo de red neuronal. En particular, el estudio evaluó a anestesiólogos individuales, categorizándolos en función de su duración media de estancia en la UCPA. El modelo predictivo, basado en datos administrativos recopilados de forma rutinaria, explicó significativamente las variaciones en la duración media de la estancia en la UCPA de los anestesiólogos individuales. Este estudio subrayó la practicidad de implementar modelos predictivos dentro de la infraestructura hospitalaria existente.
La investigación de Tully y colegas [ 27], otro estudio notable en este campo, tuvo como objetivo desarrollar un modelo que pudiera clasificar a los pacientes con alto riesgo de una estadía prolongada en la UCPA de ≥ 3 h.
El estudio consideró factores como el procedimiento quirúrgico, la edad del paciente y la duración programada del caso. El modelo más eficaz fue XGBoost, que mejoró significativamente la capacidad de predecir estadías prolongadas en la UCPA. Además, al utilizar las predicciones del modelo XGBoost, los casos se volvieron a secuenciar en función de la probabilidad de una estadía prolongada en la UCPA, lo que llevó a una reducción sustancial en el número de pacientes en la UCPA fuera del horario laboral. Estos estudios recientes significan colectivamente un cambio notable en el campo de la predicción de la duración de la estadía en la UCPA. Destacan el potencial de los modelos predictivos, el aprendizaje automático y los enfoques basados en datos para mejorar la calidad de la atención médica y la eficiencia operativa.
La adopción de análisis de big data y la optimización de la secuenciación de casos tienen claras implicaciones para mejorar los resultados de los pacientes y la asignación de recursos. Es evidente que estos modelos son muy prometedores para las instituciones de atención médica, ya que potencialmente ofrecen ahorros de costos considerables y una mejor atención al paciente. Al comparar estos hallazgos recientes con la versión anterior de la revisión, vemos un avance notable en la sofisticación de los modelos predictivos. La versión anterior enfatizaba principalmente la cuestión del uso ineficiente de la unidad de cuidados postoperatorios y sus implicaciones financieras, destacando el potencial de ahorro de costos mediante una mejor planificación quirúrgica. Los nuevos estudios demuestran no solo el potencial de ahorro de costos sino también el poder de los modelos predictivos basados en datos, que pueden mejorar significativamente la eficiencia y la eficacia de las operaciones de atención médica.
Uno de los desafíos importantes en la industria de la salud es la cancelación inesperada de casos quirúrgicos. Las cancelaciones quirúrgicas no solo interrumpen el flujo de trabajo de los centros de salud, sino que también plantean riesgos para la seguridad y la satisfacción del paciente [ 34 ]. Para abordar este problema y optimizar la programación quirúrgica, las técnicas de ML han surgido como una solución prometedora para la detección temprana de posibles cancelaciones. La comparación de la revisión actualizada con la versión anterior [ 4 ] revela avances sustanciales en este aspecto crítico de la gestión de la atención médica.
En la revisión anterior [ 4 ], el enfoque estaba en los altos costos asociados con las cancelaciones de casos quirúrgicos, destacando particularmente la variación de costos entre diferentes tipos de cirugías. Subrayó la necesidad de métodos de clasificación automática para detectar cancelaciones de alto riesgo a partir de grandes conjuntos de datos. Además, la revisión analizó el potencial de los algoritmos de ML, específicamente el bosque aleatorio, para identificar cirugías con alto riesgo de cancelación, con la promesa de optimizar la utilización de los recursos de atención médica y la rentabilidad. La revisión actual continúa enfatizando la importancia de abordar las cancelaciones de casos quirúrgicos en la atención médica.
Por ejemplo, Luo et al. [ 28 ] contribuyen significativamente al campo al aprovechar el ML para identificar cancelaciones de alto riesgo.
Su investigación se centra en un conjunto de datos de cirugías urológicas electivas, que comprende más de 5000 casos, con el objetivo de identificar cirugías propensas a la cancelación debido a factores relacionados con los recursos y la capacidad institucional. Los autores emplearon tres algoritmos de ML, incluidos el bosque aleatorio, la máquina de vectores de soporte y XGBoost, y evaluaron su rendimiento en varias métricas.
Sus hallazgos revelaron la idoneidad de los modelos de ML para identificar cirugías con bajo riesgo de cancelación, reduciendo efectivamente el grupo de cirugías con mayor riesgo. Además, los modelos de bosque aleatorio mostraron una buena eficacia para distinguir las cirugías de alto riesgo, con un área bajo la curva (AUC) superior a 0,6, lo que indica un resultado interesante en este contexto.
Diferentes métodos de muestreo permitieron ajustes en el rendimiento del modelo, destacando las compensaciones entre la sensibilidad y la especificidad. El estudio concluyó que los modelos de ML son factibles para identificar cirugías con riesgo de cancelación.
En un estudio posterior de Zhang y colegas [ 29] del mismo centro, el enfoque se desplazó a proporcionar metodologías efectivas para reconocer cirugías de alto riesgo propensas a cancelación.
