Modelos básicos para inteligencia artificial médica

Principal

El desarrollo excepcionalmente rápido de modelos de inteligencia artificial (IA) altamente flexibles y reutilizables probablemente marcará el comienzo de nuevas capacidades en medicina. Proponemos un nuevo paradigma para la IA médica, al que nos referimos como IA médica generalista (GMAI). Los modelos GMAI serán capaces de llevar a cabo un conjunto diverso de tareas utilizando muy pocos o ningún dato etiquetado específico de la tarea. Desarrollada mediante la autosupervisión en conjuntos de datos grandes y diversos, GMAI interpretará de manera flexible diferentes combinaciones de modalidades médicas, incluidos datos de imágenes, registros médicos electrónicos, resultados de laboratorio, genómica, gráficos o texto médico. Los modelos a su vez producirán resultados expresivos como explicaciones de texto libre, recomendaciones habladas o anotaciones de imágenes que demuestran habilidades avanzadas de razonamiento médico. Aquí identificamos un conjunto de aplicaciones potenciales de alto impacto para GMAI y presentamos capacidades técnicas específicas y conjuntos de datos de capacitación necesarios para habilitarlas. Esperamos que las aplicaciones habilitadas para GMAI desafíen las estrategias actuales para regular y validar dispositivos de IA para la medicina y cambien las prácticas asociadas con la recopilación de grandes conjuntos de datos médicos.

Los modelos básicos (la última generación de modelos de IA) se entrenan con conjuntos de datos masivos y diversos y se pueden aplicar a numerosas tareas posteriores ¹ . Los modelos individuales ahora pueden lograr un rendimiento de vanguardia en una amplia variedad de problemas, que van desde responder preguntas sobre textos hasta describir imágenes y jugar videojuegos ^{2 , 3 , 4} . Esta versatilidad representa un cambio radical con respecto a la generación anterior de modelos de IA, que se diseñaron para resolver tareas específicas, una a la vez.

Impulsados por conjuntos de datos en crecimiento, aumentos en el tamaño del modelo y avances en las arquitecturas de modelos, los modelos de base ofrecen capacidades nunca antes vistas. Por ejemplo, en 2020, el modelo de lenguaje GPT-3 desbloqueó una nueva capacidad: el aprendizaje en contexto, a través del cual el modelo llevó a cabo tareas completamente nuevas para las que nunca había sido entrenado explícitamente, simplemente aprendiendo de explicaciones de texto (o ‘indicaciones’) que contenían algunos ejemplos ⁵ . Además, muchos modelos de base recientes pueden recibir y generar combinaciones de diferentes modalidades de datos ^4 , 6 . Por ejemplo, el reciente modelo Gpt puede chatear, subtitular imágenes, jugar videojuegos y controlar un brazo robótico y, por lo tanto, se lo ha descrito como un agente generalista ² . Como ciertas capacidades surgen solo en los modelos más grandes, sigue siendo un desafío predecir lo que los modelos incluso más grandes podrán lograr ⁷ .

Aunque ha habido esfuerzos tempranos para desarrollar modelos de base médica ^{8 , 9 , 10 , 11} , este cambio aún no ha permeado ampliamente la IA médica, debido a la dificultad de acceder a conjuntos de datos médicos grandes y diversos, la complejidad del dominio médico y lo reciente de este desarrollo. En cambio, los modelos de IA médica todavía se desarrollan en gran medida con un enfoque específico de la tarea para el desarrollo del modelo. Por ejemplo, un modelo de interpretación de radiografías de tórax puede entrenarse en un conjunto de datos en el que cada imagen ha sido etiquetada explícitamente como positiva o negativa para neumonía, lo que probablemente requiera un esfuerzo de anotación sustancial. Este modelo solo detectaría neumonía y no podría llevar a cabo el ejercicio de diagnóstico completo de escribir un informe radiológico integral. Este enfoque estrecho y específico de la tarea produce modelos inflexibles, limitados a llevar a cabo tareas predefinidas por el conjunto de datos de entrenamiento y sus etiquetas. En la práctica actual, dichos modelos normalmente no pueden adaptarse a otras tareas (o incluso a diferentes distribuciones de datos para la misma tarea) sin ser reentrenados en otro conjunto de datos. De los más de 500 modelos de IA para medicina clínica que han recibido la aprobación de la Administración de Alimentos y Medicamentos, la mayoría han sido aprobados solo para 1 o 2 tareas específicas ¹² .

En este artículo, describimos cómo los recientes avances en la investigación de modelos básicos pueden alterar este paradigma específico de la tarea. Entre ellos se incluyen el auge de las arquitecturas multimodales ¹³ y las técnicas de aprendizaje autosupervisado ¹⁴ que prescinden de las etiquetas explícitas (por ejemplo, el modelado del lenguaje ¹⁵ y el aprendizaje contrastivo ¹⁶ ), así como la aparición de capacidades de aprendizaje en contexto ⁵ .

Estos avances permitirán, en cambio, el desarrollo de GMAI, una clase de modelos médicos básicos avanzados. “Generalista” implica que se utilizarán ampliamente en aplicaciones médicas y reemplazarán en gran medida a los modelos específicos de tareas.

Inspirados directamente por modelos de base ajenos a la medicina, identificamos tres capacidades clave que distinguen a los modelos GMAI de los modelos de IA médica convencionales (Fig. 1 ). En primer lugar, adaptar un modelo GMAI a una nueva tarea será tan fácil como describir la tarea en un lenguaje sencillo (u otro idioma). Los modelos podrán resolver problemas nunca vistos anteriormente simplemente con que se les expliquen las nuevas tareas (especificación dinámica de tareas), sin necesidad de volver a entrenarlos ^3 , 5 . En segundo lugar, los modelos GMAI pueden aceptar entradas y producir salidas utilizando distintas combinaciones de modalidades de datos (por ejemplo, pueden tomar imágenes, texto, resultados de laboratorio o cualquier combinación de ellos). Esta interactividad flexible contrasta con las limitaciones de los modelos multimodales más rígidos, que siempre utilizan conjuntos predefinidos de modalidades como entrada y salida (por ejemplo, siempre deben tomar imágenes, texto y resultados de laboratorio juntos). En tercer lugar, los modelos GMAI representarán formalmente el conocimiento médico, lo que les permitirá razonar sobre tareas nunca vistas anteriormente y utilizar un lenguaje médicamente preciso para explicar sus resultados.

Enumeramos estrategias concretas para lograr este cambio de paradigma en la IA médica. Además, describimos un conjunto de aplicaciones potencialmente de alto impacto que esta nueva generación de modelos permitirá. Por último, señalamos los principales desafíos que deben superarse para que la IA médica genere el valor clínico que promete.

El potencial de los modelos generalistas en la IA médica

Los modelos GMAI prometen resolver tareas más diversas y desafiantes que los modelos actuales de IA médica, aunque requieren pocas o ninguna etiqueta para tareas específicas. De las tres capacidades definitorias de GMAI, dos permiten interacciones flexibles entre el modelo GMAI y el usuario: primero, la capacidad de llevar a cabo tareas que se especifican dinámicamente; y segundo, la capacidad de admitir combinaciones flexibles de modalidades de datos. La tercera capacidad requiere que los modelos GMAI representen formalmente el conocimiento del dominio médico y lo aprovechen para llevar a cabo un razonamiento médico avanzado. Los modelos básicos recientes ya exhiben aspectos individuales de GMAI, al combinar de manera flexible varias modalidades ² o hacer posible especificar dinámicamente una nueva tarea en el momento de la prueba ⁵ , pero aún se requieren avances sustanciales para construir un modelo GMAI con las tres capacidades. Por ejemplo, los modelos existentes que muestran capacidades de razonamiento médico (como GPT-3 o PaLM) no son multimodales y aún no generan declaraciones factuales confiables.

Interacciones flexibles

GMAI ofrece a los usuarios la posibilidad de interactuar con los modelos a través de consultas personalizadas, lo que facilita la comprensión de los conocimientos de IA para diferentes públicos y ofrece una flexibilidad sin precedentes en las tareas y los entornos. En la práctica actual, los modelos de IA suelen gestionar un conjunto reducido de tareas y producir un conjunto de resultados predeterminados y rígidos. Por ejemplo, un modelo actual podría detectar una enfermedad específica, tomando un tipo de imagen y siempre generando la probabilidad de esa enfermedad. Por el contrario, una consulta personalizada permite a los usuarios plantear preguntas sobre la marcha: «Explique la masa que aparece en esta resonancia magnética de la cabeza. ¿Es más probable que se trate de un tumor o de un absceso?». Además, las consultas pueden permitir a los usuarios personalizar el formato de sus resultados: «Esta es una resonancia magnética de seguimiento de un paciente con glioblastoma. Resalte los tumores en rojo».

Las consultas personalizadas habilitarán dos capacidades clave: especificación dinámica de tareas y entradas y salidas multimodales, de la siguiente manera.

Especificación de tareas dinámicas

Las consultas personalizadas pueden enseñar a los modelos de IA a resolver nuevos problemas sobre la marcha, especificando dinámicamente nuevas tareas sin necesidad de volver a entrenar los modelos. Por ejemplo, GMAI puede responder a preguntas muy específicas que no se habían visto antes: “Dada esta ecografía, ¿qué grosor tiene la pared de la vesícula biliar en milímetros?”. Como era de esperar, un modelo GMAI puede tener dificultades para completar nuevas tareas que involucran conceptos o patologías desconocidas. El aprendizaje en contexto permite entonces a los usuarios enseñar al GMAI sobre un nuevo concepto con unos pocos ejemplos: “Aquí están los historiales médicos de diez pacientes anteriores con una enfermedad emergente, una infección por el henipavirus Langya. ¿Qué probabilidad hay de que nuestro paciente actual también esté infectado por el henipavirus Langya?” ¹⁷ .

Entradas y salidas multimodales

Las consultas personalizadas pueden permitir a los usuarios incluir información médica compleja en sus preguntas, mezclando libremente las modalidades. Por ejemplo, un médico puede incluir múltiples imágenes y resultados de laboratorio en su consulta cuando pide un diagnóstico. Los modelos GMAI también pueden incorporar de manera flexible diferentes modalidades en las respuestas, como cuando un usuario solicita una respuesta de texto y una visualización que la acompaña. Siguiendo modelos anteriores como Gato, los modelos GMAI pueden combinar modalidades convirtiendo los datos de cada modalidad en «tokens», cada uno representando una unidad pequeña (por ejemplo, una palabra en una oración o un parche en una imagen) que se puede combinar en todas las modalidades. Este flujo combinado de tokens se puede luego alimentar a una arquitectura de transformador ¹⁸ , lo que permite a los modelos GMAI integrar el historial completo de un paciente determinado, incluidos informes, señales de forma de onda, resultados de laboratorio, perfiles genómicos y estudios de imágenes.

Conocimiento del dominio médico

En marcado contraste con los médicos, los modelos de IA médica convencionales suelen carecer de conocimientos previos del ámbito médico antes de ser entrenados para sus tareas específicas. En cambio, tienen que depender únicamente de asociaciones estadísticas entre las características de los datos de entrada y el objetivo de predicción, sin tener información contextual (por ejemplo, sobre procesos fisiopatológicos). Esta falta de conocimientos previos dificulta el entrenamiento de modelos para tareas médicas específicas, en particular cuando los datos para las tareas son escasos.

Los modelos GMAI pueden abordar estas deficiencias mediante la representación formal del conocimiento médico. Por ejemplo, estructuras como los gráficos de conocimiento pueden permitir que los modelos razonen sobre conceptos médicos y relaciones entre ellos. Además, basándose en enfoques recientes basados en la recuperación, GMAI puede recuperar contexto relevante de bases de datos existentes, en forma de artículos, imágenes o casos anteriores completos ^19 , 20 .

Los modelos resultantes pueden generar advertencias que se explican por sí solas: “Es probable que este paciente desarrolle un síndrome de dificultad respiratoria aguda, porque fue ingresado recientemente con un traumatismo torácico grave y porque la presión parcial de oxígeno en la sangre arterial del paciente ha disminuido de manera constante, a pesar de una mayor fracción inspirada de oxígeno”.

Como a un modelo GMAI incluso se le puede solicitar que proporcione recomendaciones de tratamiento, a pesar de estar entrenado principalmente con datos observacionales, la capacidad del modelo para inferir y aprovechar las relaciones causales entre los conceptos médicos y los hallazgos clínicos desempeñará un papel clave para la aplicabilidad clínica ²¹ .

Por último, al acceder a un rico conocimiento molecular y clínico, un modelo GMAI puede resolver tareas con datos limitados aprovechando el conocimiento de problemas relacionados, como lo ejemplifican los trabajos iniciales sobre la reutilización de fármacos basada en IA ²² .

Casos de uso de GMAI

Presentamos seis posibles casos de uso de GMAI que apuntan a diferentes bases de usuarios y disciplinas, aunque nuestra lista no es exhaustiva. Si bien ya se han realizado esfuerzos de IA en estas áreas, esperamos que GMAI permita soluciones integrales para cada problema.

Informes de radiología fundamentados

GMAI permite una nueva generación de asistentes de radiología digitales versátiles, que respaldan a los radiólogos en todo su flujo de trabajo y reducen notablemente las cargas de trabajo. Los modelos GMAI pueden redactar automáticamente informes de radiología que describen tanto las anomalías como los hallazgos normales relevantes, al tiempo que tienen en cuenta el historial del paciente. Estos modelos pueden proporcionar más ayuda a los médicos al combinar informes de texto con visualizaciones interactivas, como resaltar la región descrita por cada frase. Los radiólogos también pueden mejorar su comprensión de los casos al conversar con los modelos GMAI: «¿Puede resaltar alguna lesión nueva de esclerosis múltiple que no estuviera presente en la imagen anterior?».

Una solución debe interpretar con precisión varias modalidades de radiología, detectando incluso anomalías sutiles. Además, debe integrar información del historial del paciente, incluidas fuentes como indicaciones, resultados de laboratorio e imágenes anteriores, al describir una imagen. También debe comunicarse con los médicos mediante múltiples modalidades, proporcionando respuestas de texto e imágenes anotadas dinámicamente. Para ello, debe ser capaz de tener una base visual, señalando con precisión exactamente qué parte de una imagen respalda cualquier afirmación. Aunque esto se puede lograr a través del aprendizaje supervisado en imágenes etiquetadas por expertos, los métodos de explicabilidad como Grad-CAM podrían permitir enfoques autosupervisados, sin necesidad de datos etiquetados ²³ .

Procedimientos aumentados

Anticipamos un modelo GMAI quirúrgico que pueda ayudar a los equipos quirúrgicos con los procedimientos: “No podemos encontrar la ruptura intestinal. Verifique si nos perdimos una vista de alguna sección intestinal en la transmisión visual de los últimos 15 minutos”. Los modelos GMAI pueden realizar tareas de visualización, potencialmente anotando transmisiones de video de un procedimiento en tiempo real. También pueden proporcionar información en forma hablada, por ejemplo, generando alertas cuando se omiten pasos de un procedimiento o leyendo literatura relevante cuando los cirujanos encuentran fenómenos anatómicos raros.

a , Un modelo GMAI se entrena en múltiples modalidades de datos médicos, a través de técnicas como el aprendizaje autosupervisado. Para permitir interacciones flexibles, las modalidades de datos como imágenes o datos de EHR se pueden emparejar con el lenguaje, ya sea en forma de datos de texto o de voz. A continuación, el modelo GMAI necesita acceder a varias fuentes de conocimiento médico para llevar a cabo tareas de razonamiento médico, desbloqueando una gran cantidad de capacidades que se pueden utilizar en aplicaciones posteriores. El modelo GMAI resultante luego lleva a cabo tareas que el usuario puede especificar en tiempo real. Para esto, el modelo GMAI puede recuperar información contextual de fuentes como gráficos de conocimiento o bases de datos, aprovechando el conocimiento médico formal para razonar sobre tareas nunca antes vistas.
b , El modelo GMAI construye la base para numerosas aplicaciones en disciplinas clínicas, cada una de las cuales requiere una cuidadosa validación y evaluación regulatoria.

Este modelo también puede ayudar con procedimientos fuera del quirófano, como los procedimientos endoscópicos. Un modelo que captura el contexto topográfico y razona con el conocimiento anatómico puede sacar conclusiones sobre fenómenos no vistos previamente. Por ejemplo, podría deducir que una gran estructura vascular que aparece en una duodenoscopia puede indicar una fístula aortoduodenal (es decir, una conexión anormal entre la aorta y el intestino delgado), a pesar de nunca haber encontrado una antes (Fig. 2 , panel derecho). GMAI puede resolver esta tarea detectando primero el vaso, luego identificando la ubicación anatómica y finalmente considerando las estructuras vecinas.

a , GMAI podría permitir un soporte de decisiones versátil y autoexplicativo en la cabecera del paciente.
b , Los informes de radiología fundamentada están equipados con enlaces en los que se puede hacer clic para visualizar cada hallazgo.
c , GMAI tiene el potencial de clasificar fenómenos que nunca se habían encontrado antes durante el desarrollo del modelo. En los procedimientos aumentados, un hallazgo atípico poco común se explica con un razonamiento paso a paso aprovechando el conocimiento del dominio médico y el contexto topográfico. El ejemplo presentado está inspirado en un informe de caso ⁵⁸ . Imagen de la fístula en el panel
c adaptada de la ref. ⁵⁸ , CC BY 3.0 .

Una solución necesita integrar las modalidades de visión, lenguaje y audio, utilizando un modelo de visión-audio-lenguaje para aceptar consultas habladas y llevar a cabo tareas utilizando la información visual. Los modelos de visión-lenguaje ya han ganado terreno, y el desarrollo de modelos que incorporen más modalidades es simplemente una cuestión de tiempo ²⁴ . Los enfoques pueden basarse en trabajos anteriores que combinan modelos de lenguaje y gráficos de conocimiento ^25 , 26 para razonar paso a paso sobre las tareas quirúrgicas. Además, la GMAI implementada en entornos quirúrgicos probablemente enfrentará fenómenos clínicos inusuales que no se pueden incluir durante el desarrollo del modelo, debido a su rareza, un desafío conocido como la larga cola de condiciones no vistas ²⁷ . Las habilidades de razonamiento médico serán cruciales tanto para detectar valores atípicos previamente no vistos como para explicarlos, como se ejemplifica en la Figura 2 .

Apoyo para la toma de decisiones en la cabecera del paciente

GMAI permite una nueva clase de herramientas de apoyo a la toma de decisiones clínicas junto a la cama que amplían los sistemas de alerta temprana basados en IA existentes, proporcionando explicaciones más detalladas, así como recomendaciones para la atención futura. Por ejemplo, los modelos GMAI para el apoyo a la toma de decisiones junto a la cama pueden aprovechar el conocimiento clínico y proporcionar explicaciones de texto libre y resúmenes de datos: “Advertencia: Esta paciente está a punto de entrar en estado de shock. Su circulación se ha desestabilizado en los últimos 15 minutos <enlace al resumen de datos>. Próximos pasos recomendados: <enlace a la lista de verificación>”.

Una solución debe analizar las fuentes de registros médicos electrónicos (por ejemplo, parámetros vitales y de laboratorio, y notas clínicas) que involucran múltiples modalidades, incluidos datos de series temporales de texto y numéricos. Debe poder resumir el estado actual de un paciente a partir de datos brutos, proyectar posibles estados futuros del paciente y recomendar decisiones de tratamiento. Una solución puede proyectar cómo cambiará la condición de un paciente con el tiempo, utilizando técnicas de modelado de lenguaje para predecir sus registros textuales y numéricos futuros a partir de sus datos anteriores. Los conjuntos de datos de entrenamiento pueden emparejar específicamente los datos de series temporales de registros médicos electrónicos con los resultados finales del paciente, que pueden recopilarse de los informes de alta y los códigos de la CIE (Clasificación Internacional de Enfermedades). Además, el modelo debe poder comparar tratamientos potenciales y estimar sus efectos, todo ello adhiriéndose a las pautas terapéuticas y otras políticas relevantes. El modelo puede adquirir el conocimiento necesario a través de gráficos de conocimiento clínico y fuentes de texto como publicaciones académicas, libros de texto educativos, pautas internacionales y políticas locales. Los enfoques pueden inspirarse en REALM, un modelo de lenguaje que responde a las consultas recuperando primero un único documento relevante y luego extrayendo la respuesta de éste, lo que hace posible que los usuarios identifiquen la fuente exacta de cada respuesta ²⁰ .

Toma de notas interactiva

La documentación representa una parte integral, pero laboriosa, de los flujos de trabajo clínicos. Al monitorear la información electrónica de los pacientes, así como las conversaciones entre médicos y pacientes, los modelos GMAI redactarán de manera preventiva documentos como notas electrónicas e informes de alta para que los médicos simplemente los revisen, editen y aprueben. De este modo, GMAI puede reducir sustancialmente los gastos administrativos, lo que permite a los médicos dedicar más tiempo a los pacientes.

Una solución GMAI puede aprovechar los avances recientes en modelos de conversión de voz a texto ²⁸ , especializando técnicas para aplicaciones médicas. Debe interpretar con precisión las señales de voz, entendiendo la jerga médica y las abreviaturas. Además, debe contextualizar los datos de voz con información de los registros médicos electrónicos (por ejemplo, lista de diagnósticos, parámetros vitales e informes de alta anteriores) y luego generar notas o informes de texto libre. Será esencial obtener el consentimiento antes de grabar cualquier interacción con un paciente. Incluso antes de que se recopilen esas grabaciones en grandes cantidades, es posible que ya se desarrollen modelos tempranos de toma de notas aprovechando los datos de interacción médico-paciente recopilados a partir de aplicaciones de chat.

Chatbots para pacientes

GMAI tiene el potencial de impulsar nuevas aplicaciones para el apoyo a los pacientes, proporcionando atención de alta calidad incluso fuera de los entornos clínicos. Por ejemplo, GMAI puede crear una visión holística de la condición de un paciente utilizando múltiples modalidades, que van desde descripciones no estructuradas de los síntomas hasta lecturas continuas del monitor de glucosa y registros de medicación proporcionados por el paciente. Después de interpretar estos tipos heterogéneos de datos, los modelos GMAI pueden interactuar con el paciente, proporcionando consejos y explicaciones detalladas. Es importante destacar que GMAI permite una comunicación accesible, proporcionando información clara, legible o audible sobre el horario del paciente. Mientras que las aplicaciones similares dependen de los médicos para ofrecer apoyo personalizado en la actualidad ²⁹ , GMAI promete reducir o incluso eliminar la necesidad de la intervención de expertos humanos, haciendo que las aplicaciones estén disponibles a mayor escala. Al igual que con las aplicaciones de chat en vivo existentes, los usuarios aún podrían interactuar con un consejero humano a pedido.

La creación de chatbots orientados al paciente con GMAI plantea dos desafíos especiales. En primer lugar, los modelos orientados al paciente deben poder comunicarse claramente con audiencias no técnicas, utilizando un lenguaje simple y claro sin sacrificar la precisión del contenido. La inclusión de textos médicos centrados en el paciente en los conjuntos de datos de entrenamiento puede permitir esta capacidad. En segundo lugar, estos modelos deben trabajar con diversos datos recopilados por los pacientes. Los datos proporcionados por los pacientes pueden representar modalidades inusuales; por ejemplo, los pacientes con requisitos dietéticos estrictos pueden enviar fotos de antes y después de sus comidas para que los modelos GMAI puedan monitorear automáticamente su ingesta de alimentos. Los datos recopilados por los pacientes también es probable que sean más ruidosos en comparación con los datos de un entorno clínico, ya que los pacientes pueden ser más propensos a errores o usar dispositivos menos confiables al recopilar datos. Nuevamente, la incorporación de datos relevantes en el entrenamiento puede ayudar a superar este desafío. Sin embargo, los modelos GMAI también deben monitorear su propia incertidumbre y tomar las medidas adecuadas cuando no tienen suficientes datos confiables.

Generación de texto a proteína

GMAI podría generar secuencias de aminoácidos de proteínas y sus estructuras tridimensionales a partir de indicaciones textuales. Inspirado por los modelos generativos existentes de secuencias de proteínas ³⁰ , un modelo de este tipo podría condicionar su generación a las propiedades funcionales deseadas. Por el contrario, un modelo GMAI con conocimientos biomédicos promete interfaces de diseño de proteínas que son tan flexibles y fáciles de usar como los modelos generativos de texto a imagen concurrentes como Stable Diffusion o DALL-E ^31 , 32 . Además, al desbloquear capacidades de aprendizaje en contexto, un modelo de texto a proteína basado en GMAI puede recibir indicaciones con un puñado de instrucciones de ejemplo emparejadas con secuencias para definir dinámicamente una nueva tarea de generación, como la generación de una proteína que se une con alta afinidad a un objetivo específico mientras cumple con restricciones adicionales.

Ya ha habido esfuerzos tempranos para desarrollar modelos de base para secuencias biológicas ^33 , 34 , incluyendo RFdiffusion, que genera proteínas sobre la base de especificaciones simples (por ejemplo, un objetivo de unión) ³⁵ . Sobre la base de este trabajo, la solución basada en GMAI puede incorporar tanto el lenguaje como los datos de secuencias de proteínas durante el entrenamiento para ofrecer una interfaz de texto versátil. Una solución también podría aprovechar los avances recientes en IA multimodal como CLIP, en el que los modelos se entrenan conjuntamente en datos pareados de diferentes modalidades ¹⁶ . Al crear un conjunto de datos de entrenamiento de este tipo, las secuencias de proteínas individuales deben emparejarse con pasajes de texto relevantes (por ejemplo, del cuerpo de la literatura biológica) que describan las propiedades de las proteínas. Las iniciativas a gran escala, como UniProt, que mapean las funciones de las proteínas para millones de proteínas, serán indispensables para este esfuerzo ³⁶ .

Oportunidades y desafíos de GMAI

La GMAI tiene el potencial de afectar la práctica médica al mejorar la atención y reducir el agotamiento de los médicos. Aquí detallamos las ventajas generales de los modelos GMAI. También describimos los desafíos críticos que se deben abordar para garantizar una implementación segura, ya que los modelos GMAI funcionarán en entornos particularmente de alto riesgo, en comparación con los modelos básicos en otros campos.

Cambios de paradigma con GMAI

Controlabilidad

GMAI permite a los usuarios controlar con precisión el formato de sus resultados, lo que facilita el acceso y la comprensión de información médica compleja. Por ejemplo, habrá modelos GMAI que puedan reformular respuestas en lenguaje natural a pedido. De manera similar, las visualizaciones proporcionadas por GMAI pueden personalizarse cuidadosamente, por ejemplo, cambiando el punto de vista o etiquetando características importantes con texto. Los modelos también pueden ajustar potencialmente el nivel de detalle específico del dominio en sus resultados o traducirlos a varios idiomas, comunicándose de manera efectiva con diversos usuarios. Finalmente, la flexibilidad de GMAI le permite adaptarse a regiones u hospitales particulares, siguiendo las costumbres y políticas locales. Los usuarios pueden necesitar instrucciones formales sobre cómo consultar un modelo GMAI y usar sus resultados de manera más efectiva.

Adaptabilidad

Los modelos de IA médica existentes tienen dificultades para hacer frente a los cambios de distribución, en los que las distribuciones de datos cambian debido a cambios en las tecnologías, los procedimientos, los entornos o las poblaciones ^37 , 38 . Sin embargo, la GMAI puede seguir el ritmo de los cambios mediante el aprendizaje en contexto. Por ejemplo, un hospital puede enseñar a un modelo de GMAI a interpretar rayos X de un escáner completamente nuevo simplemente proporcionando indicaciones que muestren un pequeño conjunto de ejemplos. Por lo tanto, la GMAI puede adaptarse a nuevas distribuciones de datos sobre la marcha, mientras que los modelos de IA médica convencionales tendrían que volver a entrenarse en un conjunto de datos completamente nuevo. En la actualidad, el aprendizaje en contexto se observa predominantemente en grandes modelos de lenguaje ³⁹ . Para garantizar que la GMAI pueda adaptarse a los cambios en el contexto, una columna vertebral del modelo GMAI debe entrenarse en datos extremadamente diversos de múltiples fuentes y modalidades complementarias. Por ejemplo, para adaptarse a las variantes emergentes de la enfermedad por coronavirus 2019, un modelo exitoso puede recuperar características de variantes pasadas y actualizarlas cuando se enfrenta a un nuevo contexto en una consulta. Por ejemplo, un médico podría decir: “Revise estas radiografías de tórax para ver si hay neumonía por ómicron. En comparación con la variante Delta, considere los infiltrados que rodean los bronquios y los vasos sanguíneos como signos indicativos” ⁴⁰ .

Aunque los usuarios pueden ajustar manualmente el comportamiento del modelo mediante indicaciones, también puede haber un papel para las nuevas técnicas que incorporen automáticamente la retroalimentación humana. Por ejemplo, los usuarios pueden calificar o comentar cada resultado de un modelo GMAI, de forma similar a como los usuarios califican los resultados de ChatGPT (lanzado por OpenAI en 2022), una interfaz de chat impulsada por IA. Esa retroalimentación se puede utilizar para mejorar el comportamiento del modelo, siguiendo el ejemplo de InstructGPT, un modelo creado mediante el uso de retroalimentación humana para refinar GPT-3 a través del aprendizaje de refuerzo ⁴¹ .

Aplicabilidad

Los modelos de IA a gran escala ya sirven como base para numerosas aplicaciones posteriores. Por ejemplo, a los pocos meses de su lanzamiento, GPT-3 impulsó más de 300 aplicaciones en varias industrias ⁴² . Como un prometedor ejemplo temprano de un modelo de base médica, CheXzero se puede aplicar para detectar docenas de enfermedades en radiografías de tórax sin ser entrenado en etiquetas explícitas para estas enfermedades ⁹ . Asimismo, el cambio hacia GMAI impulsará el desarrollo y lanzamiento de modelos de IA médica a gran escala con amplias capacidades, que formarán la base para varias aplicaciones clínicas posteriores. Muchas aplicaciones interactuarán con el propio modelo GMAI, utilizando directamente sus resultados finales. Otras pueden usar representaciones numéricas intermedias, que los modelos GMAI generan naturalmente en el proceso de producción de resultados, como insumos para pequeños modelos especializados que se pueden construir de forma económica para tareas específicas. Sin embargo, esta aplicabilidad flexible puede actuar como un arma de doble filo, ya que cualquier modo de falla que exista en el modelo de base se propagará ampliamente a través de las aplicaciones posteriores.

Desafíos de GMAI

Validación

Los modelos GMAI serán excepcionalmente difíciles de validar, debido a su versatilidad sin precedentes. En la actualidad, los modelos de IA están diseñados para tareas específicas, por lo que necesitan ser validados solo para aquellos casos de uso predefinidos (por ejemplo, diagnosticar un tipo particular de cáncer a partir de una resonancia magnética cerebral). Sin embargo, los modelos GMAI pueden llevar a cabo tareas nunca antes vistas que un usuario final establezca por primera vez (por ejemplo, diagnosticar cualquier enfermedad en una resonancia magnética cerebral), por lo que es categóricamente más difícil anticipar todos sus modos de falla. Los desarrolladores y los reguladores serán responsables de explicar cómo se han probado los modelos GMAI y para qué casos de uso han sido aprobados. Las propias interfaces GMAI deben estar diseñadas para generar advertencias de «uso no indicado en la etiqueta» al ingresar a territorios inexplorados, en lugar de fabricar con confianza información inexacta. En términos más generales, las capacidades excepcionalmente amplias de GMAI requieren previsión regulatoria, lo que exige que las políticas institucionales y gubernamentales se adapten al nuevo paradigma, y también reconfigurarán los acuerdos de seguros y la asignación de responsabilidad.

Verificación

En comparación con los modelos de IA convencionales, los modelos GMAI pueden manejar entradas y salidas inusualmente complejas, lo que hace que sea más difícil para los médicos determinar su exactitud. Por ejemplo, los modelos convencionales pueden considerar solo un estudio de imágenes o una imagen de diapositiva completa al clasificar el cáncer de un paciente. En cada caso, un solo radiólogo o patólogo podría verificar si los resultados del modelo son correctos. Sin embargo, un modelo GMAI puede considerar ambos tipos de entradas y puede generar una clasificación inicial, una recomendación de tratamiento y una justificación multimodal que involucra visualizaciones, análisis estadísticos y referencias a la literatura. En este caso, puede ser necesario un panel multidisciplinario (compuesto por radiólogos, patólogos, oncólogos y especialistas adicionales) para juzgar el resultado del GMAI. Por lo tanto, la verificación de los resultados del GMAI representa un desafío serio, tanto durante la validación como después de que se implementan los modelos.

Los creadores pueden facilitar la verificación de los resultados de GMAI incorporando técnicas de explicabilidad. Por ejemplo, los resultados de un GMAI pueden incluir enlaces a pasajes de la literatura que sirvan de apoyo, lo que permite a los médicos verificar de manera más eficiente las predicciones de GMAI. Recientemente se han propuesto otras estrategias para verificar los resultados de un modelo sin la intervención de expertos humanos ⁴³ . Por último, es de vital importancia que los modelos GMAI expresen con precisión la incertidumbre, evitando así, en primer lugar, declaraciones demasiado confiadas.

Sesgos sociales

Trabajos previos ya han demostrado que los modelos de IA médica pueden perpetuar sesgos y causar daño a poblaciones marginadas. Pueden adquirir sesgos durante el entrenamiento, cuando los conjuntos de datos subrepresentan a ciertos grupos de pacientes o contienen correlaciones perjudiciales ^44 , 45 . Estos riesgos probablemente serán aún más pronunciados al desarrollar GMAI. La escala y complejidad sin precedentes de los conjuntos de datos de entrenamiento necesarios harán que sea difícil garantizar que estén libres de sesgos indeseables. Aunque los sesgos ya plantean un desafío para la IA convencional en la salud, son de particular relevancia para GMAI, ya que una evaluación reciente a gran escala mostró que el sesgo social puede aumentar con la escala del modelo ⁴⁶ .

