Autores : Bilal A. Naved , Ph.D. , Minh Tran , M.Sc. , Quintan M. Slott , BS , Paul Francaviglia , BS , Michael Amygdalidis , BS , Phyllis Crandall , BS , Girish Nadkarni , MD, MPH, CPH , Robert Freeman , DNP, RN yuan Luo , Ph.D. , y Nicholas Gavin , MD, MBA, MS.
NEJM Catal Innov Care Deliv 2026 ; 7 ( 8 )DOI: 10.1056/CAT.25.0394 VOL. 7 NÚM. 8
El Sistema de Salud Mount Sinai (MSHS), uno de los centros médicos académicos más grandes de la ciudad de Nueva York, enfrentaba un desafío común en el acceso de los pacientes: las personas que presentaban nuevos síntomas a menudo no sabían a dónde acudir, lo que contribuía a retrasos en la atención, visitas innecesarias a clínicas y servicios de urgencias, y un uso ineficiente de los recursos de los proveedores y las instalaciones. Para mejorar la orientación en la atención, MSHS implementó una solución digital de autotriaje escalable, basada en evidencia e impulsada por inteligencia artificial (IA).
Después de una evaluación competitiva del mercado y un proceso de solicitud de propuestas que comenzó en 2021, MSHS seleccionó Clearstep, una plataforma desarrollada en colaboración con el Dr. Barton Schmitt, coautor de los protocolos de triaje telefónico Schmitt-Thompson.
Clearstep combinaba una capa de procesamiento probabilístico del lenguaje natural con un sistema experto clínico basado en reglas. La solución, denominada “Check Symptoms & Get Care”, se implementó en el sitio web público de MSHS y se integró en la aplicación móvil MyMountSinai (con tecnología Epic) a principios de 2023. De más de 60 000 visitas, aproximadamente 22 000 pacientes completaron sesiones de triaje digital (37 % de inicio y aproximadamente 80 % de finalización), con un alto grado de satisfacción (una puntuación de 85,5 en la escala de usabilidad del sistema y aproximadamente el 75 % de los usuarios calificaron con 8 o más de 10), un amplio uso fuera del horario laboral (71 % de uso fuera del horario comercial) y cero incidentes de seguridad reportados.
La comparación ciega entre médicos y la revisión continua posterior a la implementación demostraron una concordancia del 88 % al 96 % con el triaje médico. Los autores describen el equipo, los obstáculos, las métricas y una hoja de ruta escalonada para que las organizaciones con diferentes niveles de preparación técnica puedan adaptar este modelo.
Conclusiones clave
•El triaje digital mejora la experiencia del paciente. Un verificador de síntomas con IA bien implementado puede reducir significativamente el estrés de los pacientes que buscan atención médica. La herramienta «Verifica tus síntomas y obtén atención» del Mount Sinai cumplió con las expectativas de las personas nativas digitales, permitió el acceso a orientación las 24 horas del día, los 7 días de la semana, y dirigió a los pacientes al centro de atención adecuado sin necesidad de que realizaran una llamada telefónica.
•La revisión de la evidencia garantiza la seguridad. El triaje basado en IA debe fundamentarse en contenido clínico fiable. Al desarrollar una plataforma en colaboración con un coautor de los protocolos de triaje de Schmitt-Thompson, Mount Sinai garantizó la seguridad y fiabilidad de las recomendaciones. El resultado fueron más de 20 000 usos con una tasa de finalización aproximada del 80 % y cero incidentes de seguridad notificados, lo que demuestra que el triaje basado en IA puede implementarse de forma segura a gran escala.
•La integración en la historia clínica electrónica y el flujo de trabajo es fundamental. Para maximizar su adopción e impacto, la herramienta de triaje digital debe integrarse en los flujos de trabajo existentes tanto para pacientes como para profesionales sanitarios. La herramienta de Mount Sinai era accesible tanto en la web como dentro de la aplicación Epic MyChart, lo que permitía una experiencia fluida para el paciente en todos los canales. La integración también significaba que los pacientes podían dar directamente los siguientes pasos (como programar una cita) y los médicos podían ver los resultados del triaje, en lugar de que la herramienta funcionara de forma aislada.
•El trabajo en equipo interdisciplinario es fundamental para el éxito. La implementación de la IA en la atención médica requiere un equipo multidisciplinario. El éxito de Mount Sinai se basó en un sólido liderazgo clínico, experiencia especializada en TI/digital, aportaciones de especialistas en experiencia del paciente y un socio proveedor colaborador. Este enfoque interdisciplinario ayudó a superar eficazmente los obstáculos técnicos y clínicos. El respaldo de la alta dirección proporcionó la visión y los recursos necesarios para superar los desafíos. Esto incluyó una estrategia coherente para determinar si la solución de triaje con IA se desarrollaría internamente o se adquiriría a través de un proveedor externo (es decir, mediante licencia).