También utilizaron el mismo conjunto de datos pero exploraron una variedad de modelos de aprendizaje automático, incluidos bosques aleatorios, regresión logística, XGBoost, máquinas de vectores de soporte y redes neuronales. El estudio identificó el modelo de bosque aleatorio como el algoritmo de mejor rendimiento, logrando una alta precisión de 0,8578 y un AUC de 0,7199. A pesar de la alta especificidad y el valor predictivo negativo, el estudio reconoció la necesidad de mejorar la sensibilidad y el valor predictivo positivo para identificar casos de alto riesgo.
En resumen, ambos estudios [ 28 , 29 ] tienen como objetivo abordar el desafío de las cancelaciones de casos quirúrgicos en la atención médica utilizando técnicas de aprendizaje automático. Destacan la importancia de seleccionar el algoritmo de aprendizaje automático adecuado para esta tarea y reconocen la necesidad de mejorar la sensibilidad y el valor predictivo positivo. Ambos estudios [ 28 , 29 ] reconocen limitaciones relacionadas con su enfoque en cirugías urológicas electivas dentro de un solo hospital y sugieren el potencial de que la investigación futura se expanda a diversos entornos de atención médica para mejorar la generalización. Al comparar las dos revisiones, la versión anterior [ 4 ] enfatizó la necesidad de algoritmos de ML para abordar las cancelaciones de casos quirúrgicos, pero no profundizó en los hallazgos de investigaciones específicas por falta de estudios sobre el argumento. Por el contrario, en la versión actual proporcionamos información detallada sobre la idoneidad de diferentes modelos de ML para identificar cirugías de alto riesgo. Ambas revisiones comparten un tema común: el papel fundamental de las técnicas de ML para abordar las cancelaciones de casos quirúrgicos para mejorar la utilización de los recursos de atención médica y la rentabilidad.
En resumen, la comparación entre las dos ediciones de las revisiones sistemáticas sobre la integración de la inteligencia artificial en la gestión de quirófanos destaca una notable evolución en cada dominio. En el caso de la estimación de la duración de los casos quirúrgicos, la revisión más reciente muestra un cambio hacia modelos basados en el aprendizaje automático, en particular XGBoost, y un mayor enfoque en los modelos específicos para el cirujano.
Esto significa la realización del potencial del aprendizaje automático, que promete una mayor precisión en las predicciones, reducción de costos y una mejor gestión del quirófano.
De manera similar, en el dominio de la predicción de la duración de la estancia en la UCPA, la revisión actualizada subraya el potencial transformador de los modelos predictivos, haciendo hincapié en el valor del análisis de big data, la secuenciación optimizada de casos y las métricas ajustadas al riesgo para mejorar los resultados de los pacientes y la asignación de recursos.
Reconoce los desafíos de la implementación en el mundo real y la necesidad de una mayor validación a través de estudios prospectivos y esfuerzos de colaboración. En general, la revisión actualizada proporciona conocimientos más profundos sobre las aplicaciones prácticas de estas técnicas avanzadas, ofreciendo a los proveedores y gerentes de atención médica herramientas valiosas para mejorar la eficiencia, reducir los costos y mejorar la atención al paciente. El cambio hacia modelos específicos para cada centro en el ámbito de la atención sanitaria, en particular en lo que respecta a los aspectos organizativos, merece una exploración en profundidad. Esta tendencia refleja el creciente reconocimiento de que la personalización basada en variables específicas del centro, como el tipo de cirujano o anestesista, puede conducir a predicciones más precisas y una mejor asignación de recursos.
El equilibrio entre las aplicaciones clínicas y organizativas en estos modelos sigue siendo una consideración clave.
Mientras que los modelos clínicos se centran en factores específicos del paciente, los modelos organizativos, incluidos los específicos para cada centro, abordan principalmente la optimización de recursos, la eficiencia de la programación y la reducción de costos.
La elección entre modelos específicos para cada centro y modelos clínicos depende en última instancia de los objetivos y prioridades específicos de una institución sanitaria.
En cuanto a la implementación clínica, es fundamental investigar cuántos de estos modelos avanzados progresarán más allá de la investigación hasta la aplicación práctica.
El cambio hacia la usabilidad en el mundo real está ganando terreno, pero no todos los estudios proporcionan herramientas o software para la aplicación directa.
Un aspecto fundamental es la integración de estos modelos en las rutinas de trabajo diarias. La implementación exitosa a menudo implica la colaboración interdisciplinaria entre científicos de datos, profesionales de la salud y administradores.
Estas herramientas pueden ser utilizadas por una amplia gama de partes interesadas, incluidos cirujanos, anestesistas, equipos de programación y administradores de hospitales. Los diferentes resultados de estos modelos sirven para diversos propósitos.
Por ejemplo, los modelos clínicos pueden guiar las decisiones de tratamiento, mientras que los modelos organizacionales pueden mejorar la asignación de recursos y la eficiencia de la programación.
El grado en que estos modelos están diseñados para una fácil integración y uso en las operaciones diarias de atención médica es un área clave de investigación. lo que en última instancia repercute en su utilidad práctica y su impacto en la atención al paciente y la gestión de la atención sanitaria.