Los modelos GMAI deben validarse exhaustivamente para garantizar que no tengan un rendimiento inferior al esperado en poblaciones específicas, como los grupos minoritarios. Además, los modelos deberán someterse a auditorías y regulaciones continuas incluso después de su implementación, ya que surgirán nuevos problemas a medida que los modelos se enfrenten a nuevas tareas y entornos. Los concursos con premios podrían incentivar a la comunidad de IA a examinar más a fondo los modelos GMAI. Por ejemplo, se podría recompensar a los participantes por encontrar indicaciones que produzcan contenido dañino o expongan otros modos de falla. Identificar y corregir rápidamente los sesgos debe ser una prioridad máxima para los desarrolladores, proveedores y reguladores.

Privacidad

El desarrollo y uso de modelos GMAI plantea graves riesgos para la privacidad del paciente. Los modelos GMAI pueden tener acceso a un amplio conjunto de características de los pacientes, incluidas mediciones y señales clínicas, firmas moleculares e información demográfica, así como datos de seguimiento conductual y sensorial. Además, los modelos GMAI probablemente utilizarán arquitecturas grandes, pero los modelos más grandes son más propensos a memorizar datos de entrenamiento y repetirlos directamente a los usuarios ⁴⁷ . Como resultado, existe un grave riesgo de que los modelos GMAI puedan exponer datos confidenciales de los pacientes en los conjuntos de datos de entrenamiento. Mediante la desidentificación y la limitación de la cantidad de información recopilada para pacientes individuales, se puede reducir el daño causado por los datos expuestos.

Sin embargo, las preocupaciones por la privacidad no se limitan a los datos de entrenamiento, ya que los modelos GMAI implementados también pueden exponer datos de pacientes actuales. Los ataques rápidos pueden engañar a modelos como GPT-3 para que ignoren instrucciones anteriores ⁴⁸ . Como ejemplo, imagine que se le ha ordenado a un modelo GMAI que nunca revele información de pacientes a usuarios no acreditados. Un usuario malintencionado podría obligar al modelo a ignorar esa instrucción para extraer datos confidenciales.

Escala

Los modelos de base recientes han aumentado notablemente de tamaño, lo que ha aumentado los costos asociados con la recopilación de datos y el entrenamiento de los modelos. Los modelos de esta escala requieren conjuntos de datos de entrenamiento masivos que, en el caso de GPT-3, contienen cientos de miles de millones de tokens y son costosos de recopilar. Además, PaLM, un modelo de 540 mil millones de parámetros desarrollado por Google, requirió un estimado de 8,4 millones de horas de chips de unidad de procesamiento tensorial v4 para el entrenamiento, utilizando aproximadamente entre 3.000 y 6.000 chips a la vez, lo que equivale a millones de dólares en costos computacionales ⁴⁹ . Además, desarrollar modelos tan grandes conlleva un costo ambiental sustancial, ya que se ha estimado que el entrenamiento de cada modelo genera hasta cientos de toneladas de CO ₂ equivalente ⁵⁰ .

Estos costos plantean la cuestión de qué tan grandes deben ser los conjuntos de datos y los modelos. Un estudio reciente estableció un vínculo entre el tamaño del conjunto de datos y el tamaño del modelo, recomendando 20 veces más tokens que parámetros para un rendimiento óptimo, pero los modelos básicos existentes se entrenaron con éxito con una relación token-parámetro menor ⁵¹ . Por lo tanto, sigue siendo difícil estimar qué tan grandes deben ser los modelos y los conjuntos de datos al desarrollar modelos GMAI, especialmente porque la escala necesaria depende en gran medida del caso de uso médico particular.

La recopilación de datos planteará un desafío particular para el desarrollo de GMAI, debido a la necesidad de cantidades sin precedentes de datos médicos. Los modelos básicos existentes generalmente se entrenan con datos heterogéneos obtenidos al rastrear la web, y esas fuentes de datos de propósito general pueden usarse potencialmente para entrenar previamente los modelos GMAI (es decir, llevar a cabo una ronda preparatoria inicial de entrenamiento). Aunque estos conjuntos de datos no se centran en la medicina, ese entrenamiento previo puede dotar a los modelos GMAI de capacidades útiles. Por ejemplo, al recurrir a textos médicos presentes en sus conjuntos de datos de entrenamiento, los modelos de propósito general como Flan-PaLM o ChatGPT pueden responder con precisión a preguntas médicas y lograr puntajes de aprobación en el Examen de Licencia Médica de los Estados Unidos ^{10 , 52 , 53} . Sin embargo, el desarrollo del modelo GMAI probablemente también requerirá conjuntos de datos masivos que se centren específicamente en el dominio médico y sus modalidades. Estos conjuntos de datos deben ser diversos, anónimos y organizados en formatos compatibles, y los procedimientos para recopilar y compartir datos deberán cumplir con políticas heterogéneas en todas las instituciones y regiones. Aunque la recopilación de conjuntos de datos tan grandes planteará un desafío sustancial, estos datos generalmente no requerirán etiquetas costosas de expertos, dado el éxito de la autosupervisión ^9 , 54 . Además, las técnicas de autosupervisión multimodal se pueden utilizar para entrenar modelos en múltiples conjuntos de datos que contienen mediciones de unas pocas modalidades cada uno, lo que reduce la necesidad de conjuntos de datos grandes y costosos que contienen mediciones de muchas modalidades por paciente. En otras palabras, un modelo se puede entrenar en un conjunto de datos con datos de EHR y MRI y un segundo con EHR y datos genómicos, sin requerir un gran conjunto de datos que contenga EHR, MRI y datos genómicos, conjuntamente. Los esfuerzos de intercambio de datos a gran escala, como la base de datos MIMIC (Medical Information Mart for Intensive Care) ⁵⁵ o el Biobanco del Reino Unido ⁵⁶ , desempeñarán un papel fundamental en GMAI, y deberían extenderse a países subrepresentados para crear conjuntos de datos de entrenamiento más grandes, más ricos e inclusivos.

El tamaño de los modelos GMAI también causará desafíos técnicos. Además de ser costosos de entrenar, los modelos GMAI pueden ser difíciles de implementar, requiriendo hardware especializado de alta gama al que puede ser difícil para los hospitales acceder. Para ciertos casos de uso (por ejemplo, chatbots), los modelos GMAI se pueden almacenar en clústeres de cómputo centrales mantenidos por organizaciones con profunda experiencia técnica, como DALL-E o GPT-3. Sin embargo, otros modelos GMAI pueden necesitar ser implementados localmente en hospitales u otros entornos médicos, eliminando la necesidad de una conexión de red estable y manteniendo los datos confidenciales de los pacientes en el sitio. En estos casos, el tamaño del modelo puede necesitar ser reducido a través de técnicas como la destilación de conocimiento, en la que los modelos a gran escala enseñan modelos más pequeños que pueden implementarse más fácilmente bajo restricciones prácticas ⁵⁷ .

Conclusión

Los modelos básicos tienen el potencial de transformar la atención médica. La clase de modelos básicos avanzados que hemos descrito, GMAI, analizará de manera intercambiable múltiples modalidades de datos, aprenderá nuevas tareas sobre la marcha y aprovechará el conocimiento del dominio, lo que ofrece oportunidades en una gama casi ilimitada de tareas médicas. La flexibilidad de GMAI permite que los modelos sigan siendo relevantes en nuevos entornos y sigan el ritmo de las enfermedades y tecnologías emergentes sin necesidad de volver a capacitarlos constantemente desde cero. Las aplicaciones basadas en GMAI se implementarán tanto en entornos clínicos tradicionales como en dispositivos remotos como teléfonos inteligentes, y predecimos que serán útiles para diversas audiencias, lo que permitirá aplicaciones tanto para médicos como para pacientes.

A pesar de su potencial, los modelos GMAI presentan desafíos únicos. Su extrema versatilidad dificulta su validación integral y su tamaño puede generar mayores costos computacionales. Habrá dificultades particulares asociadas con la recopilación y el acceso a los datos, ya que los conjuntos de datos de entrenamiento de GMAI no solo deben ser grandes sino también diversos, con protecciones de privacidad adecuadas. Imploramos a la comunidad de IA y a las partes interesadas clínicas que consideren cuidadosamente estos desafíos desde el principio, para garantizar que GMAI brinde valor clínico de manera constante.

En última instancia, GMAI promete posibilidades sin precedentes para la atención médica, apoyando a los médicos en una variedad de tareas esenciales, superando barreras de comunicación, haciendo que la atención de alta calidad sea más accesible y reduciendo la carga administrativa sobre los médicos para permitirles pasar más tiempo con los pacientes.

Smart home ward. El hospital inteligente en domicilio.

Weibin Cheng , MD, Xiaowen Cao , MSc, Wanmin Lian , MSc, y Junzhang Tian

Cheng W, Cao X, Lian W, Tian J. An Introduction to Smart Home Ward-Based Hospital-at-Home Care in China. JMIR Mhealth Uhealth. 2024 Jan 30;

El hospital domiciliario ha ido ganando cada vez más atención como posible solución a las deficiencias actuales de nuestro sistema de atención sanitaria, permitiendo que se presten servicios sanitarios esenciales a los pacientes en la comodidad de sus propios hogares. La llegada de la tecnología digital ha revolucionado la forma en que proporcionamos atención médica y sanitaria, lo que ha dado lugar al surgimiento de un «hospital sin paredes». La rápida adopción de nuevas tecnologías de atención sanitaria digital está revolucionando la prestación de atención sanitaria a distancia, desmantelando de manera efectiva la frontera convencional que separa los hospitales de la comodidad de los hogares de los pacientes. El Segundo Hospital General Provincial de Guangdong ha desarrollado una sala domiciliaria inteligente (SHW) impulsada por 5G que extiende los servicios de atención médica al entorno doméstico y está adaptada para satisfacer las necesidades y los entornos del hogar de cada paciente. La SHW se probó inicialmente para determinar su idoneidad para el tratamiento de cuatro enfermedades especializadas, entre ellas la enfermedad cardiovascular, el accidente cerebrovascular, la enfermedad de Parkinson y la enfermedad de Alzheimer. Comprender y abordar los posibles desafíos y riesgos asociados con las SHW es esencial para la implementación y el mantenimiento exitosos de una hospitalización domiciliaria segura y eficaz.

Palabras clave: sala de atención domiciliaria inteligente, telemonitorización, telemedicina, atención domiciliaria, hospital a domicilio, prestación de atención médica, implementación, sala de atención domiciliaria inteligente, monitoreo médico, atención médica, rehabilitación, atención médica

El futuro de la atención a los adultos mayores en China: innovaciones en la prestación de servicios de salud

China se ha convertido en una sociedad que envejece rápidamente. El envejecimiento contribuye significativamente a la carga de atención sanitaria en China debido a la mayor prevalencia de enfermedades crónicas y discapacidades entre los adultos mayores. La carga de atención sanitaria para la población de personas mayores en China se ve agravada aún más por la infraestructura sanitaria inadecuada y el acceso limitado a los servicios de atención sanitaria en las zonas rurales. El gobierno chino ha implementado varias políticas e iniciativas para abordar estos desafíos, incluida la expansión de la cobertura de atención sanitaria, la promoción de la atención preventiva y el aumento de la inversión en infraestructura de atención sanitaria. Actualmente, el diseño de nivel superior del modelo de atención a los adultos mayores de China es «9073», lo que significa que el 90% de las personas mayores reciben servicios de atención para adultos mayores en el hogar, el 7% de ellos reciben atención a corto plazo en la comunidad y el 3% de ellos reciben atención institucional. Esto implica que el entorno amigable y habitable para los adultos mayores en el hogar afecta al 90% de la población de adultos mayores.

El hospital domiciliario, que busca brindar servicios de salud esenciales a los pacientes en la comodidad de sus propios hogares, ha estado ganando cada vez más atención como una solución factible para el cuidado y los servicios médicos domiciliarios de los adultos mayores [ 1 – 3 ]. La pandemia de COVID-19 ha subrayado los riesgos de una dependencia excesiva de las instituciones médicas físicas, enfatizando la necesidad continua de desarrollar un ecosistema de servicios médicos descentralizados que gire en torno a las familias y las comunidades de los pacientes. Los programas de hospitalización domiciliaria se han implementado en muchos países de altos ingresos durante años [ 4 – 7 ]; sin embargo, los programas exitosos son limitados [ 8 ]. La experiencia de trasladarse de países de altos ingresos a países de ingresos bajos y medios puede ser un desafío, donde los recursos médicos son limitados y la alfabetización en salud pública es baja [ 2 , 3 , 9 , 10 ].

Ir a:

El crecimiento de las tecnologías emergentes para la hospitalización domiciliaria

Las nuevas tecnologías de atención médica digital se están adoptando rápidamente para la prestación de atención médica a distancia, lo que está rompiendo la barrera tradicional entre el hospital y el hogar. La aparición de la tecnología 5G planteó el potencial de mejorar aún más la hospitalización domiciliaria al permitir el monitoreo remoto de los pacientes y la comunicación en tiempo real entre los proveedores de atención médica y los pacientes. La introducción de dispositivos y dispositivos portátiles basados en sensores ha cambiado la forma en que se recopilan y almacenan los datos clínicos, lo que lleva a avances innovadores en la forma en que se brinda la atención [ 11 , 12 ]. Los biomarcadores digitales, un conjunto de objetivos, medidas cuantificables de características fisiológicas y conductuales que se adquieren a través de dispositivos portátiles, implantes y otros dispositivos, se están volviendo cada vez más esenciales en este proceso [ 13 , 14 ]. La hospitalización domiciliaria puede beneficiarse enormemente del uso de biomarcadores digitales, lo que proporciona a los equipos de atención una comprensión más completa de la salud de un paciente. Estos biomarcadores permiten el seguimiento de los signos vitales, como la frecuencia cardíaca y la frecuencia respiratoria, así como los cambios en los patrones de sueño, los niveles de actividad y los hábitos alimentarios [ 12 , 15 , 16 ].

Ir a:

Sala de atención domiciliaria inteligente para hospitales

En 2021, el Segundo Hospital General Provincial de Guangdong desarrolló los “Hospitales Inteligentes Gemelos”, un hospital inteligente impulsado por 5G que integra Internet de las Cosas (IdC), inteligencia artificial (IA), computación en la nube y aplicaciones 5G para crear inteligencia para todos los escenarios para la atención médica y la gestión hospitalaria [ 17 , 18 ]. Aprovechando esta infraestructura hospitalaria inteligente 5G, el Segundo Hospital General Provincial de Guangdong exploró aún más la Sala de Hogares Inteligentes (SHW), que busca romper el “muro” de los servicios de atención médica centralizados basados en el hospital al extender los servicios de atención al entorno del hogar (Figura 1). El SHW es una unidad hospitalaria integrada gestionada por profesionales sanitarios en el hospital y está diseñada para proporcionar a los pacientes servicios equivalentes a los de un hospital en su domicilio, incluidos el seguimiento médico, las rondas de guardia, las consultas y la atención médica, etc. El SHW puede admitir dos modelos de hospitalización en el domicilio, el alta temprana asistida y la evitación de admisiones, ofreciendo seguimiento sanitario integrado, atención médica y servicios de rehabilitación, todo ello en la comodidad de sus hogares [ 19 , 20 ].

Un archivo externo que contiene una imagen, ilustración, etc. El nombre del objeto es mhealth-v12-e44422-g001.jpg

Figura 1.

Demostración de la Sala de Hogar Inteligente en el hospital.

El manejo de los pacientes en el SHW está a cargo de un equipo de atención interdisciplinario supervisado por especialistas responsables de los departamentos clínicos pertinentes. En la actualidad, los Departamentos de Cardiología y Neurología están realizando pruebas piloto de los SHW para pacientes con afecciones cardiovasculares y cerebrovasculares, respectivamente. Cada especialidad establece un equipo dedicado a la sala domiciliaria que comprende médicos de ese departamento, junto con enfermeras, farmacéuticos, fisioterapeutas, terapeutas ocupacionales y trabajadores sociales. Por ejemplo, el equipo de tratamiento posterior a la enfermedad cardíaca coronaria incluye cardiólogos, enfermeras cardíacas y terapeutas de rehabilitación. Los pacientes se someten a una evaluación clínica inicial por parte de su médico especialista para determinar su idoneidad para la atención domiciliaria a distancia. Los criterios de inclusión y exclusión para afecciones específicas, como la enfermedad cardíaca coronaria y el accidente cerebrovascular, se proporcionan en el Apéndice multimedia 1. Si se considera factible según la evaluación y si el paciente da su consentimiento, el personal interprofesional del SHW realiza una evaluación del entorno del hogar. Se realizan las modificaciones necesarias y se instalan equipos o dispositivos de monitoreo para respaldar de manera segura la atención en el hogar con la supervisión remota de un especialista.

En el SHW se monitorizan una serie de biomarcadores digitales, como la presión arterial, la frecuencia cardíaca, la frecuencia respiratoria, la saturación de oxígeno en sangre, la temperatura corporal y las señales electrocardiográficas, y se controlan las actividades diarias de los pacientes, el cumplimiento del tratamiento y los eventos de riesgo mediante dispositivos con o sin contacto. Estos datos se pueden aprovechar para adaptar los tratamientos o notificar a los proveedores de atención médica cualquier desviación de los parámetros esperados.

Los datos generados por el SHW se transmiten de forma segura al sistema de registros médicos electrónicos (EMR) del hospital en tiempo real. La integración sigue las pautas de privacidad y seguridad establecidas por las políticas de nuestro hospital que cumplen con la Ley de Portabilidad y Responsabilidad de Seguros Médicos (HIPAA). Solo los puntos de datos anónimos que son relevantes para la atención clínica, como los signos vitales, los niveles de actividad y los datos de adherencia a la medicación, se integran en el EMR. La transmisión de datos del SHW al EMR es unidireccional para garantizar la seguridad de la información confidencial del hospital. Los miembros autorizados del equipo de atención, incluidos los médicos asistentes, enfermeras, farmacéuticos, fisioterapeutas y administradores de casos, tienen acceso a los informes de datos de pacientes consolidados dentro del sistema EMR. Esto les permite monitorear las tendencias, reconocer cualquier desviación de los rangos normales y actuar en consecuencia sin necesidad de utilizar sistemas separados.

El equipo de atención primaria, dirigido por el médico que atiende al paciente, es responsable de revisar los informes diarios y comunicarse con los pacientes si se necesita atención de seguimiento, en función de los datos de monitoreo remoto del paciente. Los familiares y los cuidadores participan en conferencias de atención para mantenerse actualizados sobre el progreso del paciente, pero no tienen acceso al EMR. Nuestro objetivo es ampliar el acceso a los informes agregados para permitir una mayor participación de los cuidadores, manteniendo al mismo tiempo la privacidad y la seguridad.

Se ha establecido una sala de preentrenamiento en el hospital para ayudar a los pacientes a pasar del hospital a la vida en el hogar. Los pacientes reciben capacitación sobre el uso de dispositivos domésticos inteligentes y orientación sobre capacitación en rehabilitación remota. Además, la sala de preentrenamiento incluye evaluaciones médicas para garantizar que el paciente sea elegible para la admisión a la atención de SHW y se beneficiará de los tratamientos proporcionados en el hogar. El personal especializado, compuesto por enfermeras, fisioterapeutas y terapeutas ocupacionales, se dedica a respaldar el programa SHW. Estos médicos brindan educación personalizada al paciente, demostraciones y capacitación en habilidades. Se aseguran de que los pacientes y los cuidadores se sientan cómodos con el sistema de monitoreo remoto y el programa de terapia antes del alta. El objetivo es maximizar la adherencia al tratamiento y los resultados mediante el empoderamiento de los pacientes y las familias con conocimiento. También hay un equipo de soporte técnico dedicado disponible para ayudar a las familias a configurar con éxito el sistema en el hogar y abordar cualquier problema técnico que pueda surgir después del alta. El apoyo disponible de expertos clínicos y técnicos permite además una vida segura e independiente en el hogar con atención y monitoreo remotos.

Ir a:

Características del SHW

El SHW construido en este proyecto no solo integra tecnología y productos avanzados de IoT médico, sino que también implica la renovación del entorno para hacerlo adecuado para adultos mayores y pacientes, extendiendo los servicios médicos homogéneos brindados en las salas del hospital a los hogares de los pacientes. Sus características se reflejan principalmente en los siguientes 4 aspectos.

En primer lugar, el SHW tiene una multitud de funciones que incluyen detección ambiental, monitoreo médico, entrenamiento de rehabilitación, orientación sobre ejercicio y dieta, asesoramiento psicológico y gestión del sueño. Para lograr estas capacidades, se han implementado en el entorno doméstico una variedad de tecnologías de vanguardia como 5G o Wi-Fi 6, Internet de las cosas médicas (IoMT), dispositivos portátiles inteligentes, electrodomésticos inteligentes y equipos de monitoreo de la salud. Por ejemplo, una herramienta de cierre inteligente puede detectar los niveles de orina y monitorear la frecuencia cardíaca, la grasa corporal y el tiempo que se pasa en el baño [ 21 ]. Además, un colchón y una almohada inteligentes monitorean la frecuencia cardíaca, la frecuencia respiratoria y la frecuencia de movimiento corporal durante el sueño [ 22 , 23 ]. Aplicaciones como las de detección de caídas en el baño y la cantidad de quietud en las actividades diarias pueden activar una alarma automática para una emergencia, que se conecta con el hospital [ 24 ].

En segundo lugar, para facilitar la gestión del hospital en el hogar, se desarrolló una plataforma con la integración de dispositivos IoMT entre sistemas y ecologías (Figura 2; ver la captura de pantalla del Sistema de Información de Gestión Médica de SHW). De este modo, los dispositivos IoMT y los sensores ambientales están interconectados, y los datos se generan, recopilan, gestionan y procesan mediante varias terminales, incluidos los datos de un hospital y un SHW (incluidos los datos del entorno del hogar, las actividades diarias, el tratamiento, la rehabilitación, etc.). Esto permite la interoperabilidad para la gestión de la sala domiciliaria, lo que permite a los pacientes, los profesionales sanitarios y los cuidadores utilizar terminales móviles, como tabletas, para ver los datos fisiológicos del paciente en tiempo real y gestionar el entorno de la sala domiciliaria con facilidad. Como los equipos médicos tienen la capacidad de controlar la salud de un paciente a distancia, se necesitan menos visitas en persona, lo que reduce el coste de la atención [ 25 ].

Un archivo externo que contiene una imagen, ilustración, etc. El nombre del objeto es mhealth-v12-e44422-g002.jpg

Figura 2.

Captura de pantalla del sistema de información de gestión médica de Smart Home Ward.

En tercer lugar, la instalación de un sistema de salud mental se adapta a las necesidades y los entornos del hogar del paciente. Para promover la autonomía del paciente en el entorno doméstico, el sistema de salud mental se somete a varios niveles de renovación adecuados para personas mayores, creando un espacio vital seguro y sin barreras. Además, los sensores ambientales permiten una configuración automática para garantizar la comodidad del entorno [ 26 ]. Estos sensores detectan continuamente el aire, la temperatura y la humedad en la sala. Siempre que las concentraciones interiores de partículas de diámetro ≤ 2,5 μm, formaldehído y dióxido de carbono superan los niveles estándar, el sistema de salud mental ajusta automáticamente su equipo para mejorar la calidad del aire interior.

En cuarto lugar, la extensión de los servicios de atención hospitalaria al ámbito domiciliario se logra mediante la integración de diversas tecnologías y recursos. El SHW aborda este desafío mediante el despliegue de tecnología y productos avanzados de IoMT, que permiten el monitoreo pasivo de la salud de los pacientes y la implementación de intervenciones médicas oportunas. Además, se ha implementado un sistema EMR integral, que permite compartir sin problemas los registros médicos de los pacientes entre el hospital y los sistemas de atención médica domiciliaria. Además, se ha establecido una sólida infraestructura de telemedicina basada en 5G, que permite la comunicación en tiempo real entre pacientes y médicos, incluidas consultas digitales, monitoreo remoto y visitas domiciliarias habilitadas para telemedicina, así como la prestación de servicios de atención domiciliaria a pedido [ 27 ].

Planes de atención de SHW para enfermedades especializadas

Se está evaluando la viabilidad del SHW para tratar cuatro enfermedades especializadas, a saber, la enfermedad de Parkinson, las enfermedades cardiovasculares, los accidentes cerebrovasculares y la enfermedad de Alzheimer. Para cada enfermedad se han desarrollado planes de atención correspondientes y se han sugerido las instalaciones de seguimiento y tratamiento necesarias.

En el caso de la enfermedad de Parkinson, el tratamiento de rehabilitación con ejercicios se utiliza principalmente como modalidad de tratamiento principal en la sala domiciliaria. Los pacientes son guiados por médicos de forma remota para implementar varias formas de entrenamiento con ejercicios de rehabilitación basados en Internet, como entrenamiento de relajación, entrenamiento de rango de movimiento de las articulaciones, entrenamiento muscular, entrenamiento respiratorio, entrenamiento de la marcha, entrenamiento del equilibrio y entrenamiento cognitivo. Durante el ejercicio, se monitorea la frecuencia cardíaca del paciente mediante un reloj inteligente para evitar una intensidad excesiva del ejercicio. Se proporciona una lonchera inteligente para monitorear diariamente la frecuencia y amplitud de los temblores de las manos del paciente mientras come para evaluar la efectividad del tratamiento de rehabilitación [ 28 ].

En el caso de los pacientes con enfermedades cardiovasculares, la sala de atención domiciliaria atiende a aquellos con infarto de miocardio con elevación del segmento ST, síndrome coronario agudo sin elevación del segmento ST, angina de pecho estable, miocardiopatía isquémica, insuficiencia cardíaca sistólica crónica y síndrome de muerte súbita cardíaca. La terapia de ejercicios de rehabilitación cardíaca está guiada por profesionales de la salud del hospital, que incluye ejercicio aeróbico, entrenamiento de resistencia y entrenamiento neuromuscular. Se instala una cinta de correr con monitorización de la función cardíaca y pulmonar como herramienta de rehabilitación en el hogar, que registra y controla el estado de ejercicio y la frecuencia cardíaca del paciente, la saturación de oxígeno en sangre y el consumo de calorías. Esto permite a los médicos ajustar el programa rápidamente [ 29 ].

En el caso de los accidentes cerebrovasculares, dado que las personas que han sufrido un accidente cerebrovascular suelen tener dificultades de movilidad, la adaptación de los espacios habitables a sus necesidades es fundamental para promover la vida independiente y facilitar la rehabilitación. Con este fin, hemos implementado reformas de accesibilidad adecuadas en el entorno doméstico para establecer un entorno sin barreras para los pacientes. Estas medidas pueden contribuir no solo a aumentar la movilidad, sino también a aumentar la confianza de los pacientes. Para evaluar la eficacia de la rehabilitación funcional, se realizan evaluaciones periódicas mediante visitas domiciliarias y evaluaciones hospitalarias.

En el caso de la enfermedad de Alzheimer, se adopta un enfoque de tratamiento integral, que incluye entrenamiento cognitivo, entrenamiento de tareas y musicoterapia. Estos tratamientos están respaldados por aplicaciones de realidad aumentada y realidad virtual que permiten a los médicos simular escenarios complejos para estimular las actividades cerebrales de los pacientes en un entorno seguro y controlado. Se registran varias señales fisiológicas, como la variabilidad de la frecuencia cardíaca, los movimientos oculares y los patrones de sueño, y se utilizan para entrenar modelos para la evaluación del tratamiento. Además, se instala una cámara impulsada por IA en el entorno del hogar para monitorear el estado de actividad del paciente, como el tiempo sentado y acostado. También se utiliza un reloj inteligente con funciones de posicionamiento y comunicación GPS para evitar que los pacientes se pierdan [ 30 ].

Ir a:

Desafíos para la ampliación del programa de atención a los trabajadores sanitarios en China

La adopción generalizada de los trabajadores sanitarios domésticos ha tenido que hacer frente a varios desafíos. En primer lugar, no existen directrices autorizadas para la aplicación de las normas de los servicios médicos para la atención domiciliaria y para la creación de salas digitales con tecnología en China. En segundo lugar, todavía no se ha establecido un modelo sostenible de pago para la atención domiciliaria. En tercer lugar, el funcionamiento eficaz de la atención domiciliaria requiere una estrecha colaboración entre los hospitales, las organizaciones de servicios de salud comunitarios y los familiares. Sin embargo, actualmente no existen normas unificadas que delimiten las responsabilidades de las distintas partes interesadas que participan en la prestación de la atención domiciliaria. En cuarto lugar, es necesario mejorar la popularidad y la fiabilidad de la tecnología. Los trabajadores sanitarios domésticos requieren equipos y tecnologías especializados, un entorno seguro y basado en la confianza y competencias del personal para garantizar la seguridad y la privacidad de los pacientes. Es necesario establecer una norma única para garantizar la interconexión e interoperabilidad de los distintos dispositivos. Mientras tanto, también existen posibles problemas asociados con el coste de los equipos, el acceso a los datos necesarios y la privacidad de los datos.

Ir a:

Implicaciones de la atención hospitalaria domiciliaria mediante el uso de trabajadores sanitarios de salud para profesionales, investigadores y responsables de políticas

La implementación de los SHW tiene el potencial de ampliar la cantidad y la calidad de los servicios de atención hospitalaria en respuesta a la creciente demanda de atención médica en la sociedad envejecida de China. Para los profesionales de la salud, la integración de tecnologías de salud digital en hogares inteligentes puede facilitar el monitoreo y la gestión a distancia de los pacientes, lo que permite una prestación de atención oportuna y eficaz en los hogares de los pacientes. Este enfoque puede reducir la carga en los hospitales y las clínicas, al tiempo que mejora los resultados y la satisfacción de los pacientes. Para permitir la implementación exitosa de los SHW, se deben crear nuevas estructuras de equipo con flujos de trabajo correspondientes en los entornos clínicos para optimizar los sistemas de atención médica y el uso de esta tecnología por parte de los pacientes. Los médicos clínicos deben trabajar en estrecha colaboración con los técnicos en el desarrollo de flujos de trabajo y herramientas de IA integradas y en el proceso de prestación de atención, como el monitoreo remoto.

Para los investigadores, la implementación de los SHW representa una oportunidad única para estudiar el impacto de la tecnología de salud digital en la prestación de servicios de salud, los resultados de los pacientes y la relación costo-beneficio. Sin embargo, se deben tener en cuenta consideraciones éticas al acceder a las enormes cantidades de datos recopilados en los SHW para garantizar la privacidad y la seguridad de los pacientes [ 31 ]. Todas las partes interesadas deben comprender y adaptarse a estas implicaciones para aprovechar al máximo sus posibles beneficios y, al mismo tiempo, mitigar los riesgos asociados.

Los responsables de las políticas pueden beneficiarse del uso de tecnologías de salud mental, ya que muestran un potencial prometedor para reducir los costos de la atención médica y mejorar el acceso a la atención, en particular para los pacientes en áreas rurales o desatendidas. Sin embargo, los responsables de las políticas deben establecer regulaciones para salvaguardar la privacidad y la seguridad de los pacientes, garantizar un acceso equitativo a la tecnología y mejorar la infraestructura digital para su adopción generalizada. Si se consideran cuidadosamente estos factores, la implementación de tecnologías de salud mental puede revolucionar la atención hospitalaria domiciliaria, mejorando la calidad de la atención, reduciendo los costos de la atención médica y, en última instancia, beneficiando a los pacientes y al sistema de atención médica en su conjunto.

En resumen

La llegada de la tecnología digital ha revolucionado la forma en que proporcionamos atención médica y sanitaria, dando lugar al surgimiento de los “hospitales sin paredes”. Este sistema de salud sin barreras es un modelo de atención innovador que promete aportar una serie de mejoras a la atención sanitaria al proporcionar un acceso cómodo a una “atención ambulatoria ilimitada” y a una “atención hospitalaria ilimitada”. A pesar de los posibles beneficios, estos proyectos digitales aún se enfrentan a algunos desafíos, como la aceptación y adopción de la tecnología por parte del público, la disposición a pagar por los servicios y el fomento de la contratación de seguros médicos. Por lo tanto, es esencial que los gobiernos promuevan la conciencia pública de las ventajas de la tecnología digital e introduzcan incentivos que motiven a las personas a contratar un seguro médico para que estos servicios estén ampliamente disponibles

Predicciones sobre la atención oncológica del futuro próximo

Cuatro décadas de medicamentos para enfermedades huérfanas y prioridades para el futuro

Autores : Michael S. Sinha , MD, JD, MPH , Ariel D. Stern , Ph.D. y Arti K. Rai , JD

New England Journal of Medicine 6 de Julio. 2024

En 1983, en Estados Unidos se promulgó la Ley de Medicamentos Huérfanos (ODA, por sus siglas en inglés) en respuesta a la creciente concienciación sobre las enfermedades raras, junto con las preocupaciones sobre el escaso interés en el desarrollo de terapias que probablemente no generarían grandes ganancias. La ODA creó incentivos para que los fabricantes desarrollaran medicamentos huérfanos, definidos como terapias para enfermedades que afectan a menos de 200.000 personas en Estados Unidos. La ley preveía un período de exclusividad en el mercado de siete años, créditos fiscales equivalentes a hasta el 50% (que luego se redujo al 25%) de los gastos de pruebas clínicas calificadas y subsidios para la investigación. Más tarde, los fabricantes también quedaron exentos de las tarifas de usuario de la Administración de Alimentos y Medicamentos (FDA, por sus siglas en inglés) para dichos medicamentos. En muchos aspectos, la ODA ha sido un rotundo éxito: en las últimas cuatro décadas se han aprobado más de 800 indicaciones huérfanas y se han concedido casi 7000 designaciones de medicamentos huérfanos. ¹ Sin embargo, muchas enfermedades raras potencialmente mortales aún carecen de tratamiento. Además, algunos fabricantes han utilizado la ley de maneras que se apartan de su propósito original. El desarrollo de medicamentos también es muy diferente de lo que era hace 40 años. La tecnología y la medicina de precisión han avanzado considerablemente; la dinámica de precios ha cambiado; los monopolios naturales dominan ahora gran parte del mercado de medicamentos huérfanos; la “búsqueda de indicaciones” (es decir, la búsqueda de la condición de huérfanos para medicamentos aprobados inicialmente para indicaciones no huérfanas, o la búsqueda de indicaciones no huérfanas sucesivas) es común; y el Congreso ha aprobado leyes que crean nuevos incentivos para el desarrollo de medicamentos que interactúan con los términos de la ODA, a menudo de maneras complejas. ²

Una comprensión más clara de la historia de la ODA y los avances en el desarrollo de medicamentos podría ayudar a informar las prioridades de formulación de políticas para la quinta década de la ley.