•La mejora continua sigue siendo necesaria. El monitoreo constante de las métricas y la retroalimentación de los usuarios es esencial para perfeccionar los algoritmos de triaje y la interfaz de usuario. Los sistemas de salud deben definir qué significa el éxito (por ejemplo, mayor conversión de usuarios del verificador de síntomas a citas programadas, reducción de visitas innecesarias a la sala de emergencias, etc.) y realizar un seguimiento de esos resultados. Además, es importante vincular estos esfuerzos con los objetivos organizacionales. Por ejemplo, Mount Sinai considera el triaje digital como una forma de mejorar el acceso a la atención y captar pacientes dentro de su red, lo que respalda tanto su misión como su sostenibilidad financiera a través de una mayor eficiencia operativa y retención de pacientes.
El desafío
En 2021, grupos focales que investigaban los principales desafíos que enfrentan los pacientes del Sistema de Salud Mount Sinai (MSHS), uno de los centros médicos académicos más grandes de la ciudad de Nueva York, revelaron que las personas a menudo no saben a quién acudir cuando presentan nuevos síntomas y tienen dificultades para decidir entre la amplia gama de opciones disponibles. Esta confusión ha provocado que algunos pacientes retrasen la atención médica necesaria y que otros realicen visitas innecesarias a clínicas o salas de emergencia. A gran escala, esto contribuye de manera crucial al uso inadecuado de los recursos de los proveedores y las instalaciones en todo el sistema, lo que conlleva un aumento en los costos de la atención, la saturación de los servicios de urgencias y la escasez de personal.
El objetivo
El objetivo era claro: seleccionar e implementar una solución digital de autotriaje escalable, basada en evidencia y centrada en el paciente para gestionar miles de interacciones con pacientes y una amplia gama de escenarios clínicos. Mount Sinai buscaba que esta plataforma aprovechara algoritmos clínicamente fiables, de modo que la base de cualquier recomendación pudiera ser auditada de forma independiente por los médicos. La dirección también reconoció, a partir de los grupos focales de Mount Sinai, que algunos pacientes, especialmente los más jóvenes, preferían herramientas en línea prácticas en lugar de llamar a las líneas de enfermería o navegar por los sistemas de salud por su cuenta (por ejemplo, llamar a clínicas individuales, buscar en directorios de proveedores o dirigirse por su cuenta a un centro de atención adecuado sin orientación). Era fundamental que la solución siguiera siendo fácil de usar, rápida y atractiva para cualquier persona en apuros. La visión también incluía ofrecer a los pacientes una puerta de entrada digital a la atención médica las 24 horas del día, los 7 días de la semana, mediante la respuesta a un cuestionario guiado sobre sus síntomas, lo que iniciaría recomendaciones clínicamente personalizadas para los siguientes pasos. Al implementar esta solución tanto en su sitio web como en su aplicación, Mount Sinai buscaba llegar a los pacientes dondequiera que estuvieran, acortar el tiempo de acceso a la atención adecuada y, en última instancia, mejorar los resultados y la satisfacción.Las herramientas digitales de autotriaje no son nuevas. Sus orígenes se remontan a los sistemas de triaje telefónico dirigidos por enfermeras, establecidos por primera vez en las décadas de 1980 y 1990, con los protocolos Schmitt-Thompson convirtiéndose en el estándar clínico de facto para los centros de llamadas de enfermería en todo Estados Unidos. A partir de finales de la década de 1990 y principios de la de 2000, los verificadores de síntomas en línea llevaron la lógica del triaje directamente a los consumidores a través de la web (por ejemplo, Isabel Healthcare, el Verificador de Síntomas de WebMD), y la última década ha visto una rápida expansión de las plataformas impulsadas por inteligencia artificial (IA) (por ejemplo, Ada, Buoy, Babylon y las ofertas de «autotriaje guiado» de los proveedores de registros médicos electrónicos [EHR]) que combinan cuestionarios estructurados, contenido clínico basado en reglas y, cada vez más, componentes de aprendizaje automático para la interpretación de síntomas en texto libre. Un análisis comparativo reciente de los sistemas digitales de autotriaje de EE. UU. contrasta los enfoques basados en reglas con los de aprendizaje automático y destaca cómo el campo ha madurado en dimensiones de contenido clínico, integración y comprensión del lenguaje. 1 A pesar de esta maduración, las implementaciones a gran escala e integrales de triaje con IA dentro de los sistemas de salud de EE. UU. (especialmente aquellas que se integran con la historia clínica electrónica, presentan acciones programables e informan resultados a gran escala) siguen estando escasamente documentadas en la literatura; este estudio de caso pretende añadir un relato detallado de la implementación a ese registro.
La ejecución
Selección de proveedores
En 2021, un equipo multidisciplinario analizó las plataformas digitales disponibles para la verificación de síntomas. El equipo consideró el módulo de autotriaje integrado en la historia clínica electrónica (HCE); sin embargo, esta herramienta no incluía un conjunto completo de protocolos de triaje compatibles. Por lo tanto, su adopción a gran escala habría requerido que el personal clínico de Mount Sinai elaborara, validara y mantuviera continuamente sus propias reglas de decisión de triaje (por ejemplo, vías de consulta principal, criterios de derivación, lógica de preguntas específicas por edad y sexo). Además, la solución de autotriaje integrada en la HCE no ofrecía una experiencia para pacientes no autenticados que accedían desde el sitio web público de Mount Sinai.El equipo decidió aprovechar una biblioteca de protocolos validada externamente y actualizada continuamente 2 e inició un proceso integral de evaluación de mercado y solicitud de propuestas. Los proveedores potenciales fueron calificados según criterios como contenido clínico, facilidad de integración, experiencia de usuario y escalabilidad. Este proceso llevó a Mount Sinai a seleccionar Clearstep (ver Divulgaciones para conocer las relaciones financieras de ciertos coautores con el proveedor), una plataforma de triaje impulsada por IA que fue creada en asociación con el coautor de los mismos protocolos de triaje telefónico en los que confía el 95 % de los centros de llamadas de enfermería en todo el país (Dr. Barton Schmitt, coautor de los protocolos de triaje Schmitt-Thompson). 1 Esta herramienta utiliza métodos estadísticos computacionales, como una capa de procesamiento del lenguaje natural (PLN) probabilístico que asigna la descripción de los síntomas en texto libre de un paciente a una queja principal estructurada. Esta capa de PLN es un clasificador de texto supervisado, entrenado con un enfoque de aprendizaje profundo (red neuronal) para datos de síntomas etiquetados reportados por el paciente y aumentado en la inferencia con un modelo de lenguaje grande para manejar paráfrasis y entradas ambiguas. Devuelve puntuaciones de confianza calibradas que impulsan un paso de afirmación para el usuario de «confirmar/negar o elegir una alternativa» antes de que se proceda con el triaje. 3La plataforma también utiliza un sistema experto clínico basado en reglas (es decir, la propia clasificación inicial se calcula de forma determinista mediante un motor de reglas creado por expertos que aplica una versión mejorada de los protocolos de clasificación telefónica del Dr. Schmitt)
Implementación
El departamento de Socios Digitales y Tecnológicos de Mount Sinai colaboró con Clearstep para configurar la herramienta resultante, denominada “Check Symptoms & Get Care” (CSGC). Se implementó a través de dos canales: mediante diversos puntos de acceso en el sitio web público de Mount Sinai y mediante una integración en la aplicación móvil MyMountSinai, desarrollada por Epic e integrada en MyChart ( Fig. 1 ).
4-6 Este enfoque dual permitió llegar tanto a pacientes nuevos que no tenían una cuenta de MyMountSinai como a pacientes ya registrados que podían acceder a la herramienta a través de la aplicación de Mount Sinai.
En ambos casos, un chatbot utilizó PLN para preguntar a los pacientes sobre sus síntomas, administrar un cuestionario de 2 a 4 minutos y proporcionar los pasos a seguir clínicamente óptimos.3 La experiencia también incluyó una opción de atención directa para que el paciente pudiera elegir.
El equipo de Mount Sinai trabajó con Clearstep para configurar los puntos finales de triaje específicos para su sistema, asegurando que las recomendaciones de CSGC dirigieran a los pacientes a las instalaciones y proveedores de Mount Sinai, integrándose además con Epic para mostrar los espacios de citas programables.Por ejemplo, se le podría informar a un paciente que sus síntomas probablemente no requieran una visita a urgencias, pero que debería buscar atención médica próximamente, de acuerdo con las recomendaciones de las mejores prácticas clínicas. CSGC mostraría entonces opciones como «conéctese ahora con un médico de urgencias virtual», «programe una cita con su médico de cabecera» o «acuda a la clínica de urgencias más cercana», con la posibilidad de programar citas o un enlace para iniciar la consulta virtual.A finales de 2022, Mount Sinai se convirtió en el primer sistema de salud de la ciudad de Nueva York en implementar a gran escala una herramienta de triaje digital basada en IA. 7 , 8 Esta herramienta también representa el mayor despliegue urbano de triaje con IA reportado hasta la fecha en la literatura.