Los avances en la secuenciación genética y el desarrollo de biomarcadores permiten ahora una caracterización cada vez más precisa de las enfermedades. Este progreso ha ampliado las oportunidades de atención de precisión. También ha hecho que el criterio del tamaño de la población para las enfermedades raras sea más fácil de satisfacer al permitir la identificación de subconjuntos definidos por biomarcadores de enfermedades más comunes. Además, la selección de participantes basada en biomarcadores ha permitido ensayos clínicos más agilizados, lo que hace que la investigación y el desarrollo (I+D) sean más eficientes. En el caso de terapias de precisión altamente individualizadas, como las que se basan en la tecnología CRISPR (repeticiones palindrómicas cortas agrupadas y regularmente interespaciadas) y productos de células T CAR (receptor de antígeno quimérico), el tamaño de la población es especialmente difícil de cuantificar. Los medicamentos aprobados inicialmente para un subtipo de enfermedad en particular pueden tener más tarde indicaciones no huérfanas añadidas.

Pembrolizumab (Keytruda) y nivolumab (Opdivo) fueron aprobados como medicamentos huérfanos para el tratamiento del melanoma metastásico avanzado; en cada caso, el uso se amplió posteriormente para incluir varias indicaciones no huérfanas, que se convirtieron en responsables de la mayor parte de los ingresos del medicamento en un plazo de cinco años. En estos casos, los beneficios definidos por la AOD se acumularon para los fabricantes de productos que ahora generan miles de millones de dólares en ventas por año, posiblemente no el tipo de medicamentos que reflejan la intención original de la ley. Un estudio de nuevos medicamentos huérfanos aprobados entre 1990 y 2022 mostró que el 6% fueron aprobados inicialmente para una indicación huérfana y luego para una indicación no huérfana. ³Con mayor frecuencia, los beneficios de la AOD se acumulan para los fabricantes de productos que fueron aprobados inicialmente para indicaciones no huérfanas; el 14% de los medicamentos huérfanos aprobados durante el mismo período fueron aprobados primero para una enfermedad común. ³

El bevacizumab (Avastin) fue aprobado primero para una indicación no huérfana y luego para 11 indicaciones huérfanas. De manera similar, el fabricante de adalimumab (Humira), el medicamento con los mayores ingresos globales de la historia, acumuló miles de millones de dólares en ingresos por el uso del producto para varias indicaciones no huérfanas antes de obtener la aprobación para la artritis reumatoide juvenil en 2008 y para seis indicaciones huérfanas adicionales entre 2014 y 2018. ¹

Las indicaciones huérfanas añadidas después de una aprobación inicial también pueden ampliar el plazo de exclusividad en el mercado. Las seis indicaciones huérfanas complementarias de adalimumab representaron solo el 2% de las ventas totales en 2019,1 ^pero la exclusividad huérfana concedida para estas indicaciones puede limitar la prescripción de biosimilares para estas afecciones hasta 2025. La probabilidad de dichas ampliaciones puede ser mayor después de la decisión del Tribunal de Apelaciones de los Estados Unidos para el Circuito Federal en GlaxoSmithKline v. Teva , en virtud de la cual los fabricantes de genéricos o biosimilares pueden ser considerados potencialmente responsables de inducir la infracción de patentes mediante la prescripción fuera de etiqueta por parte de los médicos, incluso cuando los fabricantes pretenden excluir la indicación patentada. Aunque la decisión del tribunal se centró relativamente de forma estrecha en los hechos de ese caso específico, la perspectiva de dicha responsabilidad podría inhibir la entrada al mercado de los competidores.

Un factor que se tuvo en cuenta para aprobar la ODA fue la percepción de que las poblaciones de personas con enfermedades raras eran demasiado pequeñas para alentar a los fabricantes a invertir en I+D. Hoy en día, los fabricantes parecen utilizar las indicaciones de enfermedades raras para justificar el cobro de precios elevados.

El costo anual medio de un medicamento huérfano fue de 32.000 dólares en 2019, y más de un tercio de los medicamentos huérfanos costaban más de 100.000 dólares al año. ¹ Investigaciones recientes han descubierto que los medicamentos huérfanos tienden a generar ingresos por ventas casi tan altos como los de sus contrapartes no huérfanas. ⁴

Los altos precios de los medicamentos en Estados Unidos suelen atribuirse al hecho de que los fabricantes no enfrentan una regulación directa de los precios durante los períodos de patentes o exclusividad regulatoria, a diferencia de lo que ocurre en otros países de altos ingresos. Durante los períodos de monopolio del mercado, los fabricantes pueden cobrar “lo que el mercado soporte”. Los pagadores y los pacientes tienden a aceptar precios particularmente altos para los medicamentos huérfanos. Esta aceptación puede reflejar la gravedad de muchas enfermedades raras, junto con las opciones de tratamiento limitadas y el reconocimiento por parte de los pagadores de que es poco probable que un medicamento determinado “rompa el banco” porque será utilizado por sólo una pequeña proporción de pacientes. Medicare a menudo se ve obligado a cubrir medicamentos huérfanos en ausencia de alternativas terapéuticas, lo que prácticamente garantiza ingresos por los medicamentos utilizados en adultos mayores.

La ODA se aprobó el año anterior a la Ley Hatch-Waxman, cuando no existía una vía viable para la obtención de medicamentos genéricos. En los años transcurridos desde la Hatch-Waxman, los genéricos y (más recientemente) los biosimilares han reducido sustancialmente los precios de muchos productos. Pero muchos medicamentos huérfanos siguen careciendo de una competencia sustancial: sólo el 42% de los medicamentos huérfanos que pueden competir con los genéricos tienen un equivalente genérico en el mercado. ⁵

Los productos biológicos huérfanos enfrentan una competencia aún menor, debido a la complejidad del desarrollo de biosimilares y la relativa novedad de la vía de aprobación de biosimilares. En el caso de los medicamentos para enfermedades ultra raras, ni siquiera la perspectiva de precios altos puede persuadir a los competidores a entrar en mercados tan pequeños.

¹Se ha sugerido que, en el futuro, los fabricantes de medicamentos huérfanos podrían tener menos probabilidades de buscar indicaciones adicionales, en particular indicaciones no huérfanas, por temor a que los productos generen ganancias lo suficientemente altas como para estar sujetos a negociaciones de precios de medicamentos en virtud de la Ley de Reducción de la Inflación. Sin embargo, parece poco probable que los fabricantes renuncien a nuevas oportunidades de generación de ingresos para evitar posibles restricciones de precios futuras.A la luz de estos avances, creemos que es necesaria la modernización de los incentivos para los medicamentos huérfanos. Los medicamentos huérfanos pueden beneficiarse ahora de múltiples programas regulatorios acelerados que no existían en 1983. En particular, las vías de designación de terapia innovadora y de vía rápida de la FDA, que a menudo se utilizan junto con los incentivos de la ODA, brindan a los fabricantes beneficios como el acceso a la revisión continua de las presentaciones regulatorias y una orientación regulatoria intensiva sobre el diseño eficiente de los ensayos. Los créditos fiscales y los períodos de exclusividad podrían ser objetivos de la reforma de políticas. ² También sugerimos eliminar por completo estos incentivos de la AOD cuando los ingresos acumulados de un medicamento en Estados Unidos superen los mil millones de dólares. En el caso de los medicamentos que generan grandes ganancias, a menudo se realizan actividades de I+D de seguimiento para respaldar la aprobación para indicaciones más amplias. En esos contextos, los incentivos basados en indicaciones huérfanas pueden prolongar los monopolios y el cobro de precios elevados, convirtiéndose en herramientas para que los fabricantes eviten la competencia.

En 2017, los créditos fiscales para medicamentos huérfanos se redujeron a la mitad (del 50 al 25% de los gastos de pruebas clínicas calificadas). Si se comprenden mejor los incentivos que impulsan el desarrollo de terapias para enfermedades raras, los incentivos fiscales podrían orientarse mejor. Puede ser apropiado volver a otorgar créditos fiscales equivalentes al 50% de los gastos de pruebas clínicas para terapias para enfermedades ultra raras o aquellas que sean útiles para una sola enfermedad rara, y aplicar la tasa del 25% para todas las demás indicaciones huérfanas (incluidas las secundarias). Otra posibilidad es que los créditos fiscales se escalen (por ejemplo, del 25 al 50%) según la rareza de una enfermedad o se condicionen a compromisos de precios razonables. En todos los casos, los subsidios directos podrían recuperarse una vez que los ingresos superen los mil millones de dólares.

Como la vida útil de la patente suele extenderse más allá del período de siete años posterior a la aprobación, la exclusividad prolongada ha perdido relevancia para los fabricantes y es poco probable que sea una herramienta política significativa. Creemos que un límite de incentivos basado en los ingresos y créditos fiscales escalonados son más prometedores para fomentar el desarrollo de medicamentos huérfanos.

Muchas enfermedades raras siguen sin ser estudiadas lo suficiente y la trayectoria de los precios de los medicamentos es cada vez más insostenible. Por lo tanto, se requieren incentivos más bien focalizados para sostener los avances en el desarrollo de medicamentos huérfanos durante las próximas cuatro décadas

Satisfacción en el factor humano profesional por brindar atención centrada en la persona.

Person-Centered Care and Job Satisfaction: European Healthcare Professionals’ Experiences

Gustavsson K, van Diepen C, Fors A, Axelsson M, Bertilsson M, Hensing G. Healthcare professionals’ experiences of job satisfaction when providing person-centred care: a systematic review of qualitative studies. BMJ Open. 2023 Jun 9;13(6):e071178. doi: 10.1136/bmjopen-2022-071178. PMID: 37295826; PMCID: PMC10277035.

Esta es la primera revisión sistemática que sintetiza la investigación cualitativa sobre las experiencias de satisfacción laboral de los profesionales de la salud al brindar atención centrada en la persona en diferentes entornos de atención médica en Europa.
La metodología fue descrita detalladamente, aumentando la replicabilidad y confiabilidad, y los investigadores involucrados en esta revisión tenían diferentes antecedentes profesionales, es decir, enfermería, sociología y medicina social.
La estrategia de búsqueda fue extensa, incluyó una amplia gama de términos y abarcó varias bases de datos; se consultó a un especialista en búsquedas en el proceso.
La búsqueda se limitó a estudios escritos en inglés y publicados en 2010 o después, por lo que es posible que se hayan pasado por alto algunos estudios potencialmente relevantes.
Los estudios incluidos tenían diferentes metodologías cualitativas y enfoques teóricos, lo que podría afectar las interpretaciones y comparaciones.

En Europa, los profesionales sanitarios tienen un mayor riesgo de exposición a factores de riesgo psicosociales de su entorno laboral que otras ocupaciones, ¹ lo que puede tener efectos adversos para la salud del individuo, como estrés, fatiga, agotamiento y exigencias físicas y emocionales. ² El entorno laboral afecta a la satisfacción laboral, que es un estado mental de satisfacción que se deriva de la evaluación que hacen los empleados de su situación laboral. ³ Incluye factores como los logros, los elogios, las relaciones sociales, las oportunidades de ascenso y la realización de tareas en línea con los valores éticos personales. ^{4 5} El bajo control laboral puede reducir la salud y la satisfacción laboral, ⁶ y el alto nivel de estrés combinado con una menor satisfacción laboral se asocia con altas tasas de rotación en el sector sanitario. ⁷ Con el aumento gradual de las demandas sobre los sistemas sanitarios europeos, ⁸ reclutar y retener a profesionales sanitarios formados es difícil, lo que amenaza la sostenibilidad de la atención sanitaria. ⁹ Además, un lugar de trabajo con poco apoyo y muchos factores estresantes puede conducir a una menor calidad de la atención a los pacientes y a un aumento de las demandas emocionales de los profesionales sanitarios. ¹⁰

Al mismo tiempo, la atención sanitaria europea ha ido evolucionando para implicar una mayor participación del paciente. ¹¹ La atención centrada en la persona (ACP) es un modelo de atención que se deriva de un punto de vista ético en el que se enfatizan las capacidades y necesidades de los pacientes, y la atención se proporciona mediante la colaboración entre profesionales, pacientes y familia. ^{12 13} La prestación de ACP implica algunos principios clave, como: iniciar y centrar la colaboración escuchando atentamente la narrativa del paciente, con el paciente visto como un experto en su salud; y co-crear un plan de salud que cubra las experiencias, capacidades, objetivos, expectativas y recursos de apoyo social del paciente junto con el estado médico, y modificar el plan de salud de acuerdo con las circunstancias. ^{12 14 15} La comunicación de ACP implica tanto comunicación verbal (por ejemplo, preguntas abiertas, reflexiones y resúmenes) como no verbal (por ejemplo, mostrar un lenguaje corporal acogedor y respetuoso). ^{14 16}

Trabajar con la atención centrada en el paciente basándose en la narrativa del paciente ayuda a los profesionales a darse cuenta de sus estándares éticos esperados y brindar una atención de alta calidad. ¹⁷ Trabajar de una manera más centrada en la persona requiere una estructura organizativa propicia y apoyo, liderazgo y capacitación y colaboración constructiva dentro del equipo interprofesional. ^{18 19} Se han utilizado varios conceptos para describir la atención centrada en el paciente y su familia, como centrada en el paciente, ^{20 21} centrada en la relación, ²² centrada en la familia, ²³ y la atención individualizada, ²⁴ y diversos entornos requieren enfoques específicos de «centrado» en el paciente y la familia. ^{25 26} La atención centrada en el paciente implica construir una relación en la que los pacientes participan como socios activos en su atención y tratamiento y, más claramente, enfatiza un cambio de un modelo de atención en el que los pacientes a menudo son considerados como receptores pasivos de atención. ^{13 15}

En la atención sanitaria europea, el estrés ético y la falta de recursos son problemas que afectan a la capacidad de los profesionales sanitarios de ofrecer la atención deseada con la calidad requerida. ²⁷ Se ha propuesto la atención centrada en el paciente como un modelo de atención con potencial para ayudar a resolver algunos de estos problemas, aunque la evidencia con respecto a la atención centrada en el paciente y su impacto en los resultados de los profesionales sanitarios sigue sin estar clara. ²⁸ La implementación de la atención centrada en el paciente, que se está integrando cada vez más en los sistemas sanitarios a nivel internacional, expondrá a más profesionales sanitarios a este modelo de atención. Los hallazgos de esta revisión sistemática pueden ayudar a mejorar la comprensión de cómo la satisfacción laboral de los profesionales sanitarios se relaciona con la atención centrada en el paciente, y conducir a más investigaciones y nuevas políticas relevantes para mejorar las condiciones de trabajo en la atención sanitaria.

La investigación ha investigado principalmente los resultados de los pacientes de la atención primaria de la salud, mostrando, por ejemplo, una mayor autoeficacia, una mejor satisfacción con la atención, un mejor control de los síntomas y resultados clínicos caracterizados por estancias hospitalarias más cortas y ahorros de costes. ²⁹ Se han identificado seis revisiones de aspectos de los resultados de los profesionales sanitarios y la atención primaria de la salud, ^30-35 que presentaron resultados mixtos. Estas revisiones se centraron en profesiones específicas, como enfermeras registradas (RN), auxiliares de enfermería, trabajadores de atención directa y cuidadores en atención residencial o residencias de ancianos, ^{30-32 34 35} o incluyeron solo estudios cuantitativos. ^{30 31 33-35} Ninguna revisión ha explorado la investigación cualitativa sobre la satisfacción laboral de la prestación de atención primaria de la salud en las profesiones y entornos sanitarios de Europa; en consecuencia, esta revisión sistemática tuvo como objetivo llenar este vacío de investigación.

Temas analíticos

Los profesionales sanitarios se sienten divididos e inadecuados

Trabajar en sintonía con la atención centrada en la enfermedad se percibía como un desafío y podía hacer que los profesionales sanitarios se sintieran divididos e inadecuados. La razón de esto se describió como un conflicto entre el deseo de realizar una atención personalizada que cumpliera con los estándares éticos y profesionales, deficiencias organizacionales en el apoyo y la negociación y un enfoque organizacional en la eficacia. ^{54 57 62 63 65} Se describió un conflicto percibido entre la atención orientada a la enfermedad y la atención centrada en la enfermedad, ya que los profesionales sanitarios inicialmente no estaban seguros de si, por ejemplo, escuchar atentamente se consideraba una tarea. ⁶² Los profesionales sanitarios que experimentaron dificultades para equilibrar la atención centrada en la enfermedad con la atención centrada en la enfermedad, más orientada a las tareas, percibieron que los demás los culpaban, lo que resultó en sentimientos de culpa e incompetencia. ^{51 54}

PCC exige a los profesionales sanitarios

Los profesionales sanitarios describieron cómo pasar tiempo con los pacientes al proporcionar atención primaria puede ser exigente y verse obstaculizado por las altas cargas de trabajo en la organización. ^{50 52 55 63} Los profesionales sanitarios descubrieron que la atención primaria generaba la misma o incluso mayor carga de trabajo que antes. ^{51 54 58 62} Los profesionales sanitarios también percibieron que podría ser estresante trabajar con atención primaria debido a las presiones de recursos insuficientes en términos de tiempo, espacio y personal. ^{51 57 63} Algunos profesionales sanitarios descubrieron que la atención primaria no influía en su satisfacción laboral, especialmente cuando se trataba de comportamientos difíciles de los pacientes, como cuando no respondían bien. ⁶¹

Rol profesional remodelado

Los profesionales sanitarios experimentaron un cambio en su rol profesional al brindar atención primaria, lo que podría generar desorientación e incertidumbre debido a las nuevas estructuras, rutinas y adaptación a nuevas formas de trabajo. ^{50 55} Percibieron que su experiencia estaba comprometida y experimentaron una pérdida de control, ya que los pacientes ahora tenían más influencia sobre su propia atención. ^{55 57} Además, los profesionales sanitarios experimentaron dudas sobre partes de su nuevo rol, que se basaba más en la conversación que antes y se sentía menos válido que el enfoque habitual, más práctico. ⁵⁵ Brindar atención primaria podría ser frustrante con pacientes que eran menos comunicativos y más reservados ⁵⁵ y en situaciones en las que los profesionales sanitarios no estaban de acuerdo con los deseos de los pacientes con respecto a su atención. ⁵¹

Proporcionar un PCC significativo para los profesionales sanitarios

Cuando los profesionales sanitarios podían proporcionar cuidados paliativos en consonancia con las expectativas éticas y podían colaborar con los pacientes, experimentaban una mayor satisfacción y sentido de la atención. ^{52 53 56 58 65 66} La prestación de cuidados paliativos se ajustaba a los estándares y expectativas de los profesionales sanitarios en relación con la ética y las rutinas, como proporcionar una atención equitativa e inclusiva, analizar los objetivos y redactar planes de salud con los pacientes. ⁵¹ Pasar más tiempo con los pacientes mejoraba la relación entre los profesionales sanitarios y los pacientes. ^{51 52 54 58 61 66} Además, los profesionales sanitarios describieron que se volvían más conscientes de la importancia de su bienestar personal al proporcionar cuidados paliativos, a través de su conexión con el bienestar del paciente. Si los profesionales sanitarios se cuidaban mejor a sí mismos, podían permitir una atención con la que tanto los pacientes como los profesionales sanitarios estuvieran contentos. ⁶⁴

Los profesionales sanitarios se sienten valorados

Aunque algunos profesionales sanitarios descubrieron que la atención centrada en el paciente no influía en su satisfacción laboral al tratar con pacientes que presentaban conductas difíciles, otros descubrieron que, en cambio, proporcionar atención centrada en el paciente ayudaba en el cuidado de estos pacientes, lo que les hacía mostrar su aprecio. ⁶¹ Las expresiones de satisfacción de los pacientes con la atención se percibieron como una forma de aumentar la satisfacción laboral y la energía. ^{56 61 66} La atención centrada en el paciente también se describió como una práctica que generaba el aprecio de los colegas, ya que estos podían entenderse y reconocerse más entre sí a través de la colaboración y la interacción, lo que aumentaba la satisfacción y la importancia del trabajo. ^{53 62 64 66}

Colaboración en equipo mejorada

La mayor conciencia, aprendizaje y colaboración con colegas y organizaciones derivadas del PCC se describió como una mejora de la satisfacción laboral y el ambiente de trabajo. ^{61 62 66} Los profesionales sanitarios valoraron el apoyo social que surgió de trabajar con PCC, fomentando una cultura de apoyo en la que los colegas compartían experiencias y sentimientos, y se reconocían y aliviaban mutuamente; esto se experimentó como un aumento de la satisfacción laboral y una reducción del estrés y la frustración. ^{53 60 66}

Reducción de la carga de trabajo y del estrés

Los profesionales sanitarios que implementaron la PCC experimentaron un mejor flujo de trabajo con nuevas rutinas ⁵¹ y un entorno de trabajo más tranquilo. ⁶⁶ Se experimentó una menor carga de trabajo y una reducción del estrés al trabajar con la PCC y ser responsables de menos pacientes. ⁵⁴ Además, los profesionales sanitarios describieron un mayor control que surgió de una mayor independencia en la organización del trabajo. ⁶⁶ Con la PCC, los profesionales sanitarios pudieron lidiar mejor con situaciones que antes experimentaban como estresantes, lo que se describió como una reducción de la ansiedad. ⁶⁴

Mayor motivación y compromiso personal

La motivación ^{57 66} y el compromiso ^{52 57 59 64} para seguir brindando atención primaria aumentaron. Los profesionales de la salud experimentaron una mayor alegría por las mejores conexiones con los pacientes ⁵¹ y una mayor energía cuando pudieron satisfacer las necesidades de los pacientes. ⁶⁶ Además, el trabajo conjunto de los profesionales de la salud con los profesionales de la atención primaria, ayudándose entre sí y discutiendo la atención, generó motivación y un mayor esfuerzo por mejorar sus habilidades actuales. ⁶⁶

Ir a:

Discusión

Esta revisión sistemática identificó, evaluó y sintetizó estudios cualitativos para explorar las experiencias de los profesionales sanitarios en la prestación de servicios de atención primaria, centrándose en la satisfacción laboral. En la búsqueda bibliográfica actualizada, se identificaron dos estudios cualitativos relevantes adicionales de Allerby et al . ⁶⁷ y Petersson et al . ^68. Los hallazgos de estos estudios coincidieron con los hallazgos de esta revisión sistemática y se incorporarán en la siguiente discusión.

Un hallazgo interesante derivado de la síntesis se refería al rol profesional remodelado. Un estudio de Boström et al. ⁶⁹ sobre las experiencias de las enfermeras diplomadas al proporcionar atención primaria de la salud por teléfono destacó que las enfermeras diplomadas experimentaron la necesidad de adaptar y remodelar su rol profesional cuando trabajaban con atención primaria de la salud. La remodelación del rol profesional fue un proceso iterativo en el que tuvieron que desafiar su pensamiento y práctica, lo que podría generar inseguridad; ⁶⁹ a pesar de ser un proceso desafiante, las enfermeras diplomadas experimentaron esta remodelación como una expansión de su rol profesional. ⁶⁹ Los profesionales sanitarios que experimentaron el desarrollo del rol profesional cuando trabajaban con atención primaria de la salud también fueron descritos en el estudio de Allerby et al . ⁶⁷ En esta revisión sistemática, surgió incertidumbre hacia el nuevo rol profesional al proporcionar atención primaria de la salud debido a la nueva práctica y rutinas, y una disminución experimentada en el control y la autonomía. ^{50 51 55 57} Tener un sistema con una cultura de atención primaria de la salud con profesionales sanitarios bien apoyados y comprometidos es un prerrequisito para implementar la atención primaria de la salud. ⁷⁰ Además, Moore et al ²⁶ describieron cómo los profesionales sanitarios deben adoptar un nuevo rol profesional cuando trabajan con la atención primaria. La integración de la atención primaria por parte de los profesionales sanitarios es un proceso que requiere tiempo para reflexionar y adaptarse a la teoría y la práctica de la atención primaria para el contexto específico. ¹⁴ Una distribución más equitativa del poder, con pacientes más involucrados y vistos como expertos en su propia atención, podría ser experimentada como un desafío para los profesionales sanitarios acostumbrados a la atención tradicional. Summer Meranius et al ⁷¹ argumentaron que la atención primaria podría conducir a una autonomía reducida e impactos negativos en la salud de los profesionales sanitarios. Para evitar impactos negativos en la salud, superar los desafíos de la adaptación y, en cambio, ampliar el rol profesional, se debe brindar a los profesionales sanitarios tiempo para el proceso y se los debe alentar a reflexionar sobre la teoría y la práctica de la atención primaria en su entorno específico.

También se observó que los profesionales sanitarios no podían proporcionar la atención deseada desde un punto de vista ético. De manera similar al hallazgo de Juthberg y Sundin, ⁷² la culpa y la incompetencia podrían surgir de estar dividido entre esforzarse por proporcionar ACP, atención orientada a tareas y estructuras organizativas. ^{51 54 55 57 62 63 65} Esto también se describió en el estudio de Petersson et al , ⁶⁸ donde las estructuras de atención que requieren que las tareas se realicen a un ritmo alto podrían inhibir la ACP. Una revisión de Güney et al ³² mostró que la organización y la atención orientada a tareas podrían ser barreras para la ACP y que un mejor apoyo podría modificar las barreras organizativas. El estrés ético también puede surgir de no ser capaz de proporcionar la atención deseada debido a la falta de recursos. ²⁷ Además, el estrés percibido y la insatisfacción laboral pueden aumentar las tasas de rotación de personal sanitario. ⁷ Sin embargo, el apoyo organizativo sistemático al proporcionar ACP puede reducir el estrés de conciencia, ⁷³ indicando que el apoyo organizativo sistemático podría servir como medida preventiva. De esta manera, brindar recursos a los profesionales sanitarios que trabajan con PCC podría reducir potencialmente el estrés de conciencia y mejorar la satisfacción laboral; a largo plazo, esto podría conducir a una menor rotación del personal y a que los profesionales sanitarios estén más satisfechos con la atención brindada.

Los profesionales sanitarios también experimentaron una mejor satisfacción y sentido laboral al proporcionar atención centrada en el paciente, al estar comprometidos y pasar tiempo con los pacientes, ^{51–54 56 58 61 65 66} y describieron una reducción de la carga de trabajo y el estrés al trabajar con atención centrada en el paciente. ^{51 54 66} Las experiencias mixtas encontradas en esta revisión con respecto al compromiso, la carga de trabajo y el estrés se alinean con Summer Meranius et al , ⁷¹ sugiriendo que el compromiso en la atención al paciente es esencial para la atención centrada en el paciente y mejora la relación entre los profesionales sanitarios y los pacientes; sin embargo, demasiado compromiso y participación también puede considerarse un riesgo. ⁷¹ Las opiniones contrastantes sobre la carga de trabajo y el estrés pueden estar mediadas por el apoyo organizacional. Mientras que la reducción del estrés parecía estar relacionada con recursos como un mayor apoyo, el aumento del estrés estaba relacionado con una falta de recursos en términos de espacio, tiempo y personal. Las estructuras que promueven la colaboración con colegas y más tiempo con los pacientes facilitan un entorno de trabajo propicio, promoviendo la atención centrada en el paciente. ⁷⁰ Esto respalda los beneficios de apoyar a los profesionales sanitarios con recursos suficientes para proporcionar atención centrada en el paciente. Además, se alinea con los esfuerzos de la OMS para promover la co-creación de cuidados en pos de mejorar las condiciones de trabajo. ⁷⁴

Los profesionales sanitarios sintieron un mayor aprecio por parte de sus colegas al proporcionar PCC. ^{53 62 64 66} Además, se describió que la mejora de la colaboración en equipo al proporcionar PCC condujo a una mayor satisfacción con el entorno de trabajo. ^{53 61 62 66} Los hallazgos con respecto a esos temas están bien alineados con Montgomery et al , ⁷⁵ quienes encontraron una asociación positiva entre el trabajo en equipo que funciona bien y el compromiso. De manera similar, Allerby et al ⁶⁷ encontraron que el PCC aumentó la satisfacción de los profesionales sanitarios a partir del mejor entorno de trabajo, la comunicación y la colaboración en equipo. Esto sugiere que la colaboración en la prestación de PCC podría tener un papel en la mejora de la salud y el bienestar de los profesionales sanitarios.

Al igual que en la revisión de van den Pol-Grevelink, ³¹ también se observó un mayor bienestar, motivación y compromiso. ^{52 57 59 64 66} Keyko et al ^{. 76} descubrieron que los profesionales sanitarios comprometidos con su trabajo experimentarán una mayor motivación y bienestar, lo que se traducirá en una atención de mayor calidad. Además, los profesionales sanitarios sanos son un prerrequisito para la prestación constante de atención primaria. ⁷⁷ Los profesionales sanitarios valoraron cada vez más su bienestar personal, lo que significaba que podían proporcionar una atención mejor y más satisfactoria. ⁶⁴ Los profesionales sanitarios que proporcionan una atención que los ayuda a prosperar y estar satisfechos podrían significar profesionales sanitarios más sanos y una menor rotación en la atención sanitaria, lo que facilita la prestación continua de atención primaria.

Fortalezas y limitaciones

Un punto fuerte de esta revisión fue que sus autores tenían diferentes trayectorias profesionales: KG, AF y MA provenían de enfermería, CvD de sociología y MB y GH de medicina social. En el proceso de selección e investigación, se abordó la comprensión previa mediante debates regulares en el grupo. Además, se consultó a un bibliotecario, se realizaron búsquedas en varias bases de datos, se utilizó una amplia gama de términos y se examinaron las listas de referencias de los estudios incluidos. Además, dos autores examinaron de forma independiente los títulos, resúmenes y textos completos para su inclusión.

Una revisión sistemática fue un método adecuado para el presente propósito de investigación, ya que el objetivo era explorar y sintetizar los hallazgos con respecto a una pregunta de investigación en particular. ⁷⁸ Para demostrar transparencia, reducir el riesgo de sesgo y permitir la replicabilidad, se publicó un protocolo PRISMA en PROSPERO antes de la recopilación de datos, se utilizó un diagrama de flujo PRISMA y los datos de los estudios extraídos se presentaron en tablas. ^{46 79–81} Fue una fortaleza que la síntesis siguiera estrictamente los pasos descritos por Thomas y Harden, ³⁷ ya que se ha demostrado que son viables para sintetizar temáticamente experiencias cualitativas de implementaciones de atención médica. Los temas derivados de la síntesis cualitativa pueden ser valiosos como orientación para futuras investigaciones o pueden informar la política y la práctica en relación con la satisfacción laboral de los profesionales de la salud. ^{78 82}

Es posible que no se hayan incluido algunos estudios potencialmente relevantes, ya que solo se incluyeron estudios en inglés, términos de búsqueda específicos y estudios publicados en 2010 o a partir de esa fecha. Es más probable que los estudios recientes reflejen la situación actual de la atención médica. Además, la búsqueda bibliográfica se realizó el 21 de diciembre de 2021 y los estudios publicados después de esa fecha no se incluyeron en la síntesis de esta revisión. Sin embargo, se realizó una búsqueda actualizada en marzo de 2023 para capturar estudios relevantes publicados después de la búsqueda bibliográfica inicial.

La búsqueda se delimitó en función de los países incluidos en los criterios de elegibilidad. Se incluyeron dos estudios a pesar de haberse realizado parcialmente en países no incluidos en los criterios, lo que podría considerarse una limitación. Aunque Vassbø et al ⁶⁶ recopilaron algunos de los datos en Australia, dos de los tres países representados en la recopilación de datos (es decir, Suecia y Noruega) cumplían los criterios de inclusión y el estudio contenía datos abundantes, por lo que el estudio se incluyó después de las discusiones. El estudio de Pinkert et al ⁶⁵ se realizó en Alemania y Austria, y este último no se incluyó en los criterios; sin embargo, estos dos países tienen sistemas de atención sanitaria similares y las condiciones de trabajo en la atención de la demencia y los entornos agudos son similares, por lo que este estudio también se consideró relevante para facilitar una visión general completa. ^{65 83} Además, los estudios incluidos aplicaron diferentes metodologías y enfoques teóricos dentro de la investigación cualitativa, lo que podría haber afectado a la forma en que se interpretaron y compararon los estudios.

Ir a:

Conclusión

Esta revisión sistemática cualitativa identificó las experiencias de satisfacción laboral de los profesionales sanitarios al proporcionar atención primaria en entornos sanitarios europeos. Cabe destacar las experiencias de un nuevo rol profesional, con sus propias demandas y desorientación e incertidumbre iniciales. Fundamentalmente, el nuevo rol vino acompañado de experiencias de satisfacción laboral relacionadas con la significatividad, una relación más profunda entre profesionales sanitarios y pacientes, el aprecio de los pacientes y colegas y una colaboración en equipo mejorada. Los hallazgos están en línea con los supuestos teóricos de que la atención primaria no apunta principalmente a la satisfacción laboral, sino a la mejora de las relaciones a partir de la colaboración y la significatividad. Una implicación de nuestros hallazgos es la posibilidad de que las organizaciones sanitarias mejoren la fase inicial de implementación de la atención primaria. Esto podría lograrse facilitando estructuras que promuevan la colaboración en equipo y recursos como tiempo, espacio y personal. Los estudios futuros con un enfoque de seguimiento longitudinal con recopilación recurrente de datos pueden contribuir a una comprensión más profunda de los mecanismos involucrados en el proceso hacia una mayor satisfacción laboral cuando se implementa la atención primaria. También puede contribuir con inferencias causales que no son posibles a partir de estudios cualitativos o transversales.