A finales de 2022, Mount Sinai se convirtió en el primer sistema de salud de la ciudad de Nueva York en implementar a gran escala una herramienta digital de triaje basada en inteligencia artificial. Esta herramienta sigue siendo, además, el mayor despliegue urbano de triaje con IA registrado hasta la fecha en la literatura científica.
Obstáculos
Implementar una solución de triaje con IA en un sistema de salud complejo presentó desafíos. Uno de ellos fue la integración tecnológica. Incorporar la herramienta CSGC a la aplicación MyMountSinai (desarrollada por el proveedor del sistema de historia clínica electrónica) resultó técnicamente complejo. En las pruebas iniciales, los usuarios a veces experimentaron problemas, como que el verificador de síntomas se abriera en un navegador externo o dificultades para volver a la aplicación. El equipo solucionó estos problemas colaborando con el soporte técnico del sistema de historia clínica electrónica para habilitar vistas web dentro de la aplicación e inicio de sesión único. Esto requirió desarrollo personalizado y varias rondas de pruebas.Otro obstáculo consistió en alinear a las partes interesadas y obtener financiación para un producto de terceros. Mount Sinai superó este desafío haciendo hincapié en la importancia estratégica del acceso digital y demostrando que los algoritmos basados en evidencia del proveedor elegido garantizarían la seguridad del paciente (una preocupación primordial para los médicos). El uso por parte del módulo de protocolos de triaje de enfermería probados, 9-14 el mismo contenido de apoyo a la toma de decisiones para atención ambulatoria y fuera del horario laboral que se utiliza en aproximadamente el 95 % de los centros de llamadas de enfermería de EE. UU., también ayudó a mitigar estas preocupaciones. MSHS también destacó que el uso de un producto de terceros resultaría, en última instancia, más rentable que el desarrollo interno de una herramienta.Mount Sinai también llevó a cabo una rigurosa revisión interna de las reglas configuradas que el motor y los protocolos de preguntas de la plataforma utilizan para traducir el motivo principal de consulta y las respuestas de un paciente en una clasificación de triaje. Los médicos de Mount Sinai revisaron ejemplos de protocolos para el motivo principal de consulta, umbrales de escalamiento y la asignación de las clasificaciones recomendadas a los centros de atención locales antes del lanzamiento de la herramienta.También hubo obstáculos operativos. Por ejemplo, si la herramienta de triaje recomendaba una consulta virtual de urgencias, Mount Sinai necesitaba contar con proveedores de telemedicina disponibles y un flujo de trabajo para transferir al paciente del bot al médico. Esto implicaba la coordinación con el servicio de urgencias virtuales para garantizar la capacidad y un seguimiento rápido cuando el CSGC derivaba pacientes a dicho servicio. Por último, la introducción del CSGC a los pacientes requería una comunicación eficaz. El sistema de salud añadió avisos y enlaces en su sitio web, aplicación y boletines informativos para dar a conocer la nueva función del CSGC.
El equipo
La implementación de la herramienta de triaje con IA CSGC fue un esfuerzo multifuncional. La iniciativa fue liderada por el Director de Innovación Clínica de Mount Sinai, quien se aseguró de que los resultados de CSGC se alinearan con las buenas prácticas médicas. Contó con el apoyo del Director de Transformación Digital de Mount Sinai como promotor e impulsor de la iniciativa. En el aspecto técnico, los Socios Digitales y Tecnológicos de Mount Sinai, junto con el equipo de Marketing Digital (bajo la dirección del Director de Información Digital y el Director de Marketing), participaron activamente en la configuración de CSGC, su integración en la aplicación y la garantía del flujo y la seguridad de los datos. Operacionalmente, la implementación requirió la estrecha colaboración de un Product Owner del sistema de salud, un Gerente de Proyecto, un Director de Producción Web y un analista de EHR, con la supervisión de los Directores de Producto, Marketing Digital y Tecnologías de la Información, y la colaboración con los equipos clínicos, de ciberseguridad y operativos. Estas personas trabajaron en estrecha colaboración con un equipo de proveedores que incluía un Gerente de Producto, un Líder de Producto, un Diseñador Sénior, un Líder Clínico y un Líder de Ingeniería, conformando esencialmente un único equipo de proyecto multifuncional. Las reuniones semanales de implementación mantuvieron el proyecto en marcha.Es importante destacar que la colaboración con el proveedor no fue una simple transferencia; fue un desarrollo colaborativo. Los médicos y expertos en experiencia de usuario de Mount Sinai aportaron ideas sobre la formulación de las preguntas y el diseño de la interfaz para garantizar que fuera fácil de usar para el paciente y coherente con la imagen de marca de Mount Sinai. La plataforma del proveedor era lo suficientemente flexible como para ser personalizada con la marca de Mount Sinai. El equipo también involucró al grupo de experiencia del paciente desde el principio, quienes realizaron grupos focales con pacientes para probar el verificador de síntomas y recopilar más comentarios para su iteración. El equipo de producto de Mount Sinai reclutó grupos de usuarios evaluadores que midieron de forma independiente la usabilidad del sistema. Los resultados revelaron una puntuación de 85,5 en la escala de usabilidad del sistema, lo que se considera excelente ( Fig . 2 ). 15-20 El apoyo del liderazgo de la alta dirección fue otro elemento clave: los líderes y ejecutivos de Mount Sinai aseguraron el presupuesto y promovieron CSGC como una innovación emblemática en el acceso a la atención al paciente.Figura 2
Métrica
Después del lanzamiento, Mount Sinai realizó un seguimiento exhaustivo del uso y las medidas preliminares del proceso de CSGC, y este estudio se centra en informar los resultados del primer año después del lanzamiento de 2023 (es decir, un período de informe de mediados de 2023 a mediados de 2024). Los datos más recientes de 2025 están siendo analizados y validados para su inclusión en un estudio futuro, pero no pudieron incluirse a tiempo para la publicación. En el primer año informado después de la implementación, de más de 60 000 visitas, aproximadamente 22 000 pacientes completaron sesiones de triaje digital a través del sistema (tasa de inicio del 37 %). Entre los iniciadores, el 80 % completó una conversación (tasa de finalización). Las 10 quejas principales de búsqueda coincidieron bien con las informadas en los centros de llamadas 21-23
( Fig . 3 ) . La distribución del triaje recomendado incluyó atención primaria (36%), telemedicina (27%), urgencias (18%), atención urgente (7%), ambulancia (4%), especialista (4%), atención domiciliaria (2%), salud conductual (1%), educación (1%) y atención asíncrona (1%) ( Fig. 4 ). Los pacientes interactuaron con las llamadas a la acción (CTA) a una tasa promedio del 33% en todos los tipos de atención reservables, con salud conductual y atención asíncrona (p. ej., visitas electrónicas) con tasas de interacción de más del 57% ( Fig. 5 ). La utilización varió significativamente según la hora del día con un gran volumen de datos recopilados durante las horas no laborales ( Fig. 6 ). Alrededor del 26% de las interacciones con CSGC ocurrieron durante el fin de semana y el 71% ocurrieron fuera del horario laboral ( Fig. 6 ).
Figura 3
Figura 4
Figura 5
Figura 6
La edad promedio de los participantes fue de 36,4 años, desde recién nacidos hasta los 100 años de edad. Los datos mostraron que los usuarios tenían 2,58 veces más probabilidades de reportar su sexo biológico al nacer como femenino (31%) que como masculino (12%), siendo la cohorte más grande la que eligió «desconocido» (57%) y la más pequeña la que reportó intersexualidad (0,29%). El sexo del usuario se solicitó solo si dicha información era necesaria para las recomendaciones de triaje, lo que puede explicar el alto porcentaje de quienes respondieron «desconocido». La gran mayoría de los usuarios participaron en inglés, aunque el 0,22% de los usuarios participaron en la experiencia en español (dialecto mexicano) (
Fig. 7 ).Figura 7
En general, los pacientes también reportaron una experiencia positiva con CSGC ( Fig. 8A ); aproximadamente el 50% de todos los usuarios que evaluaron la herramienta la calificaron con un 9 o más sobre 10 y más del 75% la calificaron con un 8 o más ( Fig. 8A ). La distribución de la puntuación del esfuerzo del cliente también mostró una distribución asimétrica positiva, con la mayoría de los usuarios calificando la experiencia con un 5, 6 o 7 sobre 7 ( Fig. 8B ).Figura 8
Medidas preliminares del proceso clínico
Mount Sinai ha observado medidas preliminares más amplias en el proceso posterior. CSGC preguntó aleatoriamente a los usuarios sobre sus planes de atención antes de que vieran los resultados de CSGC y descubrió que la mayoría de los encuestados no estaban seguros (26%). Los usuarios con una «intención clara» sobre sus planes de atención variaron en sus respuestas, que incluyeron atención primaria (23%), atención especializada (18%) y autocuidado (11%).