The content provides a comprehensive review of healthcare professionals’ experiences with person-centered care in European healthcare settings. The strengths lie in the detailed methodology, extensive search strategy, and thematic analysis of professionals’ experiences. However, there are limitations in the language restriction for included studies and potential oversight of relevant non-English publications. To improve, consider broadening the language inclusion criteria for future reviews and conducting periodic follow-up studies to deepen the understanding of the impact of person-centered care on job satisfaction. Additionally, exploring the effects of organizational support and resources on practitioners’ experiences could provide valuable insights

Salud digital y atención médica 5.0: Avances y desafíos

A medida que la atención médica ha evolucionado a lo largo de las décadas, ha experimentado cambios significativos, no solo en las prácticas médicas, sino también en la adopción e integración de los avances tecnológicos.

Esta evolución se puede segmentar en cinco grandes fases:

Cuidado de la salud 1.0 – La era de la medicina tradicional: En este período predominó el énfasis en la relación personal entre médicos y pacientes. Las prácticas sanitarias dependían en gran medida de la presencia física, los métodos de diagnóstico manual y el mantenimiento de registros escritos a mano. A menudo solo se usaban estetoscopios, muestras de sangre extraídas a mano y diarios de pacientes escritos a mano. Si bien el sistema obtuvo altas calificaciones por su toque humano, se quedó corto en otras áreas como la accesibilidad y la productividad (H. Anandram, y B. K. Verma, 2023).

Cuidado de la salud 2.0 – Aparición de los registros médicos electrónicos (HCE): El cuidado de la salud tuvo su primer cambio técnico significativo al mismo tiempo que la tecnología comenzó a invadir varias industrias. La llegada de los EHR alteró por completo el sistema de mantenimiento y recuperación de los registros de los pacientes. En lugar de buscar entre pilas de papel, los médicos y las enfermeras ahora tienen acceso electrónico a los registros de los pacientes (K. Prasad y B. Ashreetha, 2023). Esto no solo impulsó la productividad, sino que también redujo los errores provocados por la entrada de datos y la interpretación realizada a mano.

Atención médica 3.0 – Salud móvil y telemedicina: La atención médica ha ido más allá de las instalaciones físicas con la llegada de Internet y los dispositivos móviles. En los últimos años, la programación médica, el asesoramiento e incluso la telemedicina han estado disponibles como aplicaciones para dispositivos móviles (S. Venkatakiran y N. S. Reddy, 2023). El advenimiento de la telemedicina como una herramienta poderosa ha eliminado la necesidad de que los pacientes en lugares periféricos viajen grandes distancias solo para consultar con expertos. El campo de la informática de la salud emergió como un importante contribuyente a la medicina basada en la evidencia.

Healthcare 4.0 – La era de los datos y la IA: La llegada del big data y la IA impulsó la atención sanitaria a una nueva dimensión. Los wearables comenzaron a recopilar datos en tiempo real, lo que ayudó a la gestión proactiva de la salud. Los algoritmos de IA ayudaron a diagnosticar enfermedades, a veces incluso antes de que surgieran síntomas notables (Sadashiva V. Chakrasali, Azhagu Jaisudhan Pazhani, 2023). El Internet de las cosas (IoT) trajo consigo dispositivos de salud interconectados, lo que permitió una transferencia de datos sin problemas y un monitoreo en tiempo real, allanando el camino para una atención altamente personalizada al paciente.

Healthcare 5.0 – La sinergia de la tecnología y la empatía: Si bien la tecnología trajo consigo avances sin precedentes, la esencia de la atención médica, el toque humano, siguió siendo insustituible. Healthcare 5.0 reconoce esto y se esfuerza por lograr una combinación perfecta. Con la computación en la nube, los datos son más accesibles que nunca, la IA proporciona información, la robótica ayuda a la precisión, pero todo esto está diseñado para complementar y elevar el aspecto humano de la atención médica. Es una era en la que la tecnología permite a los profesionales de la salud brindar atención como nunca antes, lo que garantiza que los pacientes no solo se recuperen, sino que se sientan comprendidos y valorados. La transformación digital de la atención médica no fue un fenómeno de la noche a la mañana. Fue un cambio gradual impulsado por las innegables ventajas que ofrecía la tecnología.

La resistencia inicial, radica principalmente debido a las preocupaciones sobre la seguridad de los datos y la naturaleza impersonal de las interacciones digitales, fue cediendo lentamente a medida que los beneficios se hicieron evidentes. Un catalizador importante fue la ineficiencia y los riesgos asociados con los sistemas basados en papel. Los registros en papel eran propensos a sufrir daños, pérdidas y errores. Además, el almacenamiento de dichos registros requería un espacio considerable y una clasificación manual (Hombalimath y N. Patwari, 2023).

La transferencia de registros entre departamentos o diferentes centros de atención médica fue un desafío logístico. La infraestructura en la nube surgió como un punto de inflexión. Erradicó las limitaciones del almacenamiento físico, asegurando que los datos estuvieran respaldados, se pudieran recuperar fácilmente y se pudieran compartir sin problemas entre departamentos o incluso continentes.

El enfoque aislado, en el que cada departamento operaba de forma aislada, fue reemplazado por un ecosistema interconectado. Esto no solo mejoró la eficiencia, sino que también mejoró la calidad de la atención, ya que los proveedores de atención médica tenían una visión de 360 grados del historial del paciente y podían tomar decisiones informadas

EL ADVENIMIENTO DE LA ATENCIÓN MÉDICA 5.0

Numerosas naciones, Canadá es un buen ejemplo, tienen un gran problema cuando se trata de sus sistemas de salud debido a la inmensidad y desigualdad de su magnitud geográfica. Con una superficie de más de 10 millones de kilómetros cuadrados y solo 36 millones de personas, garantizar el acceso equitativo a servicios de salud de alta calidad para todos los ciudadanos es una tarea compleja.

Las zonas rurales a menudo enfrentan dificultades para recibir servicios médicos tradicionales debido a su ubicación remota. Además, la escasez de profesionales sanitarios, incluidos médicos y enfermeras, ejerce aún más presión sobre los sistemas sanitarios tradicionales. A estos desafíos se suma la creciente prevalencia de enfermedades crónicas como las enfermedades cardíacas, la hipertensión y la diabetes, lo que ejerce una presión adicional sobre los centros de atención médica.

En Europa y en muchas otras regiones, las enfermedades crónicas representan una parte sustancial de la carga total de morbilidad, lo que aumenta los gastos sanitarios. La salud digital ofrece una solución prometedora al integrar la tecnología con los servicios de atención médica para brindar una atención personalizada. Ya que Aborda los desafíos de la atención médica a través de la utilización de TI, incluida la telemedicina, los dispositivos portátiles y los sensores remotos. El costo asociado con el manejo de enfermedades crónicas continúa aumentando, lo que hace que la salud digital y las tecnologías disruptivas sean herramientas esenciales para brindar una atención médica eficiente. La salud digital abarca la interconexión de varios sistemas de salud para gestionar la información de los pacientes y abordar los problemas de salud de manera más eficaz. Este enfoque se ejemplifica en los componentes de los sistemas de salud digital que se ilustran en la Figura 7. La adopción de estas tecnologías tiene el potencial de revolucionar la prestación de atención médica, mejorar los resultados de los pacientes y optimizar la utilización de recursos frente a desafíos complejos de atención médica.

La figura ofrece una visión global de los diversos sistemas y aplicaciones de cibersalud que desempeñan un papel fundamental en el sector sanitario. Estos servicios de salud electrónica se clasifican ampliamente para abarcar una amplia gama de ofertas de atención médica. El Sistema de Información Radiológica (RIS) apoya a los departamentos radiológicos mediante la gestión, el almacenamiento y el tratamiento eficientes de los requisitos administrativos. El Sistema de Apoyo a la Decisión Clínica (CDSS) aprovecha los datos de los pacientes para facilitar la toma de decisiones clínicas informadas a través de análisis de datos. Los sistemas de Historia Clínica Electrónica (EHR) y Expediente Médico Electrónico (EMR) permiten a los médicos contar con registros digitales que abarcan el recorrido de un paciente desde la admisión hasta el alta.

El Sistema de Información de Laboratorio (LIS) desempeña un papel fundamental en la gestión y presentación de los resultados de las pruebas a los médicos.

El Sistema de Información de Farmacia (PIS, por sus siglas en inglés) automatiza la gestión de recetas y las alertas de seguridad de los medicamentos.

Telemedicina extiende el acceso a la atención médica a ubicaciones remotas, lo que permite a los pacientes consultar con médicos sin visitas físicas.

Mobile Health (m-health) aprovecha la tecnología móvil para el monitoreo de la salud y el intercambio remoto de datos.

El Sistema de Información Hospitalaria (HIS) actúa como un eje central, interconectando varios hospitales

para mejorar la gestión general y el servicio al paciente. Juntos, estos sistemas y aplicaciones de salud electrónica revolucionan la atención médica al promover la eficiencia, la accesibilidad y la atención superior al paciente.

La atención médica 5.0, a menudo denominada la «quinta revolución» en la evolución de la atención médica, encapsula la combinación ideal de avances tecnológicos y toque humano. Mientras que las épocas anteriores enfatizaban la tecnología o la interacción humana, la atención médica 5.0 busca lograr un equilibrio perfecto, asegurando que la atención al paciente permanezca a la vanguardia, aumentada y elevada por la tecnología. Esta era no se limita a adoptar la tecnología; Lo integra en todas las facetas de la atención médica, lo que lo convierte en una parte natural y discreta de la atención al paciente.

El papel de las plataformas en la nube:

En esta era, las plataformas en la nube sirven como columna vertebral para la gestión de datos en la atención médica. Desde el momento en que un paciente ingresa al sistema de salud, ya sea para un chequeo de rutina, una emergencia o atención especializada, sus datos se registran, almacenan y se hacen accesibles a través de la nube.

Registros unificados de pacientes:

En lugar de bits de información dispersos en diferentes departamentos o incluso diferentes centros de atención médica, las plataformas en la nube ofrecen registros unificados de pacientes. Todo, desde el historial médico de un paciente hasta los resultados de sus últimas pruebas, está disponible en un formato consolidado.

Acceso en tiempo real: En cuidados intensivos, los segundos importan. Con la integración en la nube, los proveedores de atención médica no tienen que esperar a que los resultados de las pruebas se entreguen manualmente ni examinar los archivos. Los datos se actualizan en tiempo real y se puede acceder a ellos de forma instantánea, lo que permite una rápida toma de decisiones. Experiencia personalizada del paciente Utilización de datos para proporcionar una atención personalizada

El volumen de datos producidos en la industria de la salud es realmente asombroso. Estos datos ahora se pueden interpretar de manera significativa gracias al avance tanto de la analítica avanzada como de la inteligencia artificial. La IA es capaz de predecir posibles riesgos o consecuencias para la salud mediante la evaluación de patrones en los datos de un paciente. Esta técnica se conoce como analítica predictiva. Debido a esto, los profesionales médicos pueden tomar medidas preventivas, a veces incluso antes de que se presenten los síntomas.

Planes de atención y tratamiento individualizados:

No existe más un paciente típico. Los tratamientos pueden individualizarse mediante el uso de análisis de datos para tener en cuenta la composición genética específica, el historial médico y los requisitos de un paciente. Debido al alto grado de personalización, se incrementa tanto la tasa de éxito como el nivel de satisfacción del paciente.

Ecosistemas colaborativos

Los días en que los departamentos individuales operaban de forma aislada, conocidos como «silos», están llegando a su fin como resultado de una mayor colaboración basada en la nube. La sanidad 5.0 fomenta un ambiente de cooperación en el que la información y la experiencia pueden intercambiarse sin esfuerzo. La computación en la nube hace posible que expertos de una variedad de campos se reúnan y colaboren en el desarrollo de programas de tratamiento integrales. En el caso de un paciente que padece una enfermedad cardíaca, por ejemplo, los esfuerzos combinados de un cardiólogo, un nutricionista y un fisioterapeuta pueden resultar beneficiosos.

Investigación y desarrollo:

Trabajar juntos en proyectos de investigación en todo el mundo es más fácil gracias a la nube. Los científicos y profesionales médicos de todo el mundo pueden colaborar en una plataforma común compartiendo su experiencia y trabajando juntos para descubrir nuevas terapias o abordar problemas de salud global.

Participación de los pacientes:

El término «colaboración» no sólo se aplica a los que trabajan en el campo médico. Los pacientes también se están involucrando más en las decisiones terapéuticas que se toman por ellos. Son participantes activos en su viaje a través del sistema de salud porque tienen acceso a sus propios datos, pueden conectarse con los cuidadores que los están tratando y han mejorado su nivel de educación.

En su nivel más básico, la atención médica 5.0 es un cambio de paradigma que se aleja de un enfoque que se concentra en todo el sistema y se centra en el paciente individual. En otras palabras, el cambio de paradigma se aleja de un enfoque centrado en el sistema y se acerca a un enfoque centrado en el paciente individual.

El período actual es uno en el que la tecnología se está utilizando no como un objetivo en sí mismo, sino más bien como una herramienta con el objetivo de mejorar el contacto humano, la empatía y el cuidado.

La nube, con todas sus amplias posibilidades, está en el centro de esta transición, lo que permite integrar, personalizar y colaborar en el tratamiento de los pacientes en un futuro próximo.

DESAFÍOS Y CONSIDERACIONES

Si bien la computación en la nube ofrece un potencial transformador para la atención médica, su implementación no está exenta de obstáculos. Las instituciones deben lidiar con varios desafíos y consideraciones para garantizar que la adopción de la tecnología en la nube sea fluida, segura y compatible.

Privacidad y seguridad de los datos

El reto: Los datos de los pacientes se encuentran entre los tipos de información más sensibles. Su acceso no autorizado, uso indebido o violación puede tener profundas consecuencias, tanto para las personas afectadas como para la institución de atención médica responsable de salvaguardarlo.

Cifrado en reposo y en tránsito: los datos deben cifrarse no solo cuando se transmiten a través de Internet, sino también cuando se almacenan en la nube. Auditorías de seguridad periódicas: La infraestructura en la nube debe someterse a evaluaciones de seguridad rutinarias para identificar y rectificar las vulnerabilidades.

Control de acceso: Los controles de acceso granulares garantizan que solo el personal autorizado pueda acceder a conjuntos de datos específicos. Por ejemplo, es posible que un médico general no necesite acceder a los registros psiquiátricos de un paciente. Integración con sistemas heredados

El desafío: Muchas instituciones de atención médica han estado operando durante años, si no décadas. A lo largo de este tiempo, han acumulado grandes cantidades de datos almacenados en sistemas heredados. Es posible que estos sistemas más antiguos no sean fácilmente compatibles con las plataformas modernas en la nube. Estrategia de migración de datos: Las instituciones necesitan una estrategia bien planificada para migrar datos de sistemas heredados a la nube, garantizando la integridad de los datos y una interrupción operativa mínima.

Sistemas híbridos: En algunos casos, un enfoque por fases puede ser beneficioso, en el que los sistemas heredados y las plataformas en la nube funcionen simultáneamente durante un período. Capacitación: es posible que el personal de atención médica necesite capacitación para adaptarse de interfaces heredadas a nuevas plataformas en la nube.

La salud debe ser un sector muy regulado, y por buenas razones, ya que suministra bienes de confianza. Las diferentes regiones tienen sus conjuntos específicos de reglas y estándares en lo que respecta al manejo, almacenamiento y transmisión de datos. Algunos ejemplos son la Ley de Portabilidad y Responsabilidad de los Seguros Médicos (HIPAA) en los EE. UU. y el Reglamento General de Protección de Datos (RGPD) en la Unión Europea.

Almacenamiento regional de datos:

Algunas regulaciones estipulan que los datos de los pacientes no se pueden almacenar fuera de límites geográficos específicos. Es posible que los proveedores de servicios en la nube deban ofrecer soluciones de almacenamiento específicas de la región.

Registros de auditoría:

Las regulaciones pueden requerir que se registre cualquier acceso o cambio en los datos del paciente. Las plataformas en la nube deben proporcionar pistas de auditoría completas para cumplir con estos requisitos.

Certificaciones:

Las instituciones sanitarias deben optar por proveedores de servicios en la nube que hayan recibido certificaciones que confirmen su cumplimiento de las normativas pertinentes sobre datos sanitarios.

Innovaciones Tecnológicas en la Atención Sanitaria: VR, IoMT, Ciberseguridad y Más

Yadav S (20 de marzo de 2024) Transformative Frontiers: A Comprehensive Review of Emerging Technologies in Modern Healthcare. Cureus 16(3): e56538.

La rápida evolución de las tecnologías emergentes en el ámbito de la atención médica está transformando el campo de las prácticas médicas y los resultados de los pacientes, lo que marca el comienzo de una era de innovación sin precedentes. Esta revisión narrativa aborda los impactos transformadores de diversas tecnologías, entre ellas la realidad virtual (RV), la realidad aumentada (RA), la Internet de las cosas médicas (IoMT), la monitorización remota de pacientes (RPM), la integración de la tecnología financiera (fintech), la migración a la nube y el papel fundamental del aprendizaje automático (ML). Se hace hincapié en el impacto colaborativo de estas tecnologías, que está transformando el panorama de la atención médica. La realidad virtual y la RA revolucionan la formación médica, la IoMT amplía los límites de la atención médica, la RPM facilita la atención proactiva y la integración de la tecnología financiera mejora los procesos financieros. La migración a la nube garantiza una gestión de datos escalable y eficiente, mientras que el ML aprovecha los algoritmos para la precisión diagnóstica y el tratamiento personalizado.

The content provided is a comprehensive review of emerging technologies in modern healthcare, covering transformative impacts of various technologies such as virtual reality, augmented reality, Internet of Medical Things (IoMT), remote patient monitoring (RPM), financial technology integration (fintech), cloud migration, and the role of machine learning.

Actions to consider:

1. Highlight specific examples or case studies to make the content more relatable and engaging for readers.

2. Consider breaking down the content into shorter sections with subheadings to improve readability and accessibility.

3. Add citations or references to support the claims and findings presented in the review for credibility and further reading.

4. Incorporate visual aids such as images, diagrams, or infographics to illustrate the applications and examples mentioned in the text.

5. Provide a brief summary or key takeaways at the end of each section to reinforce the main points for the readers.

Introducción y antecedentes

El rápido avance de la tecnología ha marcado el comienzo de una nueva era de innovación que ha tenido un impacto significativo en diversas industrias, y tal vez en ningún otro ámbito esta transformación sea más evidente que en el campo de la atención médica [1] . El campo de la atención médica está al borde de una transformación revolucionaria, impulsada por una convergencia de tecnologías de vanguardia que prometen redefinir las prácticas médicas y elevar la atención al paciente a niveles sin precedentes.

Entre la variedad de tecnologías emergentes, la realidad virtual (RV) y la realidad aumentada (RA) han surgido como herramientas poderosas con el potencial de reformular las prácticas médicas y mejorar las experiencias de los pacientes [2] .

Los profesionales médicos recurren cada vez más a la realidad virtual y aumentada para capacitarse y mejorar sus habilidades quirúrgicas. Las simulaciones de realidad virtual brindan un entorno realista y sin riesgos para que los cirujanos practiquen procedimientos complejos, mientras que la realidad aumentada superpone datos en tiempo real durante las cirugías para mejorar la precisión [3] . Estas tecnologías también benefician a los pacientes al brindar representaciones visuales interactivas de afecciones médicas, lo que facilita una mejor comprensión y una toma de decisiones informada sobre su atención médica [4] . Además, la terapia de realidad virtual está surgiendo como un tratamiento eficaz para afecciones de salud mental como el trastorno de estrés postraumático y los trastornos de ansiedad, y ofrece entornos inmersivos personalizados para la terapia de exposición [5, 6] .

Si bien el potencial de la realidad virtual y la realidad aumentada en el ámbito de la atención médica es enorme, es necesario superar desafíos como el costo, la complejidad técnica y los obstáculos de estandarización [7] . Este artículo de revisión tiene como objetivo emprender un viaje a través de las fronteras transformadoras de la realidad virtual y la realidad aumentada, la Internet de las cosas médicas (IoMT), las medidas de ciberseguridad para dispositivos médicos, la monitorización remota de pacientes (RPM), la integración de tecnología financiera (fintech) y la aplicación de técnicas de aprendizaje automático (ML) en el ámbito de la atención médica.

Revisar

Realidad virtual y realidad aumentada

Tanto la realidad virtual como la realidad aumentada han trascendido sus aplicaciones iniciales de entretenimiento y están logrando avances significativos en el sector de la atención médica [8] . En el ámbito de la formación médica, la realidad virtual ofrece un entorno de aprendizaje inmersivo que permite a los profesionales de la salud simular cirugías y procedimientos médicos. Los cirujanos, en particular, se benefician de simulaciones quirúrgicas realistas que mejoran sus habilidades y brindan un espacio libre de riesgos para practicar procedimientos complejos [9] .

Además, la realidad virtual se utiliza cada vez más en la educación de los pacientes para mejorar la comprensión y el cumplimiento de los planes de tratamiento. Los pacientes pueden experimentar recorridos virtuales de sus afecciones médicas, visualizando el impacto de las enfermedades y los posibles tratamientos de una manera comprensible. Esto no solo mejora la participación del paciente, sino que también contribuye a la toma de decisiones informada [10] .

En el ámbito quirúrgico, la realidad aumentada desempeña un papel crucial al superponer información digital sobre la visión del cirujano durante los procedimientos. La visualización de datos en tiempo real, como las reconstrucciones tridimensionales (3D) de la anatomía del paciente, permite a los cirujanos navegar con una precisión incomparable. Esta precisión es especialmente valiosa en cirugías mínimamente invasivas, donde la percepción espacial precisa es fundamental [11] .

Más allá de las aplicaciones quirúrgicas, la realidad virtual y la realidad aumentada están demostrando ser beneficiosas en las intervenciones terapéuticas. La terapia de realidad virtual se está explorando para tratar afecciones como el trastorno de estrés postraumático, los trastornos de ansiedad y las fobias. La naturaleza inmersiva de la realidad virtual permite a los terapeutas crear entornos controlados para la terapia de exposición, lo que contribuye a intervenciones de salud mental más efectivas y personalizadas [5, 6] .

Los desafíos para la adopción generalizada de VR y AR en el ámbito de la atención médica incluyen el costo del equipo, la complejidad técnica y la necesidad de protocolos estandarizados [7] . Sin embargo, los avances en curso y un creciente conjunto de evidencia que respalda la eficacia de estas tecnologías subrayan su potencial para revolucionar la capacitación médica, la educación del paciente y las intervenciones terapéuticas en el panorama de la atención médica. A medida que la tecnología continúa avanzando, la VR y AR están preparadas para convertirse en herramientas integrales para mejorar las habilidades de los profesionales de la salud y los resultados de los pacientes. Algunos ejemplos se dan en la Tabla 1 .

Solicitud	Ejemplo 1	Ejemplo 2
Formación quirúrgica	Osso VR	Cirugía del tacto
Educación del paciente	Anatomía 3D de Organon en realidad virtual	AccuVein
El manejo del dolor	VR Aplicada	EaseVRx
Terapia de salud mental	Límbico	Psicológico
Rehabilitación	Laberinto mental	Rehametría
Consultas remotas/Telemedicina	Proximidad	Augmedix
Navegación quirúrgica	Microsoft HoloLens	AccuVein

Tabla 1: Aplicaciones y ejemplos de realidad virtual y realidad aumentada en el ámbito sanitario

La Internet de las cosas médicas

La IoMT representa una fuerza transformadora dentro del panorama de la atención médica, interconectando dispositivos médicos, sensores y sistemas para mejorar la atención al paciente, agilizar los procesos y revolucionar la prestación de servicios de atención médica [12] .

El IoMT abarca una amplia gama de dispositivos interconectados, que van desde rastreadores de actividad física portátiles hasta sensores médicos avanzados. Los dispositivos portátiles monitorean los signos vitales y la actividad física, e incluso realizan un monitoreo de glucosa en tiempo real, lo que proporciona a los profesionales de la salud información valiosa sobre la salud de los pacientes fuera de los entornos de atención médica tradicionales. Este monitoreo continuo y remoto fomenta la detección temprana de problemas de salud, lo que permite una intervención oportuna y planes de tratamiento personalizados [13] .

Además, la IoMT facilita el intercambio continuo de datos entre pacientes y proveedores de atención médica, lo que contribuye a un enfoque más centrado en el paciente. A través de plataformas de salud interconectadas y registros médicos electrónicos, los médicos pueden acceder a datos en tiempo real, lo que permite una toma de decisiones más informada y estrategias de atención personalizadas. Los pacientes, a su vez, adquieren un papel más activo en la gestión de su atención médica, lo que fomenta un enfoque colaborativo y proactivo para el bienestar [13,14] .

La monitorización remota (MR) de dispositivos electrónicos implantables cardíacos (CIED) ha experimentado una mayor adopción, en particular durante la reciente pandemia de COVID-19, lo que ofrece una mejor accesibilidad a la atención médica y allana el camino para una terapia más personalizada. Esta tecnología se aplica a varios dispositivos cardíacos activos, como desfibriladores (ICD), marcapasos (PM) y terapia de resincronización cardíaca (CRT), ya sea como una función accesoria o como una herramienta de monitorización principal para dispositivos como los registradores de bucle implantables y CardioMEMS™.

Los datos de estos dispositivos se transmiten en tiempo real a una base de datos a la que tienen acceso los profesionales sanitarios, lo que permite una intervención rápida en caso de mal funcionamiento del dispositivo o de detección de arritmias potencialmente mortales. Los pacientes también pueden iniciar la transmisión de datos si experimentan alteraciones o sospechan un deterioro de su estado clínico. En general, la monitorización continua mejora la atención al paciente al permitir una monitorización continua y una intervención oportuna cuando es necesario.

Sin embargo, la integración de la IoMT no está exenta de desafíos. Las preocupaciones sobre la privacidad y la seguridad en torno a las grandes cantidades de datos sanitarios sensibles que se intercambian requieren medidas estrictas para salvaguardar la confidencialidad de los pacientes. Los problemas de interoperabilidad entre diversos dispositivos y sistemas también plantean desafíos que deben abordarse para garantizar el flujo continuo de información. Además, mantener un equilibrio entre la dependencia de la tecnología y el contacto humano es crucial para su uso eficaz [13,14] .

De cara al futuro, la IoMT tiene un inmenso potencial para la innovación en el ámbito sanitario. Desde la mejora de las capacidades de diagnóstico mediante el seguimiento continuo hasta la optimización de los planes de tratamiento mediante información basada en datos, la IoMT está a la vanguardia de la revolución digital en el ámbito sanitario. En la Tabla 2 se mencionan algunos ejemplos .

Solicitud	Ejemplo 1	Ejemplo 2
Monitorización remota de pacientes	Soluciones de telesalud de Philips Healthcare	El monitor portátil de Biobeat
Integración de dispositivos médicos	Soluciones SmartLinx de Capsule Technologies	Capsule Vitals Plus de Qualcomm Life
Gestión de activos	AeroScout RTLS de Stanley Healthcare	Zebra Savanna de Zebra Technologies
Manejo de medicamentos	Solución Hailie® de Adherium	Soluciones de dispensación de medicamentos de Philips
Consultas remotas/Telemedicina	Teladoc Salud	Médico a pedido
Análisis de datos y perspectivas	IBM Watson Salud	Análisis de salud de SAS

Tabla 2: Algunos ejemplos de la Internet de las cosas médicas

Medidas de ciberseguridad para dispositivos médicos

Si bien los avances en la tecnología médica ofrecen beneficios sin precedentes, no se pueden subestimar los riesgos potenciales asociados con medidas inadecuadas de ciberseguridad. En una era en la que los dispositivos médicos están cada vez más interconectados y dependen de las tecnologías digitales, garantizar medidas sólidas de ciberseguridad es primordial. La proliferación de dispositivos médicos conectados, que van desde bombas de infusión hasta equipos de diagnóstico, ha mejorado innegablemente la atención al paciente y la eficiencia de la atención médica. Sin embargo, esta interconexión también expone a estos dispositivos a posibles amenazas cibernéticas, lo que genera inquietudes sobre violaciones de datos, acceso no autorizado e incluso la posible manipulación de equipos médicos [15] .

Según la Organización Mundial de la Salud, existen más de dos millones de tipos diferentes de dispositivos médicos [16] . Uno de los principales desafíos en materia de ciberseguridad de los dispositivos médicos radica en la diversidad de dispositivos, cada uno con sus propias especificaciones, software y vulnerabilidades potenciales. La naturaleza dinámica de las ciberamenazas complica aún más el panorama, lo que requiere estrategias de ciberseguridad proactivas y adaptativas [17] . Los informes del Centro de análisis e intercambio de información sanitaria, Finite State y Securin destacaron que el 64 % de los problemas estaban relacionados con el software [18] .

Para hacer frente a estos desafíos, el sector sanitario está adoptando cada vez más medidas integrales de ciberseguridad, que incluyen la implementación de protocolos de cifrado robustos, el desarrollo de marcos de software seguros y el establecimiento de protocolos para actualizaciones y parches de software regulares. Además, los proveedores de atención sanitaria están invirtiendo en programas de capacitación para mejorar la concienciación sobre ciberseguridad de los profesionales médicos, lo que garantiza un enfoque colaborativo para mantener un entorno sanitario seguro [19] .

Los organismos reguladores y las organizaciones de normalización también desempeñan un papel fundamental en la configuración del panorama de la ciberseguridad de los dispositivos médicos. La implementación de regulaciones, como la Regulación de Dispositivos Médicos en Europa y las directrices previas y posteriores a la comercialización emitidas por la Administración de Alimentos y Medicamentos de los Estados Unidos, tiene como objetivo establecer pautas claras para los fabricantes, exigiéndoles que prioricen la ciberseguridad en el diseño y la gestión del ciclo de vida de los dispositivos médicos [20,21] . Algunos ejemplos se mencionan en la Tabla 3 .

Medida de ciberseguridad	Ejemplo 1	Ejemplo 2
Cifrado de datos	Estándar de cifrado avanzado (AES)	Cifrado Rivest-Shamir-Adleman (RSA)
Mecanismos de autenticación	Autenticación biométrica (por ejemplo, huella dactilar, escaneo de iris)	Autenticación multifactor (por ejemplo, contraseña, token, tarjeta inteligente)
Proceso de arranque seguro	Garantiza que solo se ejecute código confiable durante el inicio	Proceso de arranque seguro basado en hardware
Actualizaciones periódicas de software	Parches y actualizaciones oportunas para abordar vulnerabilidades de seguridad	Actualizaciones por aire (OTA) para actualizaciones de firmware y software
Sistemas de detección de intrusiones (IDS)	Monitorea el tráfico de la red y alerta sobre comportamientos sospechosos.	Los IDS basados en host (HIDS) monitorean las actividades en el propio dispositivo
Políticas de control de acceso	Control de acceso basado en roles (RBAC)	Principio de acceso con privilegios mínimos
Endurecimiento del dispositivo	Deshabilitar servicios, puertos y funcionalidades innecesarios	Implementación de reglas de firewall y medidas de segmentación de red
Protocolos de comunicación seguros	Seguridad de la capa de transporte (TLS)	Red privada virtual (VPN) para acceso remoto seguro

Tabla 3: Algunos ejemplos de medidas de ciberseguridad de dispositivos médicos

Monitorización remota de pacientes

La monitorización remota de pacientes representa un cambio de paradigma en la prestación de servicios de salud, que aprovecha la tecnología para permitir la monitorización continua de los pacientes fuera de los entornos clínicos tradicionales [22] . Utiliza un espectro de tecnologías, incluidos dispositivos portátiles, aplicaciones de salud móviles y dispositivos médicos conectados, para recopilar y transmitir datos de los pacientes en tiempo real. Estas tecnologías permiten a los proveedores de atención médica monitorear de forma remota los signos vitales, los parámetros fisiológicos y otras métricas de salud relevantes, lo que proporciona una vista integral y continua del estado de salud de un paciente [23] .

Una de las principales ventajas de la RPM es su capacidad para facilitar la detección temprana de problemas de salud. Al monitorear continuamente a los pacientes con enfermedades crónicas o aquellos que se recuperan de procedimientos médicos, los proveedores de atención médica pueden identificar cambios sutiles en los parámetros de salud de manera rápida. Esta detección temprana permite intervenciones oportunas, lo que reduce la probabilidad de complicaciones y reingresos hospitalarios [24] .

Además, el RPM mejora la participación y el empoderamiento de los pacientes. Los pacientes pueden participar activamente en la gestión de su atención médica mediante el seguimiento periódico de sus métricas de salud y el acceso a comentarios personalizados a través de interfaces fáciles de usar. Este nivel de participación fomenta un sentido de responsabilidad y alienta a las personas a tomar decisiones informadas sobre su estilo de vida, lo que contribuye a su bienestar general [25] .

La integración de RPM es particularmente beneficiosa en el manejo de enfermedades crónicas como diabetes, hipertensión y afecciones cardíacas. Permite planes de atención personalizados basados en datos en tiempo real, optimizando las estrategias de tratamiento y mejorando los resultados de los pacientes [26] . Además, durante emergencias de salud pública o crisis globales, RPM se convierte en una herramienta valiosa para monitorear a distancia a las personas, asegurando la continuidad de la atención y minimizando la exposición innecesaria a los centros de atención médica [27] .

A pesar de sus innumerables beneficios, la adopción generalizada de la RPM enfrenta desafíos, incluidos problemas relacionados con el reembolso, los marcos regulatorios y la garantía de un acceso equitativo a la tecnología, especialmente en comunidades desatendidas [28] . Algunos ejemplos se mencionan en la Tabla 4 .