En el primer año posterior a la implementación, de más de 60 000 visitas, aproximadamente 22 000 pacientes completaron las sesiones de triaje digital a través del sistema (tasa de inicio del 37 %).
Al comparar los resultados de la intención previa con la atención recomendada por CSGC, se observó que el 62 % de los pacientes con una «intención clara» presentaban una intención clínicamente subóptima. Esto significa que solo el 38 % de los pacientes tenían una intención previa que coincidía con la recomendación del triaje de IA. A los pacientes con una intención subóptima se les recomendó con mayor frecuencia buscar más atención (79 %), mientras que al grupo restante (21 %) se le recomendó buscar menos atención (
Fig. 9 ).Figura 9
Muchos pacientes que probablemente habrían acudido a urgencias por falta de otras indicaciones fueron derivados de forma segura a entornos de menor complejidad, como una cita de atención primaria al día siguiente o una consulta virtual (
Fig. 9 ). Esto optimiza el uso de los recursos del sistema sanitario. Por otro lado, el CSGC ha recomendado adecuadamente la atención en urgencias para quienes realmente la necesitan, reforzando el principio de «la atención adecuada, en el lugar adecuado y en el momento adecuado».En cuanto a la tasa de cumplimiento con las opciones recomendadas, resulta interesante que aquellos pacientes cuya intención previa fue validada como correcta interactuaron con las CTA a una tasa un 10 % mayor que aquellos a los que el triaje de IA intentó redirigir (48 % frente a 38 %-39 %) (
Fig. 9 ). La capacidad de rastrear de manera definitiva si un paciente reservó o no la atención recomendada después de interactuar con la CTA está pendiente de que el sistema de salud implemente un «parámetro de origen de enlace» que permita la medición de la conversión de reservas. Dicho esto, otra implementación del mismo sistema de salud de EE. UU. de la misma solución de triaje de IA reveló una tasa de reserva del 51 % después de la interacción con la CTA dentro del mismo sistema de programación de EHR que Mount Sinai (
Tabla 1 ). El marco temporal de estas reservas dentro de la experiencia de Mount Sinai abarcó desde citas para el mismo día hasta visitas reservadas con 90 días de anticipación. Otras medidas preliminares del proceso clínico relacionadas con las pruebas diagnósticas solicitadas, los diagnósticos realizados, los tratamientos prescritos, el alivio de los síntomas, la morbilidad y la mortalidad son objeto de otro estudio. Se determinó que un análisis formal de costo-efectividad quedaba fuera del alcance de este estudio de caso de implementación, ya que requiere la vinculación con datos de reclamaciones y encuentros posteriores que no estaban disponibles en el conjunto de datos analíticos aquí presentado, y un modelo contrafactual de utilización de la atención en ausencia de CSGC; por lo tanto, reconocemos esto como una limitación y señalamos que el análisis de costo-efectividad es objeto de otro estudio. Tabla 1.
Fundamentalmente, no se han reportado incidentes de seguridad del paciente al sistema de salud en relación con el triaje de IA a través de la retroalimentación de usuarios, médicos u otros miembros del personal. Además, se ha reportado un monitoreo continuo de seguridad a través de muestreo aleatorio, revisión clínica ciega y errores de clasificación errónea (
Tabla 2 ). Una comparación clínica ciega del mismo paciente realizada en un servicio de urgencias comunitario de EE. UU. encontró una concordancia exacta del 88 %, un 7 % de sobretriaje y un 5 % de subtriaje, con cuatro casos subtriaje revisados en detalle. Una revisión paralela mensual de muestra aleatoria posterior a la implementación por médicos certificados en emergencias, atención de urgencias y medicina interna demostró una concordancia del 93 % al 96 % con CSGC en todos los niveles de triaje durante un período de evaluación de 12 meses. Combinado con cero incidentes de seguridad del paciente relacionados con CSGC reportados a través del canal de notificación de incidentes del sistema de salud, estos hallazgos respaldan una implementación clínicamente segura a gran escala (
Tabla 2 ). Reconocemos como limitación que el presente estudio no incluyó un comparador directo con modalidades alternativas de orientación asistencial (por ejemplo, una línea de enfermería disponible las 24 horas o acceso ilimitado a la atención primaria el mismo día), lo que constituiría un punto de referencia más sólido que la ausencia de orientación. Un estudio comparativo de este tipo representa una importante línea de investigación futura.
Tabla 2.