Solución RPM	Ejemplo 1	Ejemplo 2
Dispositivos portátiles	Fitbit	Reloj Apple, reloj Samsung Galaxy
Monitores remotos de signos vitales	Sensor Radius PPG™ de Masimo	El monitor portátil de Biobeat
Aplicaciones de salud para móviles	Plataforma digital HealthSuite de Philips Healthcare	Plataforma Biovitals® de Biofourmis
Plataformas de telesalud	Teladoc Salud	Médico Amwell a pedido
Sistemas de monitoreo remoto	Bosch Healthcare Solutions, plataforma Health Buddy	Plataforma de gestión de atención remota de Vivify Health
Dispositivos de monitorización en el hogar	Dispositivo de monitorización remota de pacientes Genesis Touch de Honeywell	Máquina CPAP AirSense™ 10 de ResMed con conectividad AirView™
Sistemas de monitorización cardíaca remota	Sistema de monitorización cardíaca ePatch™ de BioTelemetry	Monitor cardíaco insertable Confirm Rx™ de Abbott

Tabla 4: Algunos ejemplos de monitorización remota de pacientes (RPM)

Integración de Fintech en el sector sanitario

La integración de la tecnología financiera en el sector de la salud marca una intersección significativa de dos industrias dinámicas, que prometen procesos financieros simplificados, mayor seguridad y una mayor eficiencia general [29] . La infraestructura financiera tradicional de la atención médica, que a menudo se caracteriza por sistemas de facturación complejos y procesos de reembolso retrasados, ha sido un problema de larga data tanto para los proveedores de atención médica como para los pacientes [30] . La infusión de soluciones de tecnología financiera aborda estos desafíos mediante la introducción de innovaciones digitales que optimizan los flujos de trabajo financieros, reducen las cargas administrativas y contribuyen a un ecosistema financiero más transparente [29] .

Una de las áreas clave en las que la tecnología financiera está teniendo un impacto transformador es en los sistemas de pago. Las plataformas de pago digital, las billeteras móviles y las soluciones de pago sin contacto agilizan el proceso de pago tanto para los pacientes como para los proveedores de atención médica. Esto no solo agiliza las transacciones, sino que también mejora la experiencia general del paciente al brindar opciones de pago convenientes y seguras [31] .

Los procesos de facturación, conocidos por su complejidad y la posibilidad de errores, están experimentando una transformación digital a través de la integración de la tecnología financiera. Los sistemas de facturación automatizados, la facturación electrónica y los contratos inteligentes facilitan transacciones financieras precisas y eficientes, minimizando las discrepancias y mejorando la precisión de los registros financieros [32] .

Las transacciones de seguros, otro aspecto crítico de la financiación de la atención sanitaria, también están evolucionando con la tecnología financiera. Por ejemplo, se está explorando la tecnología blockchain para mejorar la seguridad y la transparencia de las reclamaciones y liquidaciones de seguros. Los contratos inteligentes en plataformas blockchain pueden automatizar y agilizar el proceso de reclamaciones, reduciendo la probabilidad de fraude y agilizando el ciclo de reembolso [33] .

A pesar de estos avances, la integración de la tecnología financiera en la financiación de la atención sanitaria no está exenta de desafíos. Las preocupaciones relacionadas con la seguridad de los datos, la privacidad y el cumplimiento normativo requieren una consideración cuidadosa. Además, garantizar el acceso igualitario a los servicios financieros digitales y abordar la brecha digital es crucial para prevenir las disparidades en la financiación de la atención sanitaria [34] . Algunos ejemplos se mencionan en la Tabla 5 .

Integración de Fintech en el sector sanitario	Ejemplo 1	Ejemplo 2
Soluciones de pago de atención médica	Estrella del camino	InstaMed
Cuentas de ahorro para gastos de salud (HSA)	Dinámico	Más
Plataformas de financiación médica	Crédito de atención	Préstamos para atención médica Prosper
Plataformas de seguros de salud	Salud de Oscar	Salud brillante
Gestión de gastos sanitarios	Alegría	Equidad en salud
Automatización de la facturación sanitaria	Cedro	Pacienteco
Plataformas de crowdfunding médico	GoFundMe Medical	Fondo médico FundRazr

Tabla 5: Algunos ejemplos de integración de tecnología financiera (fintech) en la atención médica

Migración a la nube en el sector sanitario

La industria de la salud está experimentando un cambio transformador con la adopción de tecnologías de computación en la nube [35] . Tradicionalmente, las organizaciones de atención médica administraban grandes cantidades de datos de pacientes a través de servidores locales, lo que planteaba desafíos relacionados con la escalabilidad, la accesibilidad y la seguridad de los datos. La migración a la nube aborda estos desafíos al proporcionar un entorno escalable y seguro para almacenar, administrar y compartir datos de atención médica.

Una de las principales ventajas de la migración a la nube en el ámbito de la atención sanitaria es la mayor escalabilidad de los recursos de almacenamiento. Las plataformas basadas en la nube permiten a las organizaciones sanitarias escalar dinámicamente su capacidad de almacenamiento en función de la demanda, adaptándose al crecimiento exponencial de los datos médicos generados a partir de registros médicos electrónicos (EHR), imágenes médicas y datos genómicos [36] .

La accesibilidad y la colaboración son aspectos fundamentales de la prestación de servicios de salud modernos, y la computación en la nube facilita el acceso sin inconvenientes a los datos de los pacientes desde diversas ubicaciones. Los proveedores de servicios de salud pueden acceder de forma segura a los registros de los pacientes, las imágenes de diagnóstico y los planes de tratamiento desde cualquier dispositivo autorizado con conexión a Internet, lo que promueve una atención eficiente y colaborativa [37] .

La nube también admite análisis avanzados de datos y aplicaciones de aprendizaje automático, lo que permite a las organizaciones de atención médica obtener información significativa de grandes conjuntos de datos. Esto es particularmente valioso para la medicina personalizada, la gestión de la salud de la población y el análisis predictivo, lo que contribuye a una toma de decisiones más informada y a mejores resultados para los pacientes [38] .

Si bien los beneficios de la migración a la nube son sustanciales, se deben abordar con cuidado los desafíos como la privacidad de los datos, la seguridad y el cumplimiento normativo. Los proveedores de atención médica deben asegurarse de que los proveedores de servicios en la nube cumplan con estándares de seguridad estrictos, implementen protocolos de cifrado y cumplan con las regulaciones de protección de datos de atención médica, como la Ley de Portabilidad y Responsabilidad de Seguros Médicos (HIPAA) en los Estados Unidos [37] . Algunos ejemplos se mencionan en la Tabla 6 .

Soluciones de migración a la nube en el sector sanitario	Ejemplo 1	Ejemplo 2
Sistemas de registros médicos electrónicos (EHR)	Corporación de sistemas épicos	Corporación Cerner
Sistemas de archivo y comunicación de imágenes (PACS)	Salud Ambra	Imagen de vida
Plataformas de intercambio de información sanitaria (HIE)	Redox	Gorila de la salud
Plataformas de telesalud	Teladoc Salud	Amwell
Plataformas de análisis de atención sanitaria	Atención sanitaria en la nube de Google	IBM Watson Salud
Herramientas de análisis de imágenes médicas	Aidoc	Visión médica de Zebra
Plataformas de monitorización remota de pacientes	Bioformis	Atención sanitaria de Philips
Gestión de información sanitaria (HIM)	Corporación Mirth (NextGen)	Atención médica Hyland (OnBase)

Tabla 6: Algunos ejemplos de migración a la nube en el ámbito sanitario

Técnicas de aprendizaje automático en el ámbito sanitario

Las técnicas de aprendizaje automático han surgido como herramientas poderosas en el ámbito de la atención médica y prometen revolucionar los diagnósticos, los planes de tratamiento y la atención general al paciente. En esencia, el aprendizaje automático implica el desarrollo de algoritmos que permiten a las computadoras aprender patrones y hacer predicciones o tomar decisiones sin programación explícita. En el ámbito de la atención médica, esto se traduce en la capacidad de analizar grandes conjuntos de datos, identificar patrones complejos y obtener información significativa para fundamentar la toma de decisiones médicas [38] .

Una de las principales aplicaciones del aprendizaje automático en el ámbito sanitario es el diagnóstico. Los algoritmos de aprendizaje automático pueden analizar datos de imágenes médicas, como radiografías, resonancias magnéticas y tomografías computarizadas, con una precisión notable. El reconocimiento y la clasificación automatizados de imágenes ayudan a los profesionales sanitarios a detectar anomalías, tumores y otras afecciones en una etapa temprana, lo que facilita una intervención y un tratamiento rápidos [39] .

Más allá del diagnóstico, el aprendizaje automático contribuye a la personalización de los planes de tratamiento. Al analizar los datos de los pacientes, incluida la información genética, el historial médico y los factores de estilo de vida, los algoritmos de aprendizaje automático pueden ayudar a adaptar las estrategias de tratamiento a cada paciente. Este enfoque, conocido como medicina de precisión, tiene como objetivo maximizar la eficacia del tratamiento y minimizar los efectos adversos [40] .

El análisis predictivo es otra área clave en la que el aprendizaje automático destaca. Al analizar datos históricos de pacientes, los algoritmos de aprendizaje automático pueden predecir la progresión de la enfermedad, las posibles complicaciones y los resultados del paciente. Esta información permite a los proveedores de atención médica implementar medidas proactivas, como intervenciones preventivas y planes de atención personalizados, lo que contribuye a mejorar la atención al paciente y la asignación de recursos [41] .

A pesar de las prometedoras aplicaciones, el aprendizaje automático en el ámbito de la atención sanitaria no está exento de desafíos. Las consideraciones éticas, la privacidad de los datos y la interpretabilidad de algoritmos complejos se encuentran entre las cuestiones críticas que deben abordarse. Garantizar la transparencia y generar confianza en los modelos de aprendizaje automático son esenciales para su integración exitosa en la práctica clínica [42] . Algunos ejemplos se mencionan en la Tabla 7 .

Técnica/Aplicación	Ejemplo 1	Ejemplo 2
Análisis de imágenes médicas	Aprendizaje profundo para la interpretación de imágenes de resonancia magnética	Detección de enfermedades de la retina basada en inteligencia artificial (IA) de DeepMind Health de Google
Sistemas de apoyo a la toma de decisiones clínicas	Sistema de apoyo a la toma de decisiones clínicas de IBM Watson Health	Comprobador de síntomas basado en inteligencia artificial de Ada Health
Análisis predictivo	Predicción de reingresos de pacientes basándose en registros médicos electrónicos	Identificación de sepsis en pacientes de UCI mediante signos vitales y valores de laboratorio
Descubrimiento y desarrollo de fármacos	Plataforma de descubrimiento de fármacos basada en IA de Atomwise	La plataforma de inteligencia artificial de BenevolentAI para el descubrimiento y desarrollo de fármacos
Medicina personalizada	Secuenciación genómica y aprendizaje automático para planes de tratamiento personalizados	IBM Watson for Genomics para el tratamiento del cáncer
Detección de fraudes en el ámbito sanitario	Detección de reclamaciones de seguros fraudulentas mediante técnicas de detección de anomalías	Sistema de detección de fraude basado en inteligencia artificial de Optum
Procesamiento natural del lenguaje	Extracción de información de notas e informes clínicos	Plataforma de procesamiento del lenguaje natural (PLN) de Linguamatics para la extracción de datos sanitarios no estructurados

Tabla 7: Algunos ejemplos de técnicas de aprendizaje automático en el ámbito sanitario

La exploración de tecnologías emergentes en el ámbito de la atención médica revela un panorama de innovación sin precedentes, que promete impactos transformadores en las prácticas médicas y los resultados de los pacientes. Desde las experiencias inmersivas de VR y AR hasta las redes interconectadas de la IoMT, cada tecnología redefine el paradigma de la atención médica. Estas tecnologías redefinen la formación médica, proporcionando a los profesionales de la salud herramientas avanzadas para el desarrollo de habilidades y ofreciendo a los pacientes experiencias educativas inmersivas. La IoMT extiende la atención médica más allá de los límites tradicionales, permitiendo el monitoreo continuo e intervenciones personalizadas, lo que promueve la atención centrada en el paciente. Las medidas de ciberseguridad sólidas para los dispositivos médicos son fundamentales para asegurar la integridad de los datos del paciente y garantizar la confiabilidad de las tecnologías de atención médica. El monitoreo remoto de pacientes surge como un eje para la atención médica proactiva, lo que permite intervenciones tempranas y empodera a las personas para que gestionen su salud de forma remota. La integración de tecnología financiera y la migración a la nube optimizan los procesos financieros y el almacenamiento de datos, ofreciendo ganancias de eficiencia y accesibilidad. El aprendizaje automático se destaca como una fuerza transformadora, que ofrece información de grandes conjuntos de datos para diagnósticos, personalización del tratamiento y análisis predictivo. A pesar de los desafíos, el potencial de la medicina personalizada y la toma de decisiones basada en datos anuncian una nueva era en la atención médica. A medida que estas tecnologías avanzan, la industria de la atención médica está al borde de una era transformadora. Es necesario abordar consideraciones éticas, preocupaciones sobre la privacidad y desafíos de seguridad para garantizar la distribución equitativa de los beneficios y la preservación de la atención centrada en el paciente. Al fomentar una cultura de innovación responsable, la comunidad de atención médica puede aprovechar todo el potencial de las tecnologías emergentes, lo que conducirá a un futuro en el que la atención médica no solo sea tecnológicamente avanzada, sino también éticamente sólida y centrada en el paciente.

Conclusiones

En conclusión, el ámbito de la atención sanitaria está atravesando una profunda y transformadora evolución impulsada por las tecnologías emergentes. Los impactos multifacéticos de estas tecnologías están reconfigurando la forma en que se llevan a cabo las prácticas médicas e influyendo en los resultados de los pacientes de maneras sin precedentes. Ahora que la industria de la atención sanitaria se encuentra al borde de esta era transformadora, es fundamental reconocer y abordar las consideraciones éticas, las preocupaciones sobre la privacidad y los desafíos de seguridad. La innovación responsable es fundamental para garantizar la distribución equitativa de los beneficios y la preservación de la atención centrada en el paciente. Al cultivar una cultura de uso ético y responsable de estas tecnologías, la comunidad sanitaria puede alcanzar su máximo potencial, lo que conducirá a un futuro en el que la atención sanitaria no solo sea tecnológicamente avanzada, sino también éticamente sólida y verdaderamente centrada en el paciente.

Un clásico: Un modelo de calidad multidimensional: una oportunidad para que los pacientes, sus familiares, los proveedores de atención médica y los profesionales coproduzcan salud

Lachman P, Batalden P and Vanhaecht K. A multidimensional quality model: an opportunity for patients, their kin, healthcare providers and professionals to coproduce health F1000Research 2021, 9:1140

Comentario del Blog: The content provides a detailed analysis of the evolution of healthcare quality models and presents a new multidimensional quality framework focused on patient-centered care. The post effectively explains the need for a redefined approach to healthcare quality and the importance of integrating human relationships, collaboration, and ecological considerations. The proposed model encompasses various dimensions and emphasizes the coproduction of health services, reflecting a comprehensive understanding of quality in healthcare.

Actions to improve the content:

1. Consider providing a brief summary or overview at the beginning to provide readers with a clear roadmap of the content.

2. Add subheadings or bullet points to break down the text into more digestible sections, making it easier for readers to follow the complex concepts presented.

3. Include more visual elements like diagrams or charts to illustrate the multidimensional quality model and enhance the engagement of the audience.

4. Encourage the use of real-life examples or case studies to demonstrate how the proposed quality framework can be applied in practical healthcare settings, making the content more relatable to the readers.

Overall, the thorough exploration of the new quality model and its implications is valuable, and the addition of the suggested improvements can enhance the accessibility and practical utility of the content.

La razón del cambio

Durante los últimos veinte años, desde que el Instituto de Medicina (IOM) definió la calidad en la atención sanitaria ¹ , se ha desarrollado una industria en el campo de la mejora de la calidad y la seguridad del paciente. Esto ha incluido el estudio académico de la teoría y la metodología y la implementación real de la teoría estudiada. El resultado ha sido cierta mejora, pero no hasta el punto de permitir afirmar que ha sido exitoso ^2 , 3 . Se ha dicho que no hay evidencia suficiente sobre el impacto de la mejora de la calidad y se requiere más investigación ⁴ . Cabe preguntarse por qué necesitamos redefinir lo que se entiende por calidad en la atención sanitaria. Una revisión reciente realizada por el Grupo de Trabajo Nacional de Calidad en los EE. UU. afirmó que “A pesar de los impresionantes avances, persisten deficiencias notables en la normalización de una atención consistente, de alto valor y centrada en la persona. Lo que principalmente falta no es el progreso en la medición, sino el progreso en los resultados. Los cambios en la cultura, la inversión, el liderazgo e incluso la distribución del poder son incluso más importantes que la mera medición” ⁵ . Identificaron cuatro etapas de mejora de la calidad: definir el problema, medir para mejorar, informar y ser transparente y pagar por el valor. Ninguno de ellos ha producido atención centrada en la persona. En este artículo, aprovechamos la oportunidad para revisar el marco básico de calidad y redefinir la calidad con la ventaja de la experiencia adquirida durante los últimos 20 años. El objetivo es permitirnos abordar las deficiencias identificadas por el grupo de trabajo y redefinir lo que se necesitará para marcar la diferencia.

En la actualidad, el trabajo actual de los servicios de atención sanitaria se esfuerza por satisfacer las necesidades de las personas de una mejor salud. Anteriormente, el trabajo se ha diseñado para abordar las fallas en el manejo de las enfermedades, en lugar de trabajar con las personas para mantener o mejorar la salud. Parece más fácil centrarse en el «trabajo estándar» y las «acciones» en el manejo de las enfermedades, en lugar de en una visión más integrada de las «relaciones» que se requieren para mantener la salud. Además, más avances en materia de salud provienen de medidas preventivas en la salud pública, como la inmunización, el agua potable, el saneamiento y la vivienda ^6 , 7 . Además, los métodos para evaluar el impacto de la mejora de la calidad no se han prestado bien a la forma estándar de evaluar las intervenciones en la atención sanitaria, ni han abordado el cambio en el manejo de las enfermedades para mejorar la salud ⁸ .

La mejora actual de los servicios de salud ha adoptado muchas teorías, metodologías e intervenciones de otras industrias, que han demostrado importantes ganancias en calidad, costo y seguridad. Durante el último siglo, se pueden discernir dos enfoques sobre la creación, evaluación y mejora de la calidad de la prestación de servicios de salud (ver Tabla 1 ). Cada enfoque ha hecho contribuciones importantes a nuestra capacidad para ofrecer un mejor servicio de atención médica y cada uno ha solucionado una pregunta relativamente común. Por conveniencia, hemos llamado al primer enfoque, Calidad 1.0, “Q 1.0”. Esto comenzó en la segunda década del siglo XX en Estados Unidos, cuando el Colegio Americano de Cirujanos inició su programa de estándares hospitalarios. Tres décadas después, otras organizaciones nacionales de hospitales y profesionales se unieron para formar la “Comisión Mixta” para la Acreditación de Hospitales ⁹ . Con la aprobación del programa de pagos de Medicare, estos esfuerzos de certificación se vincularon con la calificación para recibir el pago por hospitalización.

Con el advenimiento de la mejora del pensamiento sistémico y los métodos de mejora de sistemas posteriores a la Segunda Guerra Mundial, surgieron esfuerzos a nivel de todo el sistema o de la empresa para abordar la calidad en muchos sectores económicos. Inicialmente, estas iniciativas de mejora ocurrieron fuera de los servicios de salud, pero desde mediados de la década de 1980, las intervenciones de mejora a nivel empresarial se extendieron cada vez más a los servicios de salud. Este nuevo enfoque se denomina Calidad 2.0, “Q 2.0”. En este proceso, Donabedian definió las ideas de calidad como algo impulsado por sistemas y procesos para producir los resultados deseados ¹⁰ . Las primeras intervenciones para hacer de la calidad un sistema o un esfuerzo empresarial se promovieron con la introducción de las teorías y métodos de W. Edwards Deming, Joseph M. Juran y otros ^11 – 14 .

La OIM proporcionó un estímulo importante para el enfoque actual en la calidad de la atención médica con sus revisiones de la seguridad y la calidad de los servicios de atención médica ^1 , 15 . El IOM definió seis dominios de calidad, que se han convertido en el estándar dentro del creciente desarrollo de la ciencia de la mejora de la atención sanitaria: seguro, eficiente, eficaz, oportuno, equitativo y centrado en el paciente ¹ . Se ha pensado que las teorías y metodologías que habían tenido éxito en otros sectores económicos eran apropiadas para los desafíos de la calidad en la prestación de atención médica ^16 – 18 . Hemos aprendido mucho a medida que se ha agregado un nuevo lenguaje de sistemas, procesos y resultados al estudio y la práctica de la excelencia clínica, que antes se pensaba que era “calidad en la atención médica”. La atención pasó de un “umbral” mínimo de calidad al concepto de “techo” de calidad; no “ ¿eres lo suficientemente bueno para calificar?” ” sino “ ¿hasta qué punto puede llegar a ser la calidad? ” Ejemplos de éxito han sido la disminución de algunas tasas de infección, la percepción de un mayor acceso a la atención sanitaria, cambios en la atención centrada en la persona y mejoras en aspectos de seguridad ^19 – 23 . En algunas instituciones se ha demostrado una mejora en todo el sistema ²⁴ .

Sin embargo, a pesar de todos estos logros, la persistencia y la naturaleza universal del problema se destacaron en tres publicaciones clave de 2018, que demostraron que más de ocho millones de personas mueren a causa de una atención de mala calidad en los países de ingresos bajos y medios (PIMB) ^25 – 27 . En los países de ingresos altos, al menos 1 de cada 10 pacientes se ve afectado negativamente durante el tratamiento, a menudo como resultado de variaciones persistentes e injustificadas en la prestación de atención médica, donde una proporción considerable de pacientes no recibió una atención adecuada basada en evidencia ²⁸ .

Creemos que el desarrollo de soluciones técnicas ayudó a conectar los esfuerzos de mejora con el enfoque anterior en el «trabajo profesional». Estos esfuerzos permitieron muchos logros. Por ejemplo, iniciativas de seguridad específicas han reducido las úlceras por presión, las caídas en los hospitales y las infecciones intrahospitalarias ^29 – 32 . Sin embargo, hoy también podemos reconocer la disminución de la atención a algunas cuestiones muy básicas. Por ejemplo, ¿qué significa realmente “calidad” para la persona cuya salud es? En nuestros esfuerzos por aclarar los roles profesionales deseados, es posible que sin darnos cuenta hayamos creado una “lógica dominante en el producto”: profesionales que brindan un servicio de atención médica de calidad y luego intentan “venderlo” a los pacientes. Creemos que es hora de dar un paso atrás y reconsiderar qué es el servicio de salud. ¿Cómo se elabora y qué significa realmente la calidad para la persona cuya salud es?

Con la Revolución Industrial vino el desarrollo de la lógica dominante de bienes/productos para la fabricación. Esta lógica separó al productor y al consumidor con una progresiva especialización del productor y la producción de bienes homogéneos con métodos de producción cada vez más eficientes. Esta lógica se convirtió en un modelo generalizado para las operaciones del trabajo organizado y se transpuso al diseño de la atención sanitaria, donde el médico poseía todos los conocimientos y habilidades y brindaba atención a la persona como paciente.

Hoy en día, Internet conecta funciones “separadas” y fomenta la creación de redes que eliminan la anterior separación entre productor y consumidor. La lógica predominante en el servicio fomenta los recursos integrados y la interactividad y el trabajo colaborativo de productores y consumidores para un trabajo mutuo de creación de valor ³³ . Para la atención sanitaria, esto implica que la distinción entre el médico como poseedor del conocimiento ya no se sostiene y el paciente es ahora una persona que puede participar en la búsqueda de la solución.

Si uno considera el estudio del proceso de producción de un resultado, la lógica detrás de la fabricación de productos o “bienes” implica procesos vinculados. Los esfuerzos por mejorar esos procesos a menudo utilizan la “estandarización” de los procesos y sus vínculos. El resultado de los procesos suele ser tangible. La lógica detrás de la creación de un “servicio” generalmente implica pasos interactivos de profesionales y usuarios beneficiarios que trabajan en parejas o redes que son necesarias para resolver un problema, de forma individual o grupal ^34 , 35 . Por lo tanto, el servicio requerirá interacción entre todas las partes involucradas (ver Tabla 2 ).

El enfoque ha cambiado más recientemente y la pregunta central parece haberse convertido en algo de la siguiente naturaleza: “¿Cómo podríamos mejorar el valor de la contribución que los servicios de salud hacen a la salud?” ³⁶ . Esto llama la atención sobre quién es realmente el dueño de la salud de una persona: ¿el proveedor de atención médica o el individuo que recibe atención médica? Además, postulamos que el concepto de parentesco se extiende para incluir tanto al cuidador como al proveedor de atención, ya que regularmente trabajan juntos para crear y mejorar servicios en apoyo de la salud de un individuo o de una comunidad. El trabajo de diseño, ejecución, evaluación y mejora implica la integración de múltiples sistemas de conocimientos y habilidades.

Los primeros observadores del trabajo de “servicio” señalaron que debido a que más de una persona estaba involucrada, podría denominarse “trabajo coproductivo” ^37. También invita y permite nuevos modelos de creación de valor con atención a la arquitectura básica de esos sistemas. Debido a que son diferentes a los del enfoque “Q 2.0”, hemos denominado este enfoque Calidad 3.0, “Q 3.0”. Cada uno de estos enfoques de la calidad ofrece información importante sobre el complejo trabajo que implica el servicio de atención médica. Pensamos que cada enfoque aumenta nuestra capacidad de mejorar la salud, en lugar de “sustituir” o “reemplazar” los enfoques anteriores. Los enfoques se resumen en la Tabla 1 .

En este artículo, proponemos una nueva construcción para definir la calidad de la atención médica, donde el objetivo es satisfacer las necesidades del paciente como persona, en lugar de satisfacer las necesidades del sistema de atención médica, que es una industria tan compleja que vende un producto de enfermedad. gestión ³⁸ . El concepto se basa en un énfasis que a menudo se pasa por alto en el concepto original de la OIM, a saber, que centrarse en la persona es fundamental para la calidad ¹ . Algunos autores se han centrado en la necesidad de que la compasión y el centrado en la persona tengan una mayor posición en un marco de calidad y han señalado las deficiencias de muchas iniciativas ^39 – 42 . En la literatura sobre atención centrada en la persona, se ha señalado que la falta de amabilidad y respeto es un fracaso en nuestros sistemas de salud ^43 – 48 . A pesar de centrarse en la necesidad de que la atención centrada en la persona sea una parte central del sistema de calidad, no ha habido el impulso necesario para marcar la diferencia. Creemos que esto se debe a que la atención centrada en la persona se considera un ámbito separado y no una condición previa en todos los ámbitos de la calidad. Para garantizar que la Atención Centrada en la Persona esté en el centro de todo lo que hacemos, los proveedores de atención deben aceptar que la atención centrada en las personas es el principal objetivo y preocupación de la atención sanitaria y es esencial para la realización de la salud. Sólo cuando esto se haya logrado nuestros avances en conocimientos y habilidades biomédicos podrán servir al paciente como persona. Los pacientes y los proveedores de atención médica son primero humanos y pacientes. Si perdemos nuestra humanidad, entonces las personas involucradas, el paciente y el proveedor de atención médica, se ven disminuidas en su interacción única.

Al proponer un nuevo marco, resulta tentador descartar conceptos anteriores. Si bien utilizamos las mismas dimensiones, se han reorientado con otras nuevas agregadas para invitar a una lógica «dominante en el servicio». Las nuevas dimensiones de la calidad serán aún más relevantes para la forma en que facilitaremos la salud y crearemos servicios de atención médica en el futuro. Este nuevo modelo incorpora los valores esenciales clave que encarnan la atención centrada en la persona e incorpora una definición más amplia de personas y la naturaleza relacional esencial al incluir a sus familiares.

¿Porqué ahora?

Hoy en día actúan muchas fuerzas que parecen invitar a estos cambios. El acceso a la información se ha vuelto más abierto con el crecimiento de Internet y las redes sociales, por lo que es mucho más fácil para cualquier persona explorar lo que se sabe sobre un problema o afección. “Hacer” y la sociedad-creador invitan a un sentido de agencia personal más que la tradicional deferencia hacia los “expertos profesionales”. Los profesionales de la salud han estado trabajando para deshacerse de los legados paternalistas, creando una nueva construcción, que hemos denominado bienes comunes, mediante la cual todos trabajan juntos por el bien común de la salud en lugar de limitarse a gestionar las enfermedades y las enfermedades relacionadas. Esto se evidencia en algunas de las intervenciones para abordar el desafío del COVID-19. Las convenciones históricas sobre pagos y finanzas han dado paso a importantes tensiones financieras organizativas en todas las sociedades. El desafío de reconocer explícitamente las contribuciones de los pacientes y sus familias, además de las de los profesionales, manteniendo un enfoque centrado en la persona durante y después de la pandemia, tanto para las personas afectadas como para las que no, ha invitado a un nuevo modelo de calidad. para el futuro.

Paralelamente a la pandemia, la cuestión de las desigualdades estructurales en la sociedad se ha vuelto más prominente. Se requiere un nuevo modelo para abordar la forma en que nosotros, como proveedores de atención médica, abordamos los problemas de la sociedad que impactan la salud de las personas. Estos incluyen el racismo estructural ⁴⁹ y los determinantes sociales de la salud ⁵⁰ , incluida la inseguridad alimentaria ⁵¹ , la desigualdad de género ⁵² y la violencia inherente ^53 , 54 dentro de muchas sociedades. La COVID-19 ha desenmascarado a estos ⁵⁵ , y creemos que el nuevo modelo es una respuesta a los fracasos pasados de la sociedad para abordar estos problemas. Algunos podrían decir que esto es una politización de la salud. Más bien lo vemos como hacer que el modelo de calidad sea socialmente relevante para nuestros tiempos y para las personas más marginadas.

Uno de los primeros promotores de la investigación moderna en materia de servicios de salud, Kerr White, señaló que la salud pública no se veía favorecida por el cisma que se desarrolló durante el último siglo entre la “medicina” (salud personal) y la “salud pública” ⁵⁶ . Sugirió que esta separación no estaba favoreciendo la salud pública y que el estudio de la epidemiología podría ayudar. Hoy, el desafío de la pandemia de COVID-19 nos ha dado otra visión clara de las formas en que esta separación ha tenido consecuencias reales en muertes innecesarias y continúa siendo un mal servicio para nosotros. Creemos que una apreciación de la humanidad común (el parentesco) entre las personas que actúan en los sectores personal y público, además del estudio y la contribución de la epidemiología, puede ayudar. Este enfoque en las relaciones ayuda a dinamizar un puente que cruce la brecha entre los dos sectores. Al enfocarnos explícitamente en el concepto de parentesco, podemos ver a una persona como individuo y como miembro de una población. Esta posición compartida de las personas nos ayuda a apreciar que el parentesco o la “bondad” pueden servir como un valor central y el “pegamento” de la cooperación necesaria para el progreso y el beneficio de la mayoría de las personas ⁵⁷ . Nos ha ayudado a reconocer la importancia del parentesco, nuestros semejantes, en nuestra vida diaria y que la ausencia de atención a estas relaciones —el parentesco—, es una dolorosa limitación a la forma en que buscamos la salud, no solo en COVID-19, sino también de muchas otras maneras, incluido el final de la vida, por ejemplo. Por parentesco nos referimos al constructo social más amplio en torno a las personas involucradas en recibir y brindar atención. Además, es necesario desarrollar una nueva forma de pensar cuando uno enfrenta los desafíos de medir el bienestar, la equidad y la buena salud ⁵⁸ . La pandemia de COVID-19 ha expuesto el fracaso del pensamiento lineal para producir resultados cuando se responde a una crisis. Esto ha demostrado que necesitamos ver la calidad como parte de un sistema adaptativo complejo con muchos vínculos en competencia. La atención médica tiene muchos componentes, tanto dentro de las estructuras formales de prestación de servicios de salud como, lo que es más importante, dentro de la comunidad y en otros sectores. Para producir salud, estos componentes deben interactuar de una manera que beneficie a las personas que reciben atención ^59 , 60 .

En resumen, ahora podemos ver claramente que no sólo es muy difícil subcontratar la propia salud a otra persona, sino que la verdad es que no tenemos otra opción real que trabajar en nuevas formas para coproducir un servicio de salud que sea capaz de hacer una mayor contribución. a una mejor salud. Creemos que el impacto de COVID-19 abre una oportunidad no para volver a la “vieja normalidad” o desarrollar una “nueva normalidad” basada en la antigua, sino más bien para redefinir conceptualmente lo que entendemos por calidad en la atención médica, cómo definimos cada los roles de los demás y cómo definimos la atención centrada en la persona para individuos y comunidades.

Supuestos subyacentes a un nuevo movimiento de calidad

Detrás de nuestro pensamiento ha estado el reconocimiento de los beneficios de entender los sistemas como fenómenos adaptativos complejos, de reconocer que en algún nivel todos los servicios de atención médica son coproducidos por personas a las que a veces llamamos profesionales y personas a las que a veces llamamos pacientes. Son “parientes” entre sí en este trabajo interdependiente ⁵⁷ .

La imposibilidad de vincular las diferentes partes de la atención durante la pandemia, por ejemplo, la atención social y la atención sanitaria, ha expuesto un problema subyacente en el diseño de la atención. Esto ha significado que muchas personas vulnerables corrieron riesgos y potencialmente sufrieron más daños. La calidad y la seguridad de la atención médica requieren la interacción de estas partes complejas, adaptándose continuamente a las demandas cambiantes, cada una con su propia complejidad y cada una de las cuales debe integrarse en un momento específico para brindar una atención segura y de buena calidad. Por ejemplo, el enfoque inicial de la seguridad del paciente (llamado Seguridad 1) se centró en abordar los eventos adversos y llevó a cabo evaluaciones lineales de eventos inseguros. Estas evaluaciones de causa y efecto eran a menudo demasiado simplistas para considerar la complejidad de los sistemas causales en funcionamiento. La progresión ha sido hacia una comprensión de la complejidad y la resiliencia en calidad y seguridad, con la construcción de resiliencia y aprendizaje constante, a medida que nos adaptamos a circunstancias cambiantes (llamado Seguridad 2). También es necesario un enfoque diferente de la calidad ^61 , 62 .