Limitaciones adicionales
Una limitación de este estudio es que la implementación y el impacto pueden variar entre organizaciones con poblaciones de pacientes y entornos regulatorios diferentes. Nuestra evaluación se realizó dentro de un contexto específico del sistema de salud, y otros entornos pueden diferir en cuanto a las características demográficas de los pacientes (por ejemplo, distribución por edad, necesidades lingüísticas, factores socioeconómicos), la complejidad clínica y la casuística (por ejemplo, prevalencia de multimorbilidad o pacientes inmunocomprometidos), así como el nivel de alfabetización y acceso digital inicial (por ejemplo, disponibilidad de internet, familiaridad con las herramientas móviles, adopción del portal del paciente). Estos factores pueden influir en la cohorte de personas que utilizan el triaje digital y en la precisión con la que se introducen las descripciones de los síntomas en el sistema, lo que podría afectar la participación medida y los resultados posteriores.Además, los marcos legales y de gobernanza (por ejemplo, requisitos de privacidad, expectativas de consentimiento, regulaciones sobre dispositivos médicos/software y normas que rigen el apoyo a la toma de decisiones clínicas) varían según la jurisdicción y pueden influir en los flujos de trabajo permitidos, la profundidad de la integración y los requisitos de monitorización. Por consiguiente, nuestros hallazgos podrían no ser totalmente generalizables a sistemas más pequeños, redes rurales o entornos internacionales sin una adaptación local (por ejemplo, localización lingüística, personalización de la ruta a los centros de atención disponibles, diseño de accesibilidad y revisión del cumplimiento específico de la jurisdicción), y se necesitan futuros estudios multicéntricos que abarquen poblaciones y contextos regulatorios más diversos para caracterizar mejor el rendimiento y los resultados en diferentes entornos. La generalización se plantea mejor como una escalera de implementación escalonada que consta de un nivel fundamental (triaje en el sitio web público dirigido a los canales de acceso existentes y recursos estáticos), un nivel intermedio (programación en línea con enlaces profundos, entrada de telesalud y flujos de trabajo de devolución de llamada) y un nivel avanzado (puerta de entrada digital completa con autenticación vinculada a la historia clínica electrónica, vistas web en la aplicación, inicio de sesión único e interfaces de programación de aplicaciones para la programación). Los sistemas pueden adoptar el nivel que su infraestructura admite actualmente y evolucionar con el tiempo, lo que permite que el beneficio clínico direccional del triaje mediante IA se extienda incluso donde la integración completa de la historia clínica electrónica aún no es factible.
Los conocimientos del Mount Sinai a nivel sistémico sobre la necesidad de automatización en el contexto de la escasez de personal, la saturación de los servicios de urgencias y el uso subóptimo de los recursos de los proveedores y las instalaciones dieron lugar a un claro mandato para mejorar la experiencia de la navegación y el acceso a la atención médica.
¿Por dónde empezar?
Para los sistemas de salud que estén considerando implementar una herramienta de triaje basada en inteligencia artificial, la experiencia de Mount Sinai ofrece una guía general sobre por dónde empezar.
1.Investigue el problema y establezca criterios de éxito. Comience por identificar los puntos débiles específicos en el acceso o triaje de pacientes que necesita resolver. La visión integral de Mount Sinai sobre la necesidad de automatización en el contexto de la escasez de personal, la saturación de los servicios de urgencias y el uso subóptimo de los recursos de los proveedores y las instalaciones, dio lugar a un mandato claro para mejorar la experiencia de navegación y acceso a la atención médica. Adoptamos un enfoque centrado en la experiencia del paciente y diseñamos la solución en colaboración con pacientes y partes interesadas. Contar con esa visión bien definida ayudó a alinear al equipo desde el principio. Fundamentalmente, Mount Sinai también estableció criterios de éxito claros para evaluar los resultados. Esto incluyó la tasa de finalización de las sesiones de triaje iniciadas, las tasas de derivación de atención subóptima, la puntuación en la escala de usabilidad del sistema, el porcentaje de recomendaciones seguidas a través de la interacción mediante llamadas a la acción, la utilización fuera del horario habitual y la satisfacción de los pacientes con la experiencia.
2.Asegurar el liderazgo y crear un grupo de trabajo multidisciplinario. Garantizar que los patrocinadores ejecutivos (líderes clínicos y digitales) estén comprometidos y entusiasmados con el proyecto. Conformar un equipo de implementación multidisciplinario desde el principio, incluyendo operaciones clínicas, especialistas en integración de TI/EHR, representantes de la experiencia del paciente y, posiblemente, personal de centros de llamadas o telemedicina. Un médico líder puede conectar los ámbitos clínico y técnico, defendiendo la importancia del proyecto. El respaldo de la alta dirección también es fundamental para obtener financiación y cooperación entre departamentos.