El movimiento de calidad y seguridad ha sido reactivo a lo que no ha funcionado y creemos que ahora hay que pasar al concepto de salud y su coproducción. El concepto de coproducción de calidad en los sistemas de servicios sanitarios se encuentra en su fase inicial de desarrollo ^63 – 65 . Es necesario incluir a las personas como socios y pasar de la corrección de defectos en la gestión de enfermedades a la cocreación de la salud. Las personas, es decir, tanto los profesionales como los pacientes implicados de forma interdependiente, no son el problema, son la clave de un futuro modelo de calidad. Si bien ha habido un conjunto creciente de intervenciones basadas en evidencia, el problema ha sido la implementación, difusión y sostenibilidad de intervenciones que tienen una base de evidencia firme ⁶⁶ . Creemos que los esfuerzos organizados para mejorar la calidad y la seguridad, ya sea en la práctica o en la investigación académica de la práctica, se han vuelto demasiado técnicos y las personas no pueden identificarse con el desafío de fomentar una mejor salud. Necesitamos un paradigma que funcione en el mundo real de hoy. Uno que facilite una mejor salud para los individuos y las comunidades, de modo que se logre el objetivo de una mejor salud. En una era en la que la creación compartida de servicios es clave, los recursos humanos en atención sanitaria se convertirán en uno de los principales desafíos. La calidad debe incluir la atención tanto a las personas como a los pacientes y como a los profesionales.

El modelo

Los seis dominios de calidad en el modelo de la OIM ya no se ajustan a los requisitos de un enfoque centrado en la persona para facilitar la salud y brindar atención sanitaria universal. Sugerimos centrarse en la cocreación de una mejor salud: un sistema de calidad para las personas que trabajan juntas para coproducir servicios que contribuyan a una mejor salud ( Figura 1 ).

El modelo original tenía la atención centrada en la persona como uno de los ámbitos. Deseamos seguir desarrollando esto reconociendo la humanidad compartida de las personas involucradas. La palabra “parientes” se introduce para encarnar las relaciones sociales y las realidades vividas que rodean a las personas involucradas, tanto quienes brindan atención como quienes la reciben. El servicio de atención sanitaria no se refiere sólo a la persona como paciente o profesional, sino también a su familia y a sus relaciones sociales más amplias. La dimensión centrada en la persona/pariente rodea todos los ámbitos y es parte de todo lo que hacemos. Se ha demostrado que la necesidad de este enfoque es un componente esencial de la respuesta a la pandemia. John Ballatt y sus colegas sugieren que “la bondad [el parentesco]… no es una cuestión secundaria ‘agradable’, es el pegamento de cooperación necesario para que el progreso sea más beneficioso para la mayoría de las personas” ⁵⁷ .

Colocamos a la persona en el centro de la calidad, en lugar de ser un dominio separado. En el centro están los valores de la atención médica, basados en la bondad con compasión; asociación y coproducción; dignidad y respeto por las personas y entre sí; donde las personas sean vistas desde un enfoque holístico, en su totalidad y no como portadores de una enfermedad o una persona con un órgano del cuerpo problemático. El principio central es la bondad, por lo que la dimensión de la atención centrada en la persona también está centrada en el parentesco e involucra a todos aquellos que están relacionados con la persona que recibe y la que brinda la atención. Este enfoque facilitará la coproducción de calidad y seguridad y el logro de los otros dominios. Este énfasis invita y amplía el cambio desde “instalar” soluciones técnicas hasta trabajar con personas y soluciones técnicas. Los esfuerzos de telesalud dejan claro que un mayor uso de la conectividad digital puede funcionar y posiblemente convertirse en parte de la conectividad extendida de los familiares ^67 , 68 . Los demás dominios siguen vigentes. Se les transfunde atención centrada en la persona. Esta nueva forma de pensar también se aplica a la otra persona involucrada en la prestación del servicio llamado “atención médica”. Esto significa que entre colegas, y ciertamente en lo que respecta a las relaciones con los supervisores jerárquicos, debe haber un entendimiento basado en la bondad, la dignidad, el respeto y la colaboración, e incluye a la persona holística.

Se añade un nuevo ámbito, el ecológico, para reflejar los crecientes desafíos del cambio climático e introducir la necesidad de abordar los desafíos de la sostenibilidad, no sólo a nivel de organización, sino en cada contacto del microsistema ^69 , 70 . Creemos que ser ecológico y preocuparse por el cambio climático es fundamental para el concepto de parentesco. El principio de transparencia y liderazgo se incluye en todos los ámbitos técnicos, respetando el derecho de la persona a la privacidad pero también el derecho a conocer los datos que le conciernen específicamente. Se necesita transparencia para los proveedores, para que puedan ser abiertos consigo mismos, así como con las personas a quienes brindan atención. Se necesita un liderazgo humilde para fusionar los dominios técnicos con los valores fundamentales del modelo y la visión de la persona y los parientes. El liderazgo humilde exige humildad «aquí y ahora» basada en una comprensión más profunda de las complejidades en constante evolución de las relaciones interpersonales, grupales e intergrupales que requieren cambiar nuestro enfoque hacia el proceso de dinámica y colaboración grupal ⁷¹ . En el modelo de calidad multidimensional afirmamos que no es solo una colaboración entre proveedores de atención, sino también una colaboración abierta y confiable entre proveedores de atención y pacientes y familiares. Esto implica un cambio en la cultura del cuidado hacia una que pueda abrazar el nuevo modelo. La transparencia y la resiliencia, es decir, la capacidad de operar con seguridad psicológica, son la base para la búsqueda de una recopilación, análisis e interpretación de datos veraces. La transparencia con todos nuestros “parientes” comienza con la transparencia de los profesionales entre sí ⁷² .

Implicaciones para los programas actuales

Creemos que la promoción y la prestación de servicios de salud deben volver a los principios básicos de la atención (una forma de “servicio”) e incluir los valores que hemos convertido en centrales en el modelo en todo lo que hacemos. Cuando uno reflexiona sobre la construcción donabediana de “Estructuras y procesos que conducen a resultados”, ni las estructuras ni los procesos que hemos diseñado actualmente son capaces de ofrecer un modelo de atención que pueda abarcar los dominios de la calidad ni el enfoque centrado en el parentesco. La atención sanitaria requerirá un rediseño considerable en el que el poder se transfiera a la persona en lugar de permanecer en el sistema. Esto implicaría colocar a las personas que reciben atención en posiciones de poder para decidir cómo se debe brindar la atención y cómo se planifican los servicios. Dado que la complejidad de la atención ha redefinido la forma en que se brinda la atención y a menudo participan varios proveedores en la prestación de la atención, se requerirá el concepto de integrar la atención en torno a la persona que la recibe, siendo fundamentales la asociación y la colaboración. En la Tabla 3 demostramos las acciones que se requieren para implementar este nuevo paradigma de calidad. La atención centrada en los familiares y en la persona se infunde en todos los esfuerzos por mejorar la atención, la seguridad y la eficacia. La introducción de la transparencia requerirá un cambio cultural en todos los sectores de la atención sanitaria. La ecología es ahora un dominio central, por lo que todas las decisiones y planificación requerirán programas para mejorar el impacto sobre el clima y el medio ambiente. Los servicios de salud de calidad se basan en lo que un ser humano ofrece a otro. Estos servicios son fundamentalmente una actividad humana, con los consiguientes derechos, responsabilidades e implicaciones. Para lograrlo, necesitamos contar con una atención de alta calidad para los profesionales que brindan atención y un rediseño de los sistemas, a fin de facilitar una verdadera atención centrada en la persona y en el familiar. En el Cuadro 3 se sugieren las posibles acciones a emprender, estas no son integrales y serán dinámicas, cambiando en diferentes contextos. Estos, a su vez, pueden convertirse en medidas del proceso de cambio

El modelo se puede utilizar para definir y traducir su propia visión sobre la calidad o integrar diferentes visiones e ideas en un marco general. El modelo multidimensional se ha puesto a prueba recientemente en diferentes tipos de organizaciones de atención y ayudó a los médicos y gerentes involucrados a definir y especificar los objetivos específicos de la organización para los seis dominios técnicos, el dominio general de la atención centrada en la persona y en los familiares y cómo centrarse en los cuatro valores fundamentales. Por ejemplo, para demostrar la aplicación del nuevo dominio ecológico se podría preservar la energía, el agua y los recursos, mejorar el uso de intervenciones digitales y reducir la huella de carbono. Invitamos a los equipos clínicos a utilizar el modelo para examinar cómo pueden centrarse en la persona y luego publicar su experiencia para que podamos coproducir el futuro.

Conclusión

En los últimos años, ha habido una creciente conciencia de que el diseño actual del sistema de atención médica ha resultado en un menor bienestar para los profesionales involucrados en la atención médica, con crecientes informes de agotamiento y “agotamiento” ⁷³ . Se ha documentado el impacto de los eventos de seguridad en los médicos y un metanálisis del bienestar y el agotamiento demuestra el impacto negativo en los cuidadores ^74 , 75 . La revisión de las Academias Nacionales de Ciencias concluyó que la prestación de atención de calidad centrada en la persona requerirá una fuerza laboral cuyo bienestar sea primordial, lo que implica que se debe revertir la deshumanización de la atención médica ^76 , 77 .

El reciente enfoque en las desigualdades en salud y el racismo estructural hace que sea más apremiante un cambio de enfoque, con el concepto de parentesco llegando al núcleo de lo que significa ser un sanador. Esta atención a la relación como fundamental no es nueva. Es la base de muchas religiones. Además de la energía puente que podemos utilizar al abordar el “cisma”, también reconocemos que numerosas culturas en todo el mundo se han dado cuenta durante siglos de que este reconocimiento universal de la importancia de las relaciones es fundamental en toda la vida humana. Quizás esto sea mejor conocido en la filosofía africana de Ubuntu, donde “yo” soy porque “nosotros” somos. Sostenemos que el nuevo modelo de calidad que proponemos es el primer paso en esta dirección para que los formuladores de políticas, los líderes y los proveedores de atención médica exploren y adopten esta nueva forma de pensar e inviten a regresar al reconocimiento de nuestra humanidad y la importancia de la amabilidad en la atención médica hacia las personas y sus familiares.

Entrevista a Arline Geronimus: Desafíos de la Injusticia Sistémica en la Salud de EE.UU.

aarathi prasad

The content reveals the compelling life story and academic journey of Arline Geronimus and her impactful work on the concept of weathering. The detailed description provides a vivid understanding of her research and its implications. To enhance the post, consider adding subheadings to improve readability, and including a brief summary at the beginning to give readers an overview of the content. Additionally, incorporating relevant images of Arline Geronimus or her work can further engage the audience and break up the text

Arline Geronimus nació en Boston, MA, EE. UU., de padres médicos, hijos de refugiados que llegaron a los EE. UU. a principios del siglo XX, escapando de los pogromos en lo que hoy es Ucrania. “Mi abuela fue testigo de cómo los perpetradores extrajeron el feto del cuerpo embarazada de su hermana, llenaron su útero vacío con paja y le prendieron fuego. Y luego mi abuela decía: ‘Vi que sucedieron cosas peores, pero son indescriptibles’”. Al enterarse de esta historia familiar de persecución, migración y la posterior xenofobia, pobreza y antisemitismo que enfrentaron en los Estados Unidos, recuerda Geronimus. , “me traumatizó pero también me sensibilizó sobre el hecho de que las personas viven experiencias muy diferentes dependiendo de características como su religión, raza o posición socioeconómica; cuándo nacieron en la historia, o en qué país nacieron”. Al crecer durante el Movimiento por los Derechos Civiles, Geronimus era “muy consciente de la injusticia racial, la necesidad de cambiarla y ser un activista al respecto”. Su perspectiva también estuvo influenciada por su experiencia vivida: “debido a la categorización racial en los EE. UU., mis abuelos y mis padres eran considerados no blancos. Yo fui la primera generación de ascendencia judía de Europa del Este en ser clasificada como blanca desde mi nacimiento. Así que mi asignación racial fue «arbitraria», pero sirvió para ciertos propósitos muy claves para el país y para las personas que más se beneficiaron en el país. Cambió mis oportunidades en comparación con mis padres y ciertamente con mis abuelos. Ser visto como blanco tenía consecuencias, pero no tenía nada de esencial”.Debido a esas experiencias, el plan original de Geronimus era convertirse en abogada de derechos civiles, pero su educación tomó una ruta interdisciplinaria. Siguió una licenciatura en teoría política en la Universidad de Princeton con un doctorado en ciencias del comportamiento de la Escuela de Salud Pública de Harvard y luego una formación postdoctoral en la Escuela de Medicina de Harvard. Ahora profesora de Comportamiento de Salud y Educación para la Salud en la Escuela de Salud Pública de la Universidad de Michigan, y profesora de investigación en el Instituto de Investigación Social de la universidad, EE.UU., sus intereses de investigación incluyen la inequidad en salud de la población, la estructura y los impactos de las contingencias de la identidad social, procesos de racismo y racialización, salud materna, envejecimiento acelerado y aparición temprana de enfermedades crónicas. Quizás sea mejor conocida por un marco analítico conocido como meteorización que ella creó.Las primeras intuiciones de Geronimus sobre la idea se produjeron cuando todavía era estudiante y tenía dos trabajos como asistente de investigación de un profesor de demografía y en una escuela para adolescentes embarazadas. Ella recuerda cómo “las dos experiencias iluminaron enormes desconexiones, entre lo que estaba leyendo en la literatura como asistente de investigación (los estereotipos muy negativos de los adolescentes urbanos negros, que ignoraban cualquier cosa sobre anticoncepción o incluso sobre sus cuerpos y órganos reproductivos) y lo que estaba viendo entre adolescentes embarazadas reales”. Geronimus también notó algo más a medida que conoció a las jóvenes. “Algunos de nosotros nos hicimos amigos, así que yo estaba socialmente en sus casas. Estaban en situaciones de hacinamiento… con características tanto inseguras como insalubres en las viviendas en las que podían permitirse vivir. También los acompañaba a sus citas médicas. Y no pude evitar notar cuántas más enfermedades estaban enfrentando que mis amigos de Princeton o yo”. También vio cómo un número considerable de familiares de las jóvenes se veían afectados por enfermedades crónicas y mortalidad prematura: “Estar expuestos a todo tipo de circunstancias insalubres, ya sea tener que trabajar en tres empleos, entornos laborales tóxicos y tomar autobuses diésel para llegar allí…Exposiciones ambientales…Pobreza. Desiertos alimentarios. No se trata sólo de que su salud se vea afectada por una mala nutrición, la contaminación ambiental o la falta de sueño. Es porque en realidad están haciendo un gran esfuerzo para afrontar las dificultades. Eso es también lo que me atrajo a la intemperie. Es la idea de que las personas pueden capear una tormenta, pero si bien resistirla tiene beneficios, el esfuerzo y las medidas heroicas que se necesitan para hacerlo también erosionan la salud. Mantiene a las personas constantemente alerta, activando crónicamente el estrés fisiológico en sus cuerpos que desgasta y desregula sus sistemas, tejidos y órganos corporales hasta llegar a las células”.Geronimus introdujo estas ideas en 1990, pero recuerda que “fueron menospreciadas hasta el punto de que recibí amenazas de muerte. Una vez, cuando era un joven miembro de la facultad en una reunión profesional, un miembro de la facultad de mayor rango de otra universidad me detuvo en el vestíbulo y comenzó a gritarme que tenía que dejar de decir estas cosas”. Ella persistió porque “la investigación tenía sus méritos… desarrollé más y más evidencia y estaba enseñando a una nueva generación de personas, mentes jóvenes que estaban abiertas a ello”. En 2023, sus ideas llegaron a una audiencia aún más amplia con la publicación de su libro

Weathering: The Extraordinary Stress of Ordinary Life in an Unjust Society , un análisis de su investigación de décadas sobre las formas en que la injusticia sistémica erosiona la salud de las personas marginadas. Utilizando este marco analítico, la investigación actual de Geronimus está “muy preocupada por las tasas de mortalidad materna que han aumentado en los EE. UU. durante exactamente el mismo período en que el objetivo declarado de los EE. UU. era eliminarlas”, sin embargo, “las disparidades raciales han permanecido arraigadas”. . También está trabajando en “la marcada desigualdad racial en cuanto a quién contrajo COVID-19 y, de los que lo hicieron, quién tenía más probabilidades de morir a causa de él y a edades más tempranas”. Para Geronimus “la meteorización es una explicación muy plausible para todas estas desigualdades”.

Importantísima revisión de la aplicación de inteligencia artificial en la atención médica.

La integración de la inteligencia artificial en la práctica clínica

por Vangelis D. Karalis.

El propósito de esta revisión de la literatura es proporcionar una sinopsis fundamental de la investigación actual relacionada con la inteligencia artificial (IA) dentro del ámbito de la práctica clínica.

El realizar este posteo visibilizando un trabajo de revisión con 193 citas bibliográficas es útil para ilustrar donde estamos frente a la inteligencia artificial y sus aplicaciones más desarrolladas en diferentes áreas del campo clínico. Es mucho e importante lo que tienen que aprender los equipos de salud del futuro sobre esto. Revisar, ser críticos, estudiar, volver sobre los pasos, un camino sinuoso, con un norte claro, mejorar la calidad de atención y las seguridad de los pacientes.

La inteligencia artificial Esta revolucionando el campo de la medicina y la atención sanitaria al proporcionar soluciones innovadoras a problemas complejos.

Uno de los beneficios más importantes de la IA en la práctica clínica es su capacidad para investigar grandes volúmenes de datos con eficiencia y precisión. Esto ha llevado al desarrollo de diversas aplicaciones que han mejorado los resultados de los pacientes y han reducido la carga de trabajo de los profesionales sanitarios.

La IA puede ayudar a los médicos a realizar diagnósticos más precisos y desarrollar planes de tratamiento personalizados. Se describen ejemplos exitosos de aplicaciones de IA para una serie de especialidades médicas como cardiología, cirugía, gastroenterología, neumología, nefrología, urología, dermatología, ortopedia, neurología, ginecología, oftalmología, pediatría, hematología y pacientes críticos, así como métodos de diagnóstico. . Se hace especial referencia a consideraciones legales y éticas como precisión, consentimiento informado, cuestiones de privacidad, seguridad de los datos, marco regulatorio, responsabilidad del producto, explicabilidad y transparencia. Finalmente, esta revisión cierra valorando críticamente el uso de la IA en la práctica clínica y sus perspectivas futuras. Sin embargo, también es importante abordar su desarrollo e implementación con cautela para garantizar que se cumplan las consideraciones éticas.

Palabras clave: inteligencia artificial ; Práctica clinica ; aprendizaje automático ; Redes neuronales ; decisión clínica ; Medicina personalizada

1. Introducción

La inteligencia artificial (IA) se refiere a la emulación de la inteligencia humana en máquinas diseñadas para exhibir habilidades cognitivas y adquirir conocimientos similares a los de los seres humanos [ 1 , 2 ]. Los antiguos griegos atribuían un carácter distintivo a los seres humanos en virtud de su posesión de facultades de razonamiento. La noción de alma fue introducida por varios eruditos religiosos, quienes la postularon como una esencia intrínseca y duradera otorgada a la humanidad por un creador divino [ 3 ]. Según Platón, es concebible que un individuo posea inteligencia y al mismo tiempo carezca de conocimientos sustanciales sobre el mundo exterior o, más significativamente, sobre sí mismo. Aristóteles, alumno de Platón, fue pionero en la formulación de un conjunto distinto de principios que gobiernan el aspecto lógico de la cognición humana. En 1936, Alan Turing escribió un artículo académico en el que aclaraba el concepto de “ Entscheidungsproblem ” y exponía la noción de “calculabilidad efectiva” como medio para abordar este dilema. Los autores sentaron las bases para los modelos computacionales conocidos como algoritmos [ 4 ]. El desarrollo inicial de una red neuronal artificial (RNA) compuesta de circuitos eléctricos se produjo en 1943, con el objetivo de simular las interacciones entre las neuronas del cerebro [ 5 ]. Los inicios de la IA tuvieron lugar en 1956 en el Dartmouth College. Después de un lapso de tres años, la investigación informática inicial utilizando una ANN se llevó a cabo con éxito, utilizando modelos denominados «Adaline» y «Madaline» [ 6 ]. El diagnóstico asistido por ordenador se implementó inicialmente en el examen de los nódulos pulmonares identificados en radiografías de tórax en 1963 [ 7 ]. Los investigadores hicieron una observación importante sobre la aplicabilidad de la IA en el campo de las biociencias aproximadamente quince años después de su inicio. Esta observación fue particularmente evidente en los experimentos de Dendral [ 8 ]. Sin embargo, la utilización de la IA en el campo de la medicina se vio limitada por limitaciones tecnológicas hasta 1998, cuando la Administración de Alimentos y Medicamentos de los Estados Unidos (FDA) aprobó el primer sistema de detección asistida por computadora (CAD) de mamografía [ 9 ]. En la Figura 1 se muestra una representación esquemática de algunos hitos importantes en la evolución de la IA .

Figura 1. La progresión de conceptos en inteligencia artificial e hitos importantes. Hoy en día, como afirma el grupo de expertos en IA dentro de la estrategia digital de la Comisión Europea, los sistemas de IA se refieren a sistemas de software y potencialmente de hardware. Estos sistemas están diseñados para operar en condiciones físicas o digitales, con la capacidad de percibir su entorno mediante la adquisición de datos. En los últimos años, ha habido un progreso significativo en la IA, lo que ha llevado a su adopción generalizada en diversas industrias, como la atención médica, las finanzas, el transporte, el descubrimiento de fármacos y, más recientemente, en la farmacocinética [ 10 , 11 , 12 , 13 , 14 , 15 , 16]. , 17 , 18 , 19 , 20 , 21 , 22 ]. En los últimos años, se han logrado avances notables en el campo de la IA, caracterizado por la aparición de algoritmos y programas informáticos que exhiben capacidades cognitivas similares a las humanas. Un área donde la IA se ha mostrado muy prometedora es en la práctica clínica [ 23 ]. La incorporación de la IA en entornos clínicos introduce una serie de ventajas y desafíos, acompañada de implicaciones notables para consideraciones éticas y legales [ 1 ]. La IA tiene el potencial de mejorar la precisión del diagnóstico, agilizar las tareas administrativas y personalizar los planes de tratamiento. Mediante el análisis de datos médicos extensos, los sistemas de inteligencia artificial pueden discernir patrones y correlaciones que pueden eludir la observación humana, lo que lleva a intervenciones más precisas y oportunas [ 1 , 2 ]. Además, la IA tiene la capacidad de contribuir a soluciones sanitarias rentables y, en última instancia, mejorar los resultados generales de los pacientes. La integración de la tecnología de inteligencia artificial facilita los procesos de toma de decisiones clínicas informadas, lo que promete avances como diagnósticos más rápidos y precisos, planes de tratamiento personalizados y costos de atención médica reducidos. Si bien los beneficios potenciales de la IA en la práctica clínica son sustanciales, surgen complejidades éticas y legales. La utilización de la IA en la toma de decisiones clínicas genera preocupaciones sobre la transparencia, la responsabilidad y el posible sesgo dentro de los algoritmos. Salvaguardar la privacidad del paciente y garantizar la seguridad de los datos se vuelve crucial, lo que requiere directrices éticas y marcos legales sólidos. Lograr un delicado equilibrio entre fomentar la innovación y proteger los derechos de los pacientes requiere una consideración cuidadosa de las implicaciones éticas de la IA en la práctica clínica, junto con el desarrollo de marcos legales adaptables capaces de seguir el ritmo de los avances tecnológicos en el sector de la salud. Abordar los desafíos éticos y legales de la integración de la IA en la práctica clínica exige un enfoque integral que abarque marcos y regulaciones legales, IA transparente y explicable, pautas y estándares éticos, auditorías y evaluaciones periódicas, incentivos para prácticas éticas y colaboración internacional. Esta revisión de la literatura tiene como objetivo proporcionar una sinopsis fundamental de la investigación actual sobre la IA en el ámbito de la práctica clínica. Además del papel generalizado de la IA en los métodos de diagnóstico, también se analizan las aplicaciones de la IA en varias especialidades médicas como cardiología, anestesiología, cirugía, neumología, neurología, urología, ginecología, hematología y pediatría. Cabe destacar que el propósito de esta revisión no es únicamente proporcionar una sinopsis de un campo específico (por ejemplo, especialidad), sino más bien intentar ofrecer una visión general de las aplicaciones actuales de la IA en medicina.

2. Materiales y métodos

El alcance de esta investigación se limitó a artículos escritos en inglés y sujetos a revisión por pares que cumplieran al menos uno de los siguientes requisitos previos: (a) haber sido publicados dentro del plazo de los últimos diez años y (b) ser artículos fundamentales en el campo. de IA que construyó lo que hoy conocemos como inteligencia artificial. Se realizó una búsqueda bibliográfica utilizando las bases de datos PubMed y Scopus desde el 14 de julio de 2023 hasta el 31 de agosto de 2023. Además, se consultaron libros de texto sobre IA. Se utilizaron dos conjuntos de palabras clave para reconocer términos dentro del título, resumen y palabras clave de los artículos.

El conjunto inicial de palabras clave incluía términos asociados con la inteligencia artificial, como «inteligencia artificial», «aprendizaje automático» y «aprendizaje profundo». Sin embargo, es muy probable que las investigaciones que utilizan estas metodologías incorporen términos como “inteligencia artificial” o “aprendizaje automático” en sus resúmenes o palabras clave;
El siguiente conjunto de palabras clave abarcó conceptos asociados con la aplicación en la práctica clínica y el estatus legal. En este caso, se realizaron búsquedas compuestas utilizando los términos “inteligencia artificial” Y la especialidad médica: “cardiología”, “cirugía”, “anestesiología”, “gastroenterología y hepatología”, “neumonología”, “nefrología”, “urología”, “dermatología”, “ortopedia”, “neurología”, “ginecología, “oftalmología”, “pediatría”, “hematología”, “unidad de cuidados intensivos”, “métodos de diagnóstico”, “estatus jurídico”, “responsabilidad”, “marco regulatorio ”.

Tras la eliminación de entradas duplicadas, se realizó una evaluación exhaustiva de los títulos y resúmenes de los artículos identificados para determinar su idoneidad para su inclusión: Se aplicaron sistemáticamente los criterios de selección para la evaluación de los estudios. Luego de eliminar los artículos duplicados, el autor evaluó cada estudio con base en los siguientes criterios: (i) revista, (ii) autoría, (iii) fecha de publicación, (iv) diseño del estudio, (v) métodos de análisis, (vi) resultados, y (vii) conclusiones. Los criterios de elegibilidad abarcaron artículos escritos en inglés pertinentes a los objetivos de la revisión. Se realizó una selección inicial de resúmenes, excluyendo los estudios que no cumplían con los criterios de elegibilidad. Para mejorar la calidad de los datos, todos los estudios que cumplieron con los criterios de inclusión se sometieron a una evaluación integral, centrándose en aspectos como la justificación, el diseño del método, los resultados, la discusión y las conclusiones. Posteriormente se excluyeron los estudios que presentaban cualquier sesgo en la metodología, los resultados o la interpretación de los datos que pudiera afectar el resultado general.Los criterios de exclusión abarcaron lo siguiente: (a) estudios que se centraron exclusivamente en el avance y la verificación de algoritmos clínicos de IA sin ninguna implementación tangible y (b) aplicaciones de IA que proporcionaron predominantemente funcionalidades de automatización, como la administración y el monitoreo automatizados de insulina, como opuesto a ofrecer apoyo para la toma de decisiones.

3. Resultados

3.1. General

La inteligencia artificial ha revolucionado el campo de la medicina y la atención sanitaria al proporcionar soluciones innovadoras a problemas complejos [ 1 , 5 ]. Existen varios tipos de IA, incluido el aprendizaje profundo (DL), el aprendizaje automático (ML) y el lenguaje natural ( Figura 2 ). DL es un subconjunto de inteligencia artificial que se centra en entrenar redes neuronales para aprender y tomar decisiones de manera similar al cerebro humano ( Figura 3 ). Los algoritmos DL están diseñados para aprender y mejorar a partir de la experiencia automáticamente, sin la necesidad de programación explícita [ 24 , 25 , 26 ]. Esta capacidad de analizar grandes cantidades de datos y extraer patrones significativos ha convertido a DL en una herramienta poderosa en campos como el reconocimiento de imágenes y la conducción autónoma.

Figura 2. La interconexión entre inteligencia artificial, aprendizaje automático y aprendizaje profundo.

Figura 3. Representación esquemática de una red neuronal artificial. El aprendizaje automático se centra principalmente en el avance de algoritmos y modelos que permiten a las computadoras adquirir conocimientos y generar predicciones o decisiones de forma autónoma sin la necesidad de programación explícita [ 2 ]. El ML se puede clasificar en términos generales en varias categorías, como aprendizaje supervisado, no supervisado y por refuerzo (consulte la Tabla 1 ). En el aprendizaje supervisado, un algoritmo aprende de datos etiquetados para hacer predicciones o decisiones [ 2 ]. Este enfoque entrena el algoritmo en un conjunto de datos que comprende variables de entrada y sus correspondientes variables de salida. El objetivo es permitir que el algoritmo comprenda la relación entre las variables de entrada y salida, facilitando así predicciones precisas para instancias de datos novedosos y no observados. Se utilizan habitualmente varios algoritmos de aprendizaje supervisado, incluida la regresión lineal, la regresión logística, las máquinas de vectores de soporte y los árboles de decisión.

Tabla 1. Una clasificación común de algoritmos de aprendizaje automático.

El aprendizaje no supervisado representa un subcampo distinto dentro del aprendizaje automático, donde el algoritmo funciona sin la presencia de datos etiquetados [ 2 , 24 , 27 , 28 ]. En cambio, su propósito es identificar de forma autónoma patrones, estructuras o relaciones dentro de los datos. Este tipo de aprendizaje resulta muy ventajoso cuando no existe una variable objetivo definitiva o cuando el objetivo es extraer información valiosa de los datos sin predicciones predeterminadas. Los algoritmos de aprendizaje no supervisados incluyen varios métodos, como algoritmos de agrupamiento como k-means y agrupamiento jerárquico, así como técnicas de reducción de dimensionalidad como PCA y análisis factorial.

El objetivo principal del aprendizaje por refuerzo es capacitar a agentes autónomos para tomar efectivamente una serie de decisiones dentro de un entorno determinado, con el objetivo de optimizar la recompensa acumulada total obtenida [ 29 ].

A diferencia del aprendizaje supervisado, donde el agente recibe datos etiquetados, o del aprendizaje no supervisado, donde el agente aprende patrones y estructuras a partir de datos no etiquetados, el aprendizaje por refuerzo opera según el principio de prueba y error. Ejemplos de enfoques de aprendizaje por refuerzo incluyen los métodos basados en valores (p. ej., Q-learning y SARSA), los métodos basados en políticas (p. ej., gradiente de políticas y refuerzo) y métodos basados en modelos (p. ej., búsqueda de árbol de Monte Carlo).El procesamiento del lenguaje natural (PNL) es un campo de estudio que se centra en examinar y comprender la interacción entre los sistemas informáticos y el lenguaje humano [ 2 ].

El campo de estudio pertenece al avance de algoritmos y metodologías que facilitan que las máquinas comprendan, interpreten y produzcan el lenguaje humano de una manera que posea significado y utilidad. La PNL se ha vuelto cada vez más importante en nuestra era digital, ya que permite a las computadoras procesar y analizar grandes cantidades de datos de texto, como correos electrónicos, publicaciones en redes sociales y artículos de noticias, para extraer conocimientos e información valiosos.

Una de las principales ventajas de la IA en la práctica clínica es su capacidad para analizar de forma rápida y precisa grandes volúmenes de datos. Esta capacidad ha dado lugar a una variedad de aplicaciones que no sólo han mejorado los resultados de los pacientes sino que también han reducido la carga de trabajo de los profesionales de la salud [ 30 ]. En esta sección, exploraremos algunas de las aplicaciones más prometedoras de la IA en la práctica clínica. La evolución de la IA ha experimentado cambios significativos en las últimas décadas.

La llegada del aprendizaje automático (ML) y el aprendizaje profundo (DL) ha ampliado las aplicaciones en el campo de la inteligencia artificial en la medicina, allanando el camino para la medicina personalizada en lugar de depender únicamente de enfoques algorítmicos.

El uso de modelos predictivos es prometedor para aplicaciones en el diagnóstico de enfermedades, la predicción de la respuesta terapéutica y, potencialmente, el avance del campo de la medicina preventiva en los próximos años. La IA tiene el potencial de mejorar la precisión del diagnóstico, optimizar el flujo de trabajo de los proveedores de atención médica y las operaciones clínicas, facilitar un seguimiento más eficaz de las enfermedades y terapias, mejorar la precisión de los procedimientos médicos y, en última instancia, mejorar los resultados de los pacientes.

3.2. Cardiología

La aplicación de sofisticados algoritmos computacionales y técnicas de aprendizaje automático en el campo de la cardiología se denomina comúnmente IA. Este enfoque tiene como objetivo analizar e interpretar datos cardíacos de una manera más avanzada y eficiente. Implica el desarrollo de sistemas inteligentes que puedan aprender de los datos, hacer predicciones y ofrecer información valiosa para ayudar en el diagnóstico, tratamiento y manejo de enfermedades cardiovasculares. En la actualidad, existen dos posiciones distintas para la IA en el ámbito de las imágenes cardiovasculares [31 ]. La automatización se refiere al proceso de reemplazar la participación humana en diversas tareas, incluidas, entre otras, la segmentación de imágenes y la evaluación de parámetros estructurales y funcionales. Otro aspecto importante es la identificación de conocimientos que tengan importancia clínica. La mayoría de las aplicaciones documentadas se centraron principalmente en la implementación de la automatización de tareas. Además, ha habido informes sobre el desarrollo de algoritmos capaces de adquirir mediciones cardíacas. La IA ha tenido un impacto significativo en varias facetas de las imágenes cardiovasculares, cubriendo todo el espectro desde la adquisición de datos iniciales hasta la fase de informe final [ 32 , 33 ]. Ejemplos de este impacto incluyen el uso de la IA en el avance de las técnicas de tomografía computarizada y resonancia magnética para medir el diámetro de la luz, reconocer la puntuación de calcio coronario e identificar la enfermedad coronaria obstructiva. Además, la IA ha sido fundamental para automatizar procesos como la adquisición, la segmentación y la generación de informes [ 34 ,35 ]. A diferencia de las metodologías mencionadas anteriormente, surge una preocupación notable con respecto a la sustancial variabilidad del observador observada en la interpretación de los ecocardiogramas. La IA tiene el potencial de abordar este problema mitigando la variabilidad entre observadores y mejorando la precisión diagnóstica dentro del campo de la ecocardiografía. En los últimos años, se han realizado numerosos estudios para investigar la detección de miocardiopatía, con especial atención a la utilización de la IA junto con la electrocardiografía (ECG) para mejorar las capacidades de diagnóstico [ 36 , 37 ]. La viabilidad del uso conjunto de IA/ECG para la detección de amiloidosis, miocardiopatía y miocardiopatía dilatada permanece intacta, incluso en casos de disfunción ventricular izquierda leve [ 38 , 39 ]. La aplicación de IA/ECG en la práctica clínica habitual ha aumentado la identificación de disfunción sistólica del ventrículo izquierdo. En imágenes, la IA se utiliza para evaluar automáticamente el grosor y las propiedades del miocardio para distinguir entre diferentes tipos de miocardiopatías [ 39 , 40 ]. Sin embargo, actualmente faltan investigaciones que investiguen el potencial de pronóstico de esta tecnología de IA. La IA también se está utilizando en la genómica de la miocardiopatía, particularmente para predecir la patogenicidad de variantes genéticas y determinar su relevancia clínica [ 41 , 42 , 43 ].

3.3. Cirugía

La aplicación de modelos de IA y ML tiene un potencial significativo en el campo de la cirugía. Estos modelos demuestran aplicaciones prometedoras tanto en la fase preoperatoria, diagnosticando con precisión las afecciones pancreáticas, como en la fase posoperatoria, evaluando el pronóstico y prediciendo complicaciones [ 44 , 45 , 46 ].

La IA también ha demostrado ser beneficiosa para ayudar en las cirugías bariátricas. La creciente integración de las tecnologías de IA en diversas subespecialidades de la atención sanitaria ha dado lugar a avances prometedores en su aplicación en la cirugía bariátrica [ 47 , 48 ]. El manejo de pacientes candidatos a cirugía bariátrica es un tema complejo. El proceso de evaluación requiere la participación de un equipo multidisciplinario compuesto por profesionales de diversos campos, incluidos internistas, psiquiatras, cirujanos generales y anestesiólogos. Los médicos de diversas especialidades médicas participan en la evaluación integral de los pacientes antes, durante y después de los procedimientos quirúrgicos, una tarea que presenta dificultades considerables debido a la naturaleza compleja de las personas que padecen obesidad [ 49 ].

Existen numerosas aplicaciones potenciales de la IA durante el período intraoperatorio. Tiene el potencial de utilizarse en el manejo de la farmacoterapia, la optimización hemodinámica, la monitorización del bloqueo neuromuscular y la evaluación de la profundidad de la anestesia [ 50 ]. Uno de los informes más notables se refiere a la predicción de la cinética de distribución temprana del propofol. De hecho, el volumen de distribución de fármacos en personas con obesidad está sujeto a modificaciones. En concreto, se produce un aumento del volumen sanguíneo y del gasto cardíaco, junto con alteraciones en las proteínas de transporte plasmáticas. Un estudio utilizó IA para manejar la cinética de la fase de inducción de manera efectiva [ 51 ]. Esto se logró mediante la utilización de un conjunto de datos farmacocinéticos completos con alta resolución. Se realizó un análisis comparativo para evaluar el rendimiento de un modelo tradicional de cuatro compartimentos, un modelo recirculatorio y una red neuronal unitaria recurrente cerrada. El estudio concluyó que tanto un modelo recirculatorio como una unidad recurrente cerrada de ANN demostraron un rendimiento similar, superando a un modelo compartimental en la representación precisa de datos farmacocinéticos de alta resolución del propofol [ 51 ].En el mismo contexto, los cirujanos plásticos se encuentran frecuentemente con escenarios clínicos que carecen de soluciones definitivas. Para lograr un enfoque de tratamiento ideal es necesario utilizar un modelo de decisión integral que incorpore de manera efectiva varios factores influyentes, incluidos datos clínicos y demográficos.

Antes de la llegada de la IA, la técnica de análisis del árbol de decisión se utilizaba habitualmente para construir dichos modelos. La localización de puntos de referencia anatómicos importantes en imágenes médicas juega un papel crucial en la planificación preoperatoria y la evaluación de los resultados posoperatorios [ 52 ]. Sin embargo, el proceso de identificación actual se lleva a cabo manualmente o ejecutando los auxiliares insertados, lo que resulta en un procedimiento lento e impreciso. Para mejorar la precisión de la localización de puntos de referencia en la superficie distal del fémur, los científicos idearon un algoritmo que inicialmente transformaba imágenes tridimensionales en tres conjuntos distintos de imágenes bidimensionales [ 52 ]. Posteriormente, el algoritmo adquirió la capacidad de reconocer puntos de referencia dentro de estas imágenes y posteriormente integró estos resultados para determinar con precisión las coordenadas espaciales de los puntos de referencia identificados en tres dimensiones.

3.4. Anestesiología

La aplicación de la IA ha producido resultados notables en la anestesia y el manejo de quirófanos [ 53 , 54 ]. A lo largo de cada fase del proceso perioperatorio, específicamente las fases preoperatoria [ 55 , 56 , 57 ], intraoperatoria [ 16 , 17 , 18 , 19 , 20 ] y postoperatoria [ 42 , 44 ], se pueden ejecutar distintas tareas utilizando diversas técnicas. La eficacia de una red neuronal diseñada para identificar la intubación esofágica se vuelve innecesaria en presencia de capnografía continua [ 58 , 59 ]. En este caso, un examen clínico fiable ha revelado una complicación previamente oculta y muy perjudicial. El uso de video laringoscopia requiere el ajuste de un modelo ML diseñado para predecir una intubación difícil según la apariencia del paciente. La expansión de la tecnología de gestión de las vías respiratorias ha dado lugar a un mayor espectro de resultados aceptables en términos de visualización laríngea. Desde la década de 1950, el concepto de un algoritmo que regule de forma autónoma la profundidad de la anestesia mediante registros EEG ha sido objeto de investigación continua. Los anestesiólogos han explorado esta posibilidad durante un período considerable, pero continúa siendo un área de investigación activa.

3.5. Gastroenterología y Hepatología

El campo de la gastroenterología y la hepatología está experimentando un crecimiento significativo en la implementación potencial de técnicas de IA y ML. En los últimos años, ha habido un creciente conjunto de investigaciones centradas en examinar las aplicaciones de la IA en diversos contextos médicos, en particular la utilización del diagnóstico asistido por computadora (CAD). Estas aplicaciones abarcan el uso de CAD en el diagnóstico de lesiones gastrointestinales premalignas y malignas, la predicción de la respuesta al tratamiento en pacientes con enfermedad inflamatoria intestinal, la realización de análisis histopatológicos de muestras de biopsia, la evaluación de la gravedad de la fibrosis hepática en personas con enfermedad hepática crónica y el desarrollo de modelos para trasplante de hígado. asignación y exploración de otras áreas relacionadas [ 60 ].El ámbito de la prevención y detección temprana del cáncer de esófago muestra un potencial significativo de avances mediante la utilización de la IA. Se han logrado avances sustanciales en la investigación en este campo, con una parte notable de la investigación sobre el cáncer de esófago en los Estados Unidos dedicada a la investigación de tecnologías, incluidas aquellas que involucran IA, destinadas a mejorar la detección temprana y el tratamiento del esófago de Barrett y el adenocarcinoma de esófago [ 61 , 62] . ]. La IA posee la capacidad de asumir un papel importante en el proceso de toma de decisiones para el tratamiento de la enfermedad inflamatoria intestinal al predecir con precisión la respuesta al tratamiento en una etapa anterior y brindar orientación para la selección de terapia personalizada. Dentro del campo de la enfermedad inflamatoria intestinal, los investigadores han logrado avances en el desarrollo de herramientas de visión por computadora AI/ML. Estas herramientas han sido diseñadas específicamente para evaluar la gravedad de las enfermedades mediante examen endoscópico. Los principales objetivos de su estudio implican la diferenciación de colitis de neoplasia y la distinción entre adenomas esporádicos y lesiones no neoplásicas. Se han entrenado algoritmos de IA para pronosticar la respuesta al tratamiento y evaluar la probabilidad de recurrencia de la enfermedad [ 63 , 64 ]. Existen numerosas aplicaciones potenciales para la IA y el ML en el ámbito de la hepatología. Los objetivos anteriores abarcan la evaluación de la progresión de la fibrosis hepática, la identificación de la enfermedad del hígado graso no alcohólico, el reconocimiento de personas en riesgo de desarrollo de carcinoma hepatocelular y la mejora de los protocolos para el trasplante de órganos [ 65 , 66 ].La prevención y el control del cáncer colorrectal representan importantes esfuerzos de salud pública realizados por los gastroenterólogos. Los avances realizados en el campo del ML han dado como resultado la utilización de técnicas de visión por computadora para ayudar en la detección de pólipos durante los procedimientos de colonoscopia. La evidencia empírica ha demostrado la eficacia de los sistemas CAD para mejorar la tasa de detección de adenomas [ 67 , 68 , 69 , 70 ].

3.6. Neumonología

La IA, específicamente la utilización de algoritmos DL y ML para el reconocimiento de patrones, es muy prometedora para diversas aplicaciones dentro del campo de la medicina pulmonar. Estas aplicaciones abarcan análisis de imágenes, procesos de toma de decisiones y predicción de pronósticos [ 5 , 6 , 7 ]. El cáncer de pulmón es una neoplasia maligna prevalente caracterizada por importantes tasas de morbilidad y mortalidad clínica [ 71 ]. Los nódulos pulmonares son las manifestaciones imagenológicas predominantes observadas durante la fase inicial del cáncer de pulmón, lo que plantea desafíos para la interpretación manual de las películas. La tecnología de reconocimiento de IA puede realizar análisis de grupos multiparamétricos y agilizar el procesamiento de imágenes, ayudando así a los profesionales médicos en la detección temprana del cáncer de pulmón [ 72 ]. En los últimos años, los informes han indicado que los sistemas de IA han demostrado la capacidad de identificar nódulos pulmonares malignos mediante el análisis de imágenes de tomografía computarizada (TC) de tórax [ 73 ].

El modelo se desarrolló utilizando tecnología DL y la IA se utiliza para el análisis de películas de TC con el fin de ayudar a los profesionales médicos a mejorar la precisión de la detección del cáncer de pulmón. Otro estudio construyó un modelo predictivo aplicando análisis de regresión logística, integrando marcadores tumorales específicos en el modelo [ 74 ]. Los resultados del estudio demostraron que el modelo predictivo desarrollado mostró un rendimiento significativamente mejor en comparación con la estrategia básica de detección combinada que involucra marcadores tumorales.

Las investigaciones han demostrado que la IA puede mejorar potencialmente la predicción del riesgo quirúrgico, facilitando así la selección del abordaje quirúrgico más óptimo [ 75 , 76 ]. Un ejemplo de sistema de computación cognitiva, IBM Watson for Oncology, utiliza técnicas de inteligencia artificial para el análisis de datos y la conversión de imágenes. Su objetivo principal es ayudar a los profesionales médicos a identificar de manera eficiente información crucial en los registros médicos de los pacientes, presentar evidencia pertinente y facilitar la exploración de posibles opciones de tratamiento [ 77 ]. La aplicación de redes neuronales profundas en la identificación de enfermedades respiratorias, específicamente en radiografías de tórax y tomografías computarizadas, ha dado como resultado una mejora notable en la precisión diagnóstica en comparación con características subjetivas como la especulación tumoral, así como características objetivas como la forma y textura adquiridas a través de software de análisis de imágenes [ 78 ].

3.7. Nefrología

El concepto de inmunoglobulina progresiva se refiere al desarrollo y maduración gradual de las inmunoglobulinas y la nefropatía por IgA (NIgA) es una etiología reconocida de insuficiencia renal. Sin embargo, la capacidad del nefrólogo para anticipar la aparición de insuficiencia renal entre los pacientes en el momento del diagnóstico es un desafío. Sin embargo, la capacidad de discernir a estos individuos resultaría ventajosa desde el punto de vista del pronóstico y del tratamiento. Se ha postulado la existencia de una función que establece una relación entre parámetros clínicos y biológicos, como edad, sexo, presión arterial, proteinuria, nivel de creatinina sérica y tratamientos antihipertensivos, en el momento del diagnóstico de NIgA y la probabilidad de desarrollando NIgA progresiva [ 79 ]. Los investigadores idearon y ejecutaron el desarrollo de una RNA con el propósito de aproximar la función antes mencionada. Los hallazgos indicaron que la ANN demostró una precisión superior en la predicción de la aparición de NIgA progresiva en comparación con nefrólogos experimentados [ 79 ]. En concreto, la RNA logró predicciones correctas en el 87% de los casos, mientras que los nefrólogos lograron una tasa de precisión inferior, del 69,4%. Además, la ANN mostró una sensibilidad mayor del 86,4% en comparación con la sensibilidad de los nefrólogos del 72%, lo que indica su capacidad para identificar correctamente los casos verdaderos positivos. De manera similar, la ANN mostró una especificidad mayor del 87,5% en comparación con la especificidad de los nefrólogos del 66%, lo que indica su capacidad para identificar con precisión casos verdaderos negativos. Estos enfoques pueden utilizarse potencialmente en una amplia gama de enfermedades progresivas, ayudando así a los médicos en el proceso de estadificación y tratamiento del paciente. Los modelos de IA se han aplicado para diversos fines, incluida la predicción de la tasa de disminución de la tasa de filtración glomerular en personas con poliquistosis renal autosómica dominante, la mejora del tratamiento de la anemia en pacientes en hemodiálisis, la estimación de una duración adecuada de la diálisis para lograr el nivel deseado de eliminación de urea, determinar el peso seco óptimo en pacientes sometidos a hemodiálisis e identificar patógenos específicos responsables de infecciones bacterianas en pacientes con enfermedad de Parkinson [ 80 , 81 , 82 , 83 ].

3.8. Urología

La IA se utiliza predominantemente en el campo de la urología, particularmente en el ámbito de las neoplasias malignas genitourinarias. En un estudio, se utilizó IA para predecir los resultados de las biopsias de próstata, con un enfoque específico en el cáncer de próstata. Se aplicaron algoritmos de ML para analizar la probabilidad libre de recurrencia y la evaluación diagnóstica del cáncer de vejiga. Ha habido informes anecdóticos sobre la estadificación y predicción de la recurrencia de la enfermedad en casos de cáncer de riñón y testículo. Recientemente, la IA ha encontrado aplicación en enfermedades no oncológicas, específicamente en áreas como los cálculos y la urología funcional.En las últimas décadas, numerosas investigaciones académicas han examinado la utilización de la IA en el tratamiento del cáncer de próstata. Estos estudios se alinean con el paradigma contemporáneo de la medicina y la cirugía de precisión [ 84 ]. El diagnóstico del cáncer de próstata abarca una amplia gama de aplicaciones, que han experimentado numerosos avances en los últimos años [ 85 ]. En 1994 se realizó un estudio fundamental para determinar la utilidad potencial de las RNA en la predicción de los resultados de la biopsia en hombres que presentaban niveles anormales del antígeno prostático específico. Además, el estudio tuvo como objetivo evaluar la eficacia de la ANN para predecir los resultados del tratamiento después de una prostatectomía radical [ 85 , 86 ]. Un estudio demostró la precisión predictiva de dos sistemas de IA distintos [ 87 ]. Estos sistemas se diseñaron específicamente utilizando datos de bases de datos de referencias europeas multicéntricas con sede en Viena. Estos sistemas de IA tienen como objetivo facilitar la detección temprana del cáncer de próstata en hombres. Otro estudio encontró que un modelo de supervivencia DL exhibía la capacidad de predecir el período de recuperación de la continencia urinaria después de la prostatectomía radical asistida por robot [ 88 ]. Esta predicción se logró incorporando marcadores de patología anatómica (MAP) y factores relacionados con el paciente. Además, este modelo en particular ha identificado con éxito las APM de los mejores cirujanos que pueden clasificarlos de manera efectiva, superando la capacidad predictiva de la experiencia del cirujano por sí sola. Los APM pudieron diferenciar a los cirujanos según la calidad de la recuperación de la continencia urinaria observada en sus pacientes, distinguiendo entre aquellos con resultados superiores e inferiores. En un estudio fundamental hace veinte años, los autores realizaron un análisis comparativo de los modelos de regresión de Cox e IA para predecir la recurrencia de la enfermedad después de la cirugía [ 89 ]. Los resultados del estudio demostraron que los modelos de regresión de Cox mostraron un rendimiento superior en este sentido. Junto con la creciente variedad de indicaciones quirúrgicas para el cáncer de riñón metastásico, se realizó un estudio para evaluar la capacidad predictiva de la IA para determinar el pronóstico de pacientes con carcinoma de células renales metastásico que inician una terapia sistémica [ 90 ]. Los investigadores proporcionaron a su sistema de inteligencia artificial un conjunto de datos que constaba de información de 175 pacientes que se habían sometido a una nefrectomía del tumor primario antes de recibir terapia sistémica. El objetivo de este estudio fue pronosticar la tasa de supervivencia global tres años después de iniciar el tratamiento inicial, utilizando parámetros accesibles al comienzo del tratamiento de primera línea. La IA ha demostrado el potencial de lograr una precisión de predicción del 95 % en la predicción de las tasas de supervivencia general. Este desempeño supera los modelos de regresión, lo que indica la posible aplicación futura de la IA como herramienta de estratificación de riesgos. Una infección del tracto urinario es una infección bacteriana común que afecta el sistema urinario, incluidas la vejiga y la uretra. Un estudio notable se centró en las infecciones del tracto urinario donde se desarrolló un sistema de inteligencia artificial para ayudar en el diagnóstico de dichas infecciones [ 91 ]. En el estudio participaron personas diagnosticadas con cistitis o uretritis inespecífica. Los sujetos se sometieron a varios procedimientos, incluida una evaluación de la historia clínica, un examen físico, análisis de muestras de orina y el uso de ecografía. Los hallazgos demostraron la eficacia de la IA en el diagnóstico de infecciones del tracto urinario basándose únicamente en los valores de eritrocitos junto con síntomas como dolor suprapúbico, polaquiuria y resultados de análisis de orina. El modelo de IA mostró una tasa de precisión notablemente alta del 98,3%, lo que sugiere que podría servir como una alternativa rentable a las costosas pruebas de laboratorio y de ultrasonido. La urología funcional se refiere a la rama de la urología que se centra en el estudio y manejo del tracto urinario. La exploración de posibles aplicaciones de la IA también se ha extendido al ámbito de la urología funcional. Un estudio comparó un modelo de IA y una regresión lineal múltiple en términos de su eficacia para reemplazar la evaluación urodinámica preoperatoria en mujeres diagnosticadas con prolapso de órganos pélvicos [ 92 ]. Un total de 804 mujeres diagnosticadas con prolapso de órganos pélvicos fueron sometidas a un examen, lo que reveló que se determinó que tanto la regresión logística multivariada como la IA eran menos efectivas que los estudios urodinámicos para evaluar la disfunción urinaria. Un trasplante de riñón es un procedimiento quirúrgico en el que se trasplanta un riñón sano de un donante a un receptor. En los últimos años, ha habido un interés creciente en la utilización de herramientas predictivas de IA en el trasplante de riñón. De manera similar, se ha explorado la posible aplicación de la IA para identificar factores de riesgo y covariables que contribuyen al fracaso del trasplante renal [ 93 ]. El enfoque de IA se comparó con el modelo de regresión logística tradicional. El método de IA demostró una precisión superior en comparación con la regresión logística, como lo demuestra el análisis de datos de 378 pacientes.

3.9. Dermatología

La identificación de enfermedades de la piel se basa principalmente en los atributos aparentes que exhiben las lesiones. Sin embargo, la dermatología abarca una amplia colección de más de 2000 tipos distintos de enfermedades dermatológicas. Ciertas lesiones cutáneas asociadas con diversas enfermedades pueden presentar similitudes, lo que plantea desafíos para un diagnóstico y tratamiento precisos [ 94 , 95 ]. En particular, existe una escasez significativa de dermatólogos, particularmente en los países en desarrollo y regiones remotas, donde se necesitan con urgencia mayores recursos médicos, consultas profesionales y apoyo clínico [ 96 , 97 ].La convergencia de la rápida iteración de big data, los avances en la tecnología de reconocimiento de imágenes y la proliferación global de teléfonos inteligentes presentan un potencial transformador para el diagnóstico y tratamiento de enfermedades de la piel [ 98 , 99 ]. La IA, en particular, tiene la capacidad de ofrecer diagnósticos rápidos, facilitando una gama más amplia de opciones de tratamiento y mejorando la accesibilidad, especialmente para regiones marginadas e individuos con recursos limitados [ 100 ]. La integración de la tecnología y los algoritmos de IA tiene el potencial de establecerse rápidamente como un enfoque estándar en el campo del diagnóstico y la evaluación. El examen de la estructura y forma de una anomalía cutánea es un aspecto fundamental del diagnóstico dermatológico. Los avances en IA han llevado a mejoras significativas en el reconocimiento facial y el análisis estético, haciéndolos más confiables [ 101 ].Los inicios de la IA en el campo de la dermatopatología se remontan a 1987, cuando se utilizó en una computadora personal un sistema basado en texto conocido como TEGUMENT. El sistema fue desarrollado específicamente con el propósito de clasificar 986 diagnósticos histopatológicos basados en imágenes de microscopio óptico. Demostró una precisión diagnóstica del 91,8% en comparación con las evaluaciones realizadas por un dermatopatólogo calificado [ 102 ]. Durante ese período de tiempo particular, la ausencia de equipos y tecnologías necesarios para obtener imágenes de diapositivas completas llevó a la creencia de que la noción de análisis de imágenes independiente del ser humano no era viable. En los últimos años, la clasificación precisa de los diagnósticos de rutina mediante sistemas basados en máquinas se ha convertido en una realidad tangible [ 103 ].En un estudio de investigación, se desarrollaron 11 algoritmos DL para identificar y clasificar imágenes en portaobjetos completos de nevo dérmico, queratosis seborreica y carcinoma nodular de células basales [ 104 ]. Las representaciones visuales sufrieron un proceso de pixelación, dando como resultado la desintegración de las imágenes, que posteriormente fueron sometidas a análisis de datos. Se desarrolló un algoritmo DL para patología que incorpora imágenes de portaobjetos completos. El algoritmo clasifica eficazmente estas imágenes en cuatro grupos de diagnóstico distintos: basaloide, escamoso, melanocítico y otros. El sistema implementado utiliza una serie de tres redes neuronales convolucionales consecutivas para determinar el diagnóstico con la mayor probabilidad.La distinción entre lesiones malignas y benignas tiene la mayor importancia para los dermatopatólogos debido a la consiguiente divergencia en las decisiones terapéuticas. En este contexto, un estudio utilizó una muestra de 695 neoplasias melanocíticas para distinguir entre melanoma y nevo mediante clasificación [ 105 ]. El estudio incluyó una representación completa de todas las etapas del melanoma, así como de varios tipos de nevos. En la presente investigación, se observó que la red neuronal convolucional exhibió una superioridad estadísticamente significativa sobre los patólogos en términos de diagnosticar con precisión nevos y melanoma mediante análisis histopatológico. Se encontró que la tasa de discordancia observada del 25 al 26% entre los dermatopatólogos era comparable a la similitud antes mencionada.En otro estudio de investigación, el objetivo fue evaluar la precisión de un algoritmo DL en el diagnóstico de tres afecciones dermatopatológicas mediante la utilización de imágenes de portaobjetos completos [ 106 ]. Los hallazgos del estudio indicaron que el sistema de IA demostró una alta precisión al clasificar correctamente varios tipos de carcinomas. En contraste con la sencilla clasificación binaria involucrada en el diagnóstico del melanoma y su distinción de los nevos pigmentados, el diagnóstico de los cánceres de piel no melanoma presenta una tarea más desafiante. Este desafío surge de la intrincada categorización de estas condiciones y la inclusión de diversas enfermedades benignas y malignas, junto con dermatosis inflamatorias, dentro de los diagnósticos diferenciales. Se realizó un estudio para evaluar la eficacia de las redes neuronales convolucionales para detectar y diagnosticar con precisión lesiones no pigmentadas [ 107 ].

Los hallazgos se compararon con los diagnósticos realizados por una cohorte de 95 médicos, que incluían a 62 dermatólogos con las calificaciones adecuadas. Las redes neuronales convolucionales no mostraron una precisión superior en el diagnóstico de afecciones médicas en comparación con los expertos humanos. Sin embargo, demostraron una mayor precisión en el diagnóstico de cánceres de piel prevalentes. Por el contrario, las redes neuronales convolucionales mostraron una precisión menor que los médicos en el diagnóstico de neoplasias malignas no pigmentadas poco comunes, específicamente el melanoma amelanótico.

3.10. Ortopedía

El ML supervisado se puede aplicar para clasificar a los individuos en fenotipos de dolor según la resonancia magnética cerebral, considerando la alta prevalencia de dolor prolongado en el Reino Unido, estimada entre el 30% y el 50% [ 108 ]. La ausencia de una patología tisular que corresponda al dolor, así como la dependencia de medidas autoinformadas para la clasificación de subgrupos, plantean un desafío importante a la hora de identificar los correlatos neuronales del dolor y proporcionan una descripción general completa de las aplicaciones de aprendizaje automático utilizadas en el contexto del dolor crónico. , que abarca condiciones de dolor más allá de los trastornos musculoesqueléticos [ 109 ]. Los autores destacan específicamente el uso de técnicas de aprendizaje automático para clasificar a los individuos en distintos fenotipos de dolor basándose en modelos predictivos.

Otro estudio estableció una correlación entre la biomecánica de la rodilla en el plano frontal y la capacidad de predecir el riesgo de lesiones de rodilla [ 110 ]. En este estudio, se utilizaron datos de sensores inerciales para categorizar el rendimiento de sentadillas con una sola pierna según la extensión del valgo de la rodilla [ 111 ]. La muestra del estudio estuvo compuesta por 14 participantes y se analizaron un total de 140 imágenes. Además, los investigadores buscaron las opiniones de tres evaluadores expertos sobre el riesgo potencial asociado con los desempeños observados. Se aplicó el aprendizaje supervisado para realizar la clasificación entre tres clases distintas, a saber, «pobre», «moderado» y «bueno». Los hallazgos del estudio indican que se observó que los niveles de precisión eran significativamente altos al realizar una tarea de clasificación de 2 clases. Sin embargo, cuando la complejidad de la tarea de clasificación se incrementó a una clasificación de 3 clases, los niveles de precisión experimentaron una reducción notable de aproximadamente el 30%. Hay pocos casos en los que se hayan utilizado técnicas de aprendizaje no supervisadas en el ámbito de la investigación musculoesquelética. Según un estudio, el desafío del dolor crónico evalúa la probabilidad de dolor crónico en función de los pesos asignados para diversos comportamientos de salud [ 112 ]. El estudio incluyó métodos supervisados y no supervisados para demostrar la predicción precisa de los niveles de dolor, medidos por la escala analógica visual y el índice de discapacidad de Oswestry. Estas predicciones se realizan en base a las puntuaciones correspondientes a depresión, nutrición y actividad física. Sin embargo, aunque esto enfatiza el potencial del ML para categorizar el riesgo de cronicidad utilizando datos informados por los pacientes, no se ha confirmado la efectividad del aprendizaje no supervisado por sí solo.

3.11. Neurología

La neuroimagen desempeña un papel fundamental en la práctica clínica y la investigación científica, facilitando el examen del cerebro en diversos estados de bienestar y patología. Al igual que en muchos otros dominios, la neuroimagen se mejora mediante la utilización de metodologías de análisis sofisticadas para aprovechar los datos de las imágenes de manera efectiva para investigar el cerebro y su funcionalidad. En los últimos tiempos, ML ha hecho contribuciones significativas. Además, ha desempeñado un papel crucial en la pronta identificación de afecciones agudas como el accidente cerebrovascular y en el seguimiento de los cambios en las imágenes a lo largo del tiempo. A medida que nuestra capacidad para visualizar y examinar el cerebro progresa, también lo hace nuestra comprensión de sus complejas interconexiones y su importancia a la hora de tomar decisiones terapéuticas.A pesar de encontrarse en las primeras etapas de desarrollo, la utilización de la IA en neurooncología presenta un potencial considerable. Es muy probable que los algoritmos de IA mejoren nuestra comprensión de los tumores cerebrales y desempeñen un papel fundamental en el fomento de avances en el campo de la neurooncología. El campo de la neurooncología ha experimentado un énfasis creciente en la integración de marcadores moleculares con el fin de guiar las intervenciones terapéuticas [ 113 ]. Los algoritmos de IA han demostrado una eficacia notable en la identificación no invasiva de marcadores moleculares importantes a partir de imágenes de diagnóstico, mostrando una precisión notable. En varios conjuntos de datos institucionales, los algoritmos de IA han determinado con éxito el estado mutacional de varios marcadores [ 114 , 115 ]. Además, se ha demostrado que los algoritmos basados en IA pueden identificar eficazmente marcadores moleculares en investigación, incluso en cohortes más pequeñas de pacientes [ 116 ].La utilización de IA para el análisis de diagnóstico por imágenes ha demostrado ser beneficiosa en el tratamiento clínico de los tumores cerebrales. La utilización de la IA para automatizar tareas que requieren mucha mano de obra tiene un gran potencial en el campo de la neurooncología. Múltiples estudios han demostrado la eficacia de las técnicas de DL para identificar metástasis cerebrales que miden en el rango milimétrico mediante imágenes de resonancia magnética. Además, se ha observado que modelos DL comparables han demostrado una eficacia significativa en la segmentación automatizada de tumores, mejorando así la eficiencia de la planificación del tratamiento con radioterapia [ 117 , 118 , 119 ]. La IA ha demostrado potencial para diferenciar con precisión varias neoplasias malignas del sistema nervioso central sin la necesidad de procedimientos invasivos, logrando resultados comparables a los de neurorradiólogos expertos [ 120 , 121 ]. La aplicación extensiva de estos algoritmos de IA podría resultar muy beneficiosa en entornos con recursos limitados y sin acceso a neurorradiólogos especializados.

3.12. Ginecología

A pesar de encontrar varios obstáculos, la integración de la IA en obstetricia y ginecología ha mostrado avances notables. La utilización de la IA en diversos ámbitos ha demostrado ser muy eficaz para abordar problemas persistentes relacionados con el diagnóstico y el tratamiento. Según un estudio, la IA tiene el potencial de mejorar el conocimiento y brindar asistencia a los profesionales médicos en los campos de ginecología y obstetricia [ 122 ].

Las últimas aplicaciones de los modelos de IA en ginecología implican la identificación del carcinoma de endometrio, la fertilización in vitro, el sarcoma uterino, la neoplasia intraepitelial cervical y el avance de la medicación contra el cáncer [ 123 , 124 ].

La integración de la tecnología de IA en la ultrasonografía tiene la capacidad de mejorar la adopción de la ecografía médica en diversos entornos clínicos, facilitando su aplicación más amplia por parte de los profesionales de la salud. Por lo tanto, la utilización de la IA en el campo de la ecografía para la atención prenatal tiene el potencial de ayudar a los profesionales médicos a priorizar de manera eficiente y diagnosticar con precisión las estructuras anatómicas de las personas embarazadas. En determinadas aplicaciones médicas, como la ecografía pélvica obstétrica y la ecocardiografía, donde el análisis y la medición visuales desempeñan un papel crucial, la utilización de videoclips puede proporcionar un conjunto completo de datos estructurados. Esto permite el análisis espaciotemporal y mejora las ventajas de las RNA [ 125 ]. Un estudio investigó la eficacia de los algoritmos de IA en el diagnóstico ultrasónico de pacientes embarazadas con tumores cerebrales. Se centraron específicamente en evaluar la tasa de precisión de este enfoque de diagnóstico [ 126 ]. La precisión diagnóstica lograda mediante la utilización de IA se registró en un 94,50%. Se realizó otra investigación, que tuvo un enfoque prospectivo y descriptivo. El estudio se centró en una muestra de aproximadamente 244 mujeres embarazadas en su primer trimestre de embarazo. A las participantes femeninas registradas se les preguntó específicamente sobre su utilización de hierro, ácido fólico, yoduro de potasio y suplementos multivitamínicos durante el embarazo. La utilización de un modelo ANN que incorpora variables relacionadas con controles de embarazo, ingesta de sal yodada, suplementos yodados y alimentos ricos en yodo puede usarse para predecir la deficiencia de yodo durante las primeras etapas del embarazo. Este modelo predictivo puede ayudar a los expertos a realizar un diagnóstico más factible [ 127 ]. En su estudio, Sakai et al. utilizó una representación de diagrama gráfico explicable basada en DL recientemente desarrollada para ayudar en la detección de ultrasonido cardíaco fetal. Se sabe que este proceso de detección tiene una tasa relativamente baja de detección de cardiopatías congénitas durante las etapas del segundo trimestre, principalmente debido a los desafíos asociados con el dominio de la técnica [ 128 ]. En consecuencia, la utilización de la IA en el segundo y tercer trimestre del embarazo con fines de diagnóstico, específicamente mediante la representación de diagramas, mejora el rendimiento de la detección. La tasa de precisión para los expertos aumenta del 96% al 97,50%, mientras que los no expertos mejoran del 82% al 89% [ 129 ].