3.Evalúe a los proveedores con criterios clave. Si opta por una solución de terceros, investigue a fondo mediante un proceso de solicitud de propuestas o un programa piloto. Busque una plataforma basada en evidencia (pregunte sobre el contenido clínico; por ejemplo, ¿utiliza protocolos validados?), configurable según los servicios de su organización y capaz de integrarse con su sistema de historia clínica electrónica/portal. Obtenga la opinión de los médicos para revisar la lógica clínica y del departamento de TI para evaluar la viabilidad de la integración. Considere también el historial del proveedor en materia de seguridad y su disposición a colaborar en personalizaciones. Evalúe cuidadosamente los modelos básicos en comparación con los sistemas especializados desarrollados específicamente para la clasificación de pacientes con criterios clínicos. Por ejemplo, la evaluación de ChatGPT Health realizada por nuestro grupo reveló tasas significativas de subclasificación y sobreclasificación, en desviación de los estándares clínicamente establecidos.
4.Planifique la integración y el flujo de trabajo. Integrar una herramienta de triaje con IA no es tan sencillo como instalarla y usarla, especialmente si se conecta a un sistema de historia clínica electrónica (HCE) y a una aplicación para pacientes. Colabore con su equipo de TI y el equipo técnico del proveedor para definir el flujo de datos. ¿La herramienta requerirá inicio de sesión único con su portal? ¿Cómo transferirá a los usuarios a los sistemas de programación de citas o telemedicina? ¿Desea que los datos de salida se registren en la HCE? Es fundamental definir estos puntos con anticipación para evitar sorpresas. Además, asegúrese de contar con la gobernanza adecuada (por ejemplo, revisión de cumplimiento y seguridad), ya que se manejarán datos de pacientes.
5.Pilotear e iterar. Considere un lanzamiento suave o una fase piloto. Puede comenzar con un subconjunto específico de pacientes o una línea de servicio particular (por ejemplo, Mount Sinai inicialmente vinculó la herramienta con su atención de urgencias virtuales como resultado principal). Monitoree cómo se está utilizando la herramienta y recopile comentarios tanto de pacientes como de médicos. Esté preparado para ajustar el contenido o corregir errores técnicos a medida que surjan (Mount Sinai requirió varias rondas de modificaciones técnicas para solucionar los problemas de integración de la aplicación). Un enfoque de implementación ágil, basado en sprints, puede ser muy efectivo para esto, como lo fue para el equipo digital de Mount Sinai. Esto significa entregar el trabajo en iteraciones cortas y con plazos fijos de aproximadamente 1 a 2 semanas, con un backlog definido, reuniones diarias de seguimiento y demostraciones y retrospectivas al final del sprint, lo que permite al equipo lanzar incrementalmente cambios de configuración, correcciones de integración y actualizaciones de contenido mientras incorpora los comentarios de usuarios y médicos entre iteraciones en lugar de esperar un único lanzamiento «big bang» o «waterfall».
6.Defina los indicadores clave de rendimiento (KPI) y realice un seguimiento del rendimiento. Antes del lanzamiento completo, defina cómo medirá el éxito. Los KPI podrían incluir números de utilización, tasa de finalización, porcentaje de usuarios que siguen la acción recomendada (por ejemplo, reservar una cita), puntuaciones de satisfacción del paciente y cualquier impacto en los volúmenes clínicos (¿los centros de atención de urgencias informaron un aumento de pacientes o disminuyeron las visitas no urgentes a urgencias?). Mount Sinai, por ejemplo, realizó un seguimiento de las finalizaciones, la satisfacción y la seguridad desde el primer día, y ahora considera la conversión a reserva como una métrica crítica. Configure paneles o informes para monitorear estos en tiempo real si es posible. El seguimiento continuo del rendimiento le permite celebrar los logros y abordar rápidamente cualquier problema (por ejemplo, si encuentra una ruta de síntomas en particular donde los usuarios suelen abandonar la herramienta, puede investigar y refinar esa parte del cuestionario).
7.Alinee su proyecto con los objetivos organizacionales. Finalmente, vincule su herramienta de triaje con los objetivos estratégicos y financieros generales de su organización. La inversión de Mount Sinai en CSGC se alineó con su objetivo estratégico de transformación digital y mejora del acceso, y probablemente respalda los objetivos financieros al aumentar la retención de pacientes y optimizar el uso de recursos. Asegúrese de comunicar cómo la herramienta contribuye a los resultados clave (por ejemplo, mayor retención de pacientes, uso más eficiente de servicios de alto costo, mejor calidad de la atención). Esta alineación ayudará a mantener el apoyo a la iniciativa y a asegurar los recursos para su crecimiento.