3.13. Oftalmología

La utilización de la IA en el diagnóstico y tratamiento de enfermedades oculares se ha vuelto cada vez más popular debido a los hallazgos de la investigación que enfatizan su potencial para mejorar la medicina personalizada y los resultados de la atención médica [ 130 ]. Actualmente se están desarrollando numerosos algoritmos de IA para el tratamiento de pacientes diagnosticados con diabetes mellitus [ 131 ].Debido a los avances en el tratamiento de la diabetes mellitus, ha habido una mejora en el seguimiento de los pacientes, lo que ha resultado en una mayor incidencia de retinopatía diabética y edema macular diabético. La causa principal de discapacidad visual significativa y ceguera entre las personas en edad laboral es la presencia de edema macular diabético que no ha sido diagnosticado ni tratado [ 132 ]. Por lo tanto, es imperativo realizar pruebas exhaustivas de detección de retinopatía diabética a gran escala para identificar alteraciones potencialmente perjudiciales en una fase temprana, facilitando así estrategias efectivas de manejo y tratamiento. Teniendo en cuenta los patrones predominantes de crecimiento demográfico y la incidencia significativa de retinopatía diabética y edema macular diabético dentro de la comunidad, es inevitable que la detección y el diagnóstico automatizados sean cada vez más prevalentes en los entornos de atención médica oftálmica. Se han realizado esfuerzos para explorar técnicas automatizadas de detección de retina para el diagnóstico de la retinopatía diabética con el fin de mejorar el tratamiento de los pacientes y mitigar el impacto social. Se han utilizado diversas metodologías de IA, ML y DL para el diagnóstico y la clasificación automatizados de la retinopatía diabética. Los sistemas automatizados más eficaces se han desarrollado basándose en investigaciones exhaustivas realizadas en los últimos tres años. Investigaciones recientes sobre la retinopatía diabética han demostrado que las técnicas de IA han mostrado una precisión, sensibilidad y especificidad significativas en la identificación y el diagnóstico de la retinopatía diabética [ 133 ].Los sistemas de aplicación automatizados tienen el potencial de mejorar la comprensión de los médicos sobre las predicciones de la retinopatía diabética y mejorar la practicidad de los modelos de diagnóstico inteligentes en entornos clínicos del mundo real [ 133 ]. Con base en los estudios antes mencionados, se observó que el análisis automatizado de imágenes de retina exhibió un alto nivel de precisión, validez, sensibilidad y especificidad en la detección de la retinopatía diabética. Además, el rendimiento diagnóstico de las técnicas de IA se consideró clínicamente aceptable y demostró una alta reproducibilidad cuando se aplicaron al conjunto de datos de validación.La degeneración macular relacionada con la edad es una afección ocular crónica que se reconoce como un factor importante que contribuye a la discapacidad visual [ 134 ]. Pronósticos Los algoritmos de IA existen para generar predicciones personalizadas en la degeneración macular relacionada con la edad. Estos algoritmos pueden hacer predicciones sobre la presencia de drusas debajo de la retina en personas con degeneración macular relacionada con la edad. Los algoritmos de IA ofrecen capacidades de detección automatizadas para identificar drusas, fluidos y atrofia geográfica en relación con lesiones de degeneración macular relacionada con la edad. Estos algoritmos aprovechan las imágenes del fondo de ojo y el tomógrafo de coherencia óptica de dominio espectral para mejorar el diagnóstico y el tratamiento [ 135 ].

La utilización de IA en la detección automatizada de drusas es prometedora para mejorar las capacidades de diagnóstico de los oftalmólogos en la evaluación temprana y eficiente de las imágenes del fondo de ojo [ 136 ]. Se ha explorado ampliamente la aplicación de técnicas de IA en el diagnóstico y clasificación de la degeneración macular relacionada con la edad. Estudios recientes han demostrado que estos enfoques automatizados exhiben una eficacia notable, demostrando altos niveles de precisión, sensibilidad y especificidad en la detección de la degeneración macular relacionada con la edad [ 137 ].

El glaucoma, que se sitúa como el segundo factor más frecuente de discapacidad visual a escala mundial, se caracteriza por la degeneración gradual de las células ganglionares de la retina y el agotamiento permanente de los axones del nervio óptico. La identificación y el tratamiento oportunos del glaucoma son de suma importancia en la prevención de la discapacidad visual prevenible. Las técnicas de IA han demostrado una eficacia excepcional a la hora de clasificar eficazmente ojos glaucomatosos y sanos. Los oftalmólogos tienen la capacidad de utilizar estos resultados automatizados como punto de referencia, lo que les permite mejorar su proceso de toma de decisiones dentro de la práctica clínica. La utilización de aplicaciones automatizadas de IA ha demostrado una eficacia significativa y es prometedora para abordar el inminente desafío de la retinopatía diabética, la degeneración macular relacionada con la edad y las pruebas de detección de glaucoma tanto en países desarrollados como en desarrollo [ 138 ].

3.14. Pediatría

Las técnicas de imagen desempeñan un papel fundamental en el tratamiento de afecciones neurológicas, neuroquirúrgicas y neurooncológicas pediátricas [ 139 ]. Las técnicas de resonancia magnética multiparamétrica están ganando popularidad, particularmente cuando se combinan con análisis radiogenómicos que establecen conexiones entre las características de las imágenes y los biomarcadores moleculares asociados con las enfermedades. Sin embargo, incorporar este enfoque en la práctica clínica habitual sigue siendo un desafío. Las técnicas de IA pueden modelar amplios conjuntos de datos relacionados con enfermedades neurológicas infantiles, incluidos datos radiológicos, biológicos y clínicos. Esta capacidad permite la integración de dicha información en sistemas de modelado de pronóstico en una etapa temprana. En consecuencia, las técnicas de IA ofrecen una solución viable para abordar este problema [ 139 ].En determinadas aplicaciones dentro del campo de la neurorradiología pediátrica, las RNA han demostrado una eficacia notable de forma específica. Este concepto se demuestra más eficazmente mediante la utilización de la determinación del tamaño ventricular para clasificar a los niños en un grupo normal o hidrocefálico. En un estudio reciente, se realizó un análisis de la hidrocefalia y los controles [ 140 ]. Lograron una puntuación de precisión del 94,6 % para la hidrocefalia y del 85,6 % para los controles utilizando un conjunto de entrenamiento de imágenes de resonancia magnética ponderadas en T2 de alrededor de 399 niños. Estudios anteriores han informado de logros comparables en el campo de la hidrocefalia pediátrica mediante la implementación de modificaciones evolutivas en las metodologías ANN [ 141 ].

La aplicación de una máquina de vectores de soporte para la categorización de niños en grupos de lesión cerebral normal o hipóxico-isquémica, basada en la medición del ancho del cuerpo calloso, arrojó una precisión de clasificación del 95% [ 142 ]. Otro estudio utilizó una metodología comparable para examinar a un grupo de adolescentes que habían sufrido una lesión cerebral traumática. Específicamente, utilizaron imágenes de densidad de borde y máquinas de vectores de soporte para clasificar a los participantes en dos categorías: lesión cerebral traumática normal y leve [ 143 ]. El método antes mencionado, que logró una tasa de precisión del 94%, demostró un rendimiento superior en comparación con las pruebas neurocognitivas en este aspecto [ 25 ]. Las máquinas de vectores de soporte han demostrado una clasificación exitosa de diversas anomalías de las imágenes por resonancia magnética en el cerebro fetal. Estas anomalías abarcan la conectividad funcional, la madurez cerebral y anomalías fetales graves. Las precisiones de clasificación logradas por las máquinas de vectores de soporte en estos estudios oscilan entre el 79% y el 84% [ 144 ].Se han utilizado máquinas de vectores de soporte (SVM) en el análisis de textura de imágenes por resonancia magnética para examinar tumores cerebrales. Esta aplicación de aprendizaje automático tiene como objetivo analizar cuantitativamente datos de imágenes para generar una textura de imagen que generalmente es imperceptible para la percepción visual humana [ 145 ]. El análisis de textura en la práctica clínica es ventajoso para los médicos porque puede incorporar datos de imágenes completos de todo el tumor. Este enfoque tiene en cuenta la presencia de heterogeneidad intratumoral, que puede no estar representada adecuadamente por un único sitio de biopsia o incluso por múltiples sitios de biopsia [ 145 ].Un estudio amplió la aplicación del análisis de textura integrando tanto el análisis discriminante lineal como una red neuronal probabilística [ 146 ]. Su objetivo fue categorizar los tumores de la fosa posterior, específicamente el meduloblastoma, el astrocitoma pilocítico y el ependimoma. Las técnicas combinadas lograron una precisión que oscilaba entre el 86% y el 93% mediante un proceso de validación. La utilización de la IA en el diagnóstico ofrece una mejora potencial de la eficacia de los diagnósticos.Los árboles de decisión también se han utilizado en otra capacidad importante dentro del campo del ML en el contexto de la neuroimagen pediátrica. Específicamente, se han utilizado con fines de análisis de datos para proporcionar conocimientos e información sobre neuroimagen en ensayos clínicos. Se puede observar un ejemplo en un estudio en el que se utilizó un clasificador de árbol de decisión en un ensayo controlado aleatorio realizado en niños diagnosticados con autismo que estaban en tratamiento con simvastatina [ 147 ]. El estudio utilizó un clasificador forestal aleatorio para categorizar eficazmente a los niños del grupo de control que se habían sometido a tratamiento con simvastatina [ 147 ]. El clasificador logró una precisión de clasificación del 79%. Esta observación sugiere los beneficios potenciales que tales aplicaciones pueden ofrecer en el futuro.

3.15. Hematología

La IA se ha utilizado para examinar varios tipos de datos médicos, incluidos datos hematopatológicos, radiográficos, de laboratorio, genómicos, farmacológicos y químicos. El propósito de utilizar la IA en estos análisis es mejorar la precisión y eficacia del diagnóstico, la predicción de resultados y la planificación del tratamiento y ampliar nuestra comprensión de la hematología benigna y maligna. Los avances recientes en los modelos basados en CNN han demostrado la capacidad de diferenciar eficazmente entre varios tipos de leucocitos en frotis periféricos, lo que indica su potencial para automatizar las prácticas patológicas de rutina [ 148 ]. Se están realizando investigaciones en curso en el campo de la interpretación automatizada de muestras de médula ósea [ 149 ]. Las CNN también han demostrado su utilidad para caracterizar variaciones cualitativas y cuantitativas dentro de linajes celulares específicos, como la morfología de los eritrocitos y las alteraciones de la textura observadas en la anemia de células falciformes [ 150 ]. Los logros antes mencionados abarcan el diagnóstico diferencial de diversas enfermedades, como lo demuestra la capacidad de los modelos para diagnosticar con precisión la leucemia mieloide aguda, distinguir entre diferentes causas de insuficiencia de la médula ósea y funcionar como una herramienta de detección de linfoma en entornos con recursos limitados [ 151 ]. .La IA se ha aplicado en varios dominios para mejorar la confiabilidad, conveniencia y eficacia de los procesos de diagnóstico. Estudios anteriores han demostrado que los métodos CNN han demostrado ser eficaces en el diagnóstico del mieloma múltiple utilizando únicamente datos de espectrometría de masas obtenidos de sangre periférica [ 152 , 153 ]. Se ha demostrado que los modelos personalizados poseen una alta capacidad de diagnóstico cuando es difícil distinguir entre condiciones desafiantes, como diferentes causas de insuficiencia de la médula ósea. Esto se logra integrando la demografía del paciente, los datos de laboratorio y la información genética fundamental. Estudios anteriores también han utilizado métodos similares para diferenciar entre leucemia periférica y linfoma [ 154 ].La tarea del pronóstico es ampliamente reconocida como un desafío, e incluso las herramientas de pronóstico clínico comúnmente utilizadas exhiben una variabilidad notable dentro de diferentes categorías de riesgo [ 155 ]. La IA, que posee capacidades avanzadas en el procesamiento de datos complejos y no lineales, promete ofrecer pronósticos más sofisticados e individualizados. Las metodologías antes mencionadas se han utilizado en el campo de la hematología benigna para mejorar la precisión de la evaluación del riesgo de trombosis del catéter central. Estas metodologías han identificado con éxito a personas con bajo riesgo de desarrollar trombosis [ 155 ]. La IA se ha utilizado para clasificar a los pacientes sometidos a trasplantes de células madre hematopoyéticas en grupos de bajo y alto riesgo de enfermedad de injerto contra huésped aguda. Esta clasificación tiene implicaciones importantes para la toma de decisiones informadas con respecto a la administración de tratamientos inmunosupresores a estos individuos [ 156 ]. También se han realizado estudios previos en el campo de los trasplantes autólogos para el mieloma múltiple. La IA se ha utilizado en el campo de la hematología maligna para mejorar la evaluación inicial de la estratificación del riesgo de leucemia mieloide aguda y síndromes mielodisplásicos [ 157 , 158 ]. En escenarios posteriores al tratamiento, donde la enfermedad residual mínima se considera un factor de pronóstico negativo, la IA ha demostrado la capacidad de alcanzar un rendimiento comparable al de los humanos. Este logro tiene el potencial de simplificar y establecer un enfoque consistente para el manejo y análisis de este tipo de datos [ 159 ].

3.16. Unidad de Cuidados Intensivos

Los modelos de ML se han aplicado en el entorno de la unidad de cuidados intensivos (UCI) para anticipar patologías como la lesión renal aguda, identificar síntomas como el delirio y sugerir intervenciones terapéuticas adecuadas, como vasopresores y administración de líquidos en casos de sepsis. La identificación y el tratamiento oportunos de la sepsis son de suma importancia debido a su potencial para disminuir significativamente las tasas de mortalidad. Aunque el tratamiento de la sepsis temprana implica el control de la fuente y la administración de antibióticos de amplio espectro, la detección de la sepsis durante esta fase de la enfermedad plantea desafíos considerables [ 159 ]. Identificar la sepsis se vuelve cada vez más factible a medida que avanza la afección, mientras que el tratamiento plantea desafíos considerables. Debido a la naturaleza diversa de la sepsis, los métodos de diagnóstico y pronóstico existentes plantean un desafío importante en la detección temprana de la sepsis y la estimación precisa del pronóstico. Esta dificultad complica aún más la determinación de una estrategia de tratamiento adecuada para cada paciente [ 160 ]. Los modelos de predicción de IA tienen el potencial de proporcionar un valor significativo para los pacientes diagnosticados con sepsis. Los modelos de IA poseen la capacidad de mejorar la identificación oportuna de personas que requieren tratamiento con antibióticos. Ciertos modelos de predicción de IA parecen superar a los métodos de diagnóstico existentes; sin embargo, estos modelos presentan limitaciones notables, como la inclusión de variables predictivas como la presión arterial en la definición actual de sepsis. En este contexto, la evaluación del rendimiento de los modelos de IA es exagerada. Estos modelos exhiben una generalización limitada. La existencia de preocupaciones no resueltas ha resultado en una disparidad significativa entre el avance de los algoritmos y su implementación práctica en entornos clínicos. La creciente utilización de registros médicos electrónicos dentro de la UCI está impulsando la difusión de la ciencia de datos y las técnicas de aprendizaje automático en el entorno de cuidados críticos. Los datos hemodinámicos derivados de monitores, los datos de infusión obtenidos de bombas de infusión y los datos respiratorios recopilados de ventiladores generan volúmenes de datos sustanciales. Estos conjuntos de datos se pueden comparar con otras fuentes de big data, como los datos ómicos que abarcan la genómica o la proteómica. Un estudio ideó un modelo computacional que utiliza técnicas de aprendizaje por refuerzo para proponer estrategias de tratamiento óptimas de forma dinámica para pacientes adultos en la UCI [ 161 ]. Se realizó un estudio en el que se aplicaron técnicas de ML y monitorización generalizada para evaluar continuamente el delirio y la agitación en una cohorte de 22 pacientes ingresados en una UCI [ 162 ]. Los pacientes fueron categorizados según el Método de Evaluación de la Confusión para la escala ICU. Los investigadores utilizaron cámaras y acelerómetros para capturar y documentar expresiones y movimientos faciales. Se colocaron estratégicamente tres acelerómetros en la muñeca, el tobillo y el brazo del paciente para discernir y clasificar su postura. Los investigadores aplicaron un modelo de red neuronal preexistente para realizar reconocimiento facial y detectar expresiones faciales utilizando rasgos faciales individuales.

3.17. Métodos de diagnóstico

La IA tiene la capacidad de transformar fundamentalmente las metodologías aplicadas en el diagnóstico y tratamiento de enfermedades. Mediante el examen de los datos del paciente, incluidos el historial médico, los síntomas y los resultados de las pruebas, los algoritmos de IA pueden proporcionar a los médicos diagnósticos más precisos y personalizados para cada paciente. Esto tiene el potencial de facilitar la identificación de enfermedades en una etapa más temprana y mejorar la eficacia de las estrategias de tratamiento. Además, la IA puede ayudar a identificar posibles interacciones farmacológicas y reacciones adversas, garantizando que los pacientes reciban los tratamientos más seguros y eficaces.El ultrasonido (EE. UU.) ha obtenido una adopción global generalizada como modalidad de imagen primaria en varios dominios clínicos, debido a los avances continuos en las tecnologías ultrasónicas y la infraestructura de salud digital establecida. El cáncer de mama es ampliamente reconocido como una forma prevalente de cáncer entre las mujeres en todo el mundo y sigue siendo el segundo factor más importante de mortalidad relacionada con el cáncer [ 163 ]. La utilización predominante de DL en la ecografía mamaria, como se observa en la literatura analizada, se refiere al diagnóstico y categorización de masas mamarias [ 164 ]. La utilización de técnicas de DL para el análisis de imágenes abdominopélvicas tiene diversas aplicaciones en los Estados Unidos. Una parte importante de estas aplicaciones se han dirigido específicamente al examen del hígado [ 165 ]. Su investigación reveló que este enfoque exhibía una precisión superior en comparación con la elastografía de ondas de corte bidimensional y ciertos biomarcadores en la evaluación de la fibrosis avanzada y la cirrosis en pacientes infectados con el virus de la hepatitis B. En un estudio, los autores idearon un enfoque CNN para predecir la puntuación METAVIR, una medida semicuantitativa de la fibrosis hepática [ 166 ]. El conjunto de datos de entrenamiento constaba de varios miles de imágenes estadounidenses obtenidas de dos centros de referencia académicos terciarios. Este enfoque demostró un nivel notable de precisión en la predicción de la puntuación METAVIR, superando las capacidades de diagnóstico de los radiólogos para identificar la fibrosis hepática. En su estudio, Ta et al. desarrolló un sistema de diagnóstico asistido por computadora para la clasificación de lesiones hepáticas focales malignas y benignas utilizando grabaciones de cine con ultrasonido con contraste [ 167 ]. Los investigadores descubrieron que la precisión de este método era comparable a la de un lector experto.

Los algoritmos de aprendizaje profundo se han utilizado en diversas aplicaciones, incluida la identificación de enfermedades musculares [ 168 ], la determinación del posicionamiento de los conos y la segmentación de imágenes musculares [ 169 ]. La precisión del diagnóstico de las enfermedades neuromusculares se mejoró mediante el uso de un método basado en CNN, que mejoró la evaluación y clasificación de las enfermedades inflamatorias de los músculos [ 168 ]. El progreso en el campo de las herramientas de IA/ML para la interpretación de imágenes está experimentando una rápida aceleración. Esto puede atribuirse a varios factores, incluida la disponibilidad de amplios conjuntos de datos de imágenes digitalizadas, la accesibilidad de algoritmos de código abierto, los avances en la potencia informática, la aparición de servicios en la nube y el desarrollo continuo de técnicas de DL [ 170 ].La utilización de la automatización en tareas frecuentemente realizadas por radiólogos, como identificar fracturas costales y nódulos pulmonares mediante tomografías computarizadas, reevaluar el tamaño del derrame pleural mediante radiografías de tórax secuenciales o realizar exámenes mamográficos, muestra potencial como una estrategia favorable. Esto tiene el potencial de permitir a los radiólogos dedicar tiempo adicional a tareas interpretativas más avanzadas que pueden no ser susceptibles de automatización, así como participar en esfuerzos como reuniones de equipos multidisciplinarios. La utilización de IA en el procedimiento de clasificación demuestra una capacidad notable para asignar prioridad de manera eficiente a casos críticos que requieren notificación inmediata. Estos casos pueden incluir tomografías computarizadas que revelan la presencia de embolia pulmonar, radiografías de tórax que indican neumotórax o tomografías computarizadas de la cabeza que revelan hemorragia. La metodología antes mencionada posee la capacidad de reducir la morbilidad de los pacientes y acelerar la duración de la hospitalización en los servicios de urgencias. La utilización de sistemas DL en resonancia magnética sintética permite el posprocesamiento y la reconstrucción de datos de imágenes de resonancia magnética, lo que reduce el tiempo de adquisición de imágenes sin un deterioro significativo en la calidad de la imagen. Este avance puede potencialmente mejorar la eficiencia, disminuir los gastos y mejorar la accesibilidad [ 171 ].Las CNN son un elemento fundamental dentro de las redes utilizadas en radiología ortopédica y musculoesquelética [ 172 ]. En los últimos tiempos se ha introducido el concepto de redes generativas adversarias (GAN). Las GAN son modelos diseñados para generar datos novedosos que se parecen mucho al conjunto de datos original. Estos modelos comprenden dos redes distintas que participan en un proceso de entrenamiento competitivo similar a un juego. Se han utilizado con éxito un total de 12 modelos GAN mejorados que incorporan CNN en el dominio de las imágenes radiográficas [ 173 ].Se han realizado amplias investigaciones en el campo de la radiología oral y maxilofacial para investigar el potencial de la IA en el diagnóstico de diversas afecciones. Las condiciones antes mencionadas abarcan caries dental, enfermedad periodontal, osteosclerosis, quistes odontogénicos y tumores, así como dolencias que impactan el seno maxilar o las articulaciones temporo mandibulares. La IA se ha utilizado en el campo de la odontología para el análisis de imágenes, abarcando una variedad de tareas, incluida la segmentación y localización de los dientes, la evaluación de la calidad ósea para la osteoporosis, la determinación de la edad ósea mediante radiografías de mano y muñeca y la localización de puntos de referencia cefalométricos [ 172 ]. . Los sistemas DL que utilizan arquitecturas CNN se han aplicado con éxito en el ámbito de la odontología. En particular, se ha desarrollado un novedoso sistema que incorpora imágenes de tomografía computarizada de haz cónico tridimensionales e imágenes bidimensionales [ 172 ].La aplicación de técnicas de DL se ha utilizado para identificar y categorizar dientes tanto en imágenes de tomografía computarizada de haz cónico como en imágenes panorámicas. La utilización de sistemas de clasificación de dientes permite a los dentistas tomar decisiones clínicas y optimizar su proceso de gráficos mediante el uso de resultados de diseño automatizados asistidos por computadora. Estos resultados facilitan la finalización automática de los registros digitales de los pacientes [ 174 ].

4. Discusión

4.1. General

El objetivo de esta revisión de la literatura es proporcionar una descripción general completa de la investigación existente sobre la IA en la práctica clínica. Además de su amplio uso en técnicas de diagnóstico, la integración de la IA se ha explorado en diversas disciplinas médicas, incluidas cardiología, anestesiología, cirugía, neumología, neurología, urología, ginecología, hematología y pediatría. Dada la afluencia continua de nuevos artículos y el aumento exponencial de los artículos publicados, esta revisión se centra en artículos indicativos para ilustrar la sólida penetración y las amplias aplicaciones de la IA en la práctica clínica.Una de las principales ventajas de la IA en la práctica clínica es su capacidad para mejorar la precisión del diagnóstico y los resultados del tratamiento [ 10 , 11 , 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 ]. Con algoritmos impulsados por IA, los proveedores de atención médica pueden analizar grandes cantidades de datos de pacientes e identificar patrones que pueden no ser inmediatamente evidentes para los médicos humanos. Esto puede ayudar a identificar enfermedades antes, lo que resulta en una intervención médica acelerada y mejores pronósticos para las personas. Además, la IA puede predecir qué tratamientos probablemente sean más efectivos para un paciente determinado, lo que permite una medicina personalizada que considera las características individuales del paciente. La IA puede ayudar a reducir los costos de atención médica al agilizar los procesos administrativos y reducir las pruebas innecesarias [ 23 ].En un estudio, se aplicaron técnicas de aprendizaje automático en el análisis de datos de secuenciación del genoma de alto rendimiento, con el objetivo de mejorar la comprensión de los procesos patológicos y el desarrollo de modalidades terapéuticas [ 175 ]. En este estudio, se aplicaron algoritmos de aprendizaje automático de vanguardia, incluido el bosque aleatorio, el núcleo radial de la máquina de vectores de soporte, el impulso adaptativo, la red neuronal promediada y la máquina de impulso de gradiente. El objetivo era estratificar a los pacientes con carcinoma de células escamosas de cabeza y cuello en estadios clínicos tempranos y tardíos y predecir el riesgo en función de los perfiles de expresión de los miARN [ 175 ]. Además, muy recientemente, se introdujeron codificadores automáticos variacionales (es decir, un tipo de red neuronal) como un método para aumentar eficazmente el tamaño de la muestra de los estudios clínicos, mitigando así los costos, las limitaciones de tiempo, los abandonos y las consideraciones éticas [ 176 ]. En un estudio, la eficacia de los codificadores automáticos variacionales en el contexto del aumento de datos se demostró mediante la utilización de simulaciones que abarcan múltiples escenarios [ 176 ]. Además, en el campo de los estudios de bioequivalencia, se utilizaron varios métodos de ML para resolver el antiguo problema de definir la métrica de tasa de absorción adecuada [

20 ,

21 ,

22 ]. Mediante la utilización conjunta de algoritmos de ML, modelos de efectos mixtos no lineales y simulaciones de Monte Carlo, se definió e introdujo una nueva métrica denominada «pendiente promedio». Se demostró que la Cmax actualmente utilizada (es decir, la concentración plasmática máxima observada) no es adecuada para expresar la tasa de absorción. Por el contrario, la medida recién definida (pendiente promedio) comprende las propiedades deseadas de la tasa de absorción, tiene las unidades de medida apropiadas (es decir, unidades de concentración por tiempo), muestra facilidad de estimación directamente a partir de los datos de concentración-tiempo del fármaco, y todos los algoritmos de ML mostraron su supremacía sobre todas las demás métricas utilizadas o propuestas en bioequivalencia [ 20 , 21 , 22 ].Aunque las ventajas de la IA en la práctica clínica son evidentes, existen una serie de obstáculos que requieren atención y resolución [ 177 ]. Una de las consideraciones más importantes gira en torno a la posibilidad de que la IA mantenga y propague prejuicios dentro del sector de la salud. Si los algoritmos utilizados en los sistemas de IA se basan en datos sesgados, pueden producir resultados sesgados, lo que genera disparidades en los resultados de atención médica para ciertas poblaciones de pacientes. Además, existe una falta de transparencia, interpretabilidad y explicabilidad de los algoritmos de IA, ya que estos últimos pueden considerarse como una caja negra. Esta cuestión se discutirá más adelante. Además, existe el riesgo de que la IA pueda deshumanizar la atención médica, haciendo que los pacientes se sientan desconectados de sus proveedores de atención y reducidos a un conjunto de puntos de datos. También existen temores sobre las implicaciones éticas del uso de la IA en la atención sanitaria, en particular. El impacto de la integración de las tecnologías de IA en el campo de la medicina será más pronunciado entre los médicos actuales y futuros. En consecuencia, es imperativo que las facultades de medicina y los programas de educación médica de posgrado modifiquen su plan de estudios para instruir a las generaciones actuales y futuras de médicos sobre la utilización consciente de estas tecnologías potentes y transformadoras [ 178 ]. La integración de la IA en la medicina introduce varias consideraciones legales y éticas, incluidas cuestiones de responsabilidad médica, como la capacitación y la competencia, la transparencia/trazabilidad, la explicabilidad, los datos personales de salud, el cumplimiento normativo, la responsabilidad del producto y el seguro por negligencia. Los aspectos fundamentales de estas cuestiones se detallan a continuación.

4.2. Formación de profesionales sanitarios

Los profesionales sanitarios que utilizan sistemas de IA necesitan una formación adecuada para garantizar la competencia en su uso. No comprender y operar adecuadamente los sistemas de IA puede provocar errores médicos y responsabilidad posterior. Además, los futuros estudiantes de medicina deberán desarrollar nuevas habilidades, que abarquen el concepto de “captura de conocimientos, no retención de conocimientos”. Esto implica un cambio de un plan de estudios centrado en la memorización a uno que priorice el pensamiento crítico. El campo de la IA pone un énfasis significativo en dos dominios principales: la colaboración y la gestión de aplicaciones de IA, así como una comprensión más profunda de las probabilidades y su consiguiente aplicación en la toma de decisiones clínicas que involucran a pacientes y familias. Los dominios antes mencionados tienen como objetivo adquirir conocimientos relacionados con la utilización eficiente y ética de la IA, al mismo tiempo que promueven la aplicación práctica de las tecnologías de IA en el campo de la salud [ 179 ].

4.3. Transparencia, Trazabilidad y Explicabilidad

Inspirándose en diversas disciplinas, los ámbitos de transparencia y trazabilidad en el contexto de la atención sanitaria y de los pacientes individuales requieren el cumplimiento de criterios más rigurosos [ 180 ]. Desde un punto de vista legal, es necesario que los datos cumplan con todas las leyes, regulaciones y obligaciones legales adicionales aplicables durante todo su ciclo de vida, incluida la adquisición, el almacenamiento, la transferencia, el procesamiento y el análisis. Además, es imperativo que la ley, su interpretación y su implementación se ajusten continuamente en respuesta a los avances tecnológicos en constante cambio [ 181 ]. Numerosos algoritmos de IA, en particular aquellos basados en modelos de aprendizaje profundo, funcionan como enigmáticas “cajas negras”, lo que dificulta aclarar el fundamento de sus decisiones. En situaciones en las que se examina la validez de una decisión médica generada por un sistema de inteligencia artificial, la falta de transparencia puede dar lugar a complicaciones legales. Incluso cuando se cumplen todos estos aparentes requisitos previos, persiste la pregunta de si la utilización de soluciones y herramientas impulsadas por la IA requiere la necesidad de explicabilidad. En esencia, los médicos y los pacientes deben poseer conocimientos sobre los resultados presentados y una comprensión de las cualidades y atributos en los que se basan estos resultados, así como los correspondientes supuestos subyacentes. Además, la inclusión de partes interesadas adicionales puede requerir una comprensión y explicación integral de algoritmos y modelos. Desde un punto de vista jurídico occidental, se han identificado tres áreas fundamentales con el fin de dilucidar el concepto de explicabilidad [ 182 ]. Estas áreas incluyen (a) consentimiento informado, (b) certificación y aprobación de acuerdo con las regulaciones establecidas por la FDA y el Reglamento de Dispositivos Médicos (MDR), y (c) Responsabilidad.

4.4. Responsabilidad y marco regulatorio

Los organismos de certificación y aprobación responsables de los dispositivos médicos han sido relativamente lentos en la implementación de regulaciones relacionadas con la IA explicable y su impacto en el desarrollo y comercialización de dichos productos. La FDA promueve significativamente el desarrollo y la mejora continuos de productos médicos basados en IA a través de su enfoque integral del ciclo de vida total del producto. No se hace referencia explícita al concepto de explicabilidad; sin embargo, existe el requisito de un nivel adecuado de transparencia y claridad en el resultado y el algoritmo destinados a los usuarios [ 183 , 184 ]. El foco principal de esta investigación se refiere a las funcionalidades del software y las modificaciones que ha sufrido a lo largo de su evolución. El MDR no aborda explícitamente el requisito de explicabilidad en relación con los dispositivos médicos que utilizan IA y ML, específicamente. En este contexto, es importante enfatizar la importancia de la rendición de cuentas y la transparencia [ 185 ]. Específicamente, estos requisitos se refieren al suministro de información que permita el rastreo, la transparencia y la explicación del proceso de desarrollo de modelos de ML y DL que contribuyen al tratamiento médico. Existe una gran probabilidad de que en los próximos tiempos surja una delimitación más refinada de estos requisitos previos, lo que requerirá que los fabricantes de dispositivos/software médicos impulsados por IA proporcionen detalles exhaustivos relacionados con la capacitación y evaluación de los modelos, los datos utilizados y la metodologías generales utilizadas en su creación.La integración de la IA en la atención sanitaria implica frecuentemente la utilización de datos de pacientes altamente sensibles. Supongamos que una violación de la seguridad o la privacidad de los datos da como resultado un acceso o uso no autorizado de la información del paciente; Los proveedores de atención médica y los desarrolladores de inteligencia artificial pueden enfrentar repercusiones legales. Esto subraya la importancia crítica de medidas sólidas de protección de datos y el cumplimiento de las regulaciones de privacidad en el desarrollo e implementación de aplicaciones de IA dentro del sector de la salud [ 185 ]. El procesamiento de datos personales de salud está permitido por la ley sólo cuando el individuo ha dado su consentimiento explícito para su utilización. El estándar actual para utilizar datos de pacientes en aplicaciones de IA es el consentimiento informado, ya que falta una legislación general que regule el uso de datos e información personales [ 185 ]. Las organizaciones de atención médica y los desarrolladores de IA deben cumplir con diversas regulaciones de protección de datos, como la Ley de Responsabilidad y Portabilidad de Seguros Médicos (HIPAA) en los Estados Unidos o el Reglamento General de Protección de Datos (GDPR) en Europa [ 186 , 187 ]. El incumplimiento de estas normas puede tener consecuencias legales y multas. Se deben establecer políticas claras con respecto a la propiedad de los datos y el consentimiento del paciente. Se debe informar a los pacientes sobre cómo se utilizarán sus datos, quién tendrá acceso a ellos y con qué fines. La obtención del consentimiento informado es esencial por razones éticas y legales. La implementación de métodos de cifrado sólidos tanto para los datos en tránsito como para los datos en reposo ayuda a proteger la información del paciente contra el acceso no autorizado. El cifrado agrega una capa adicional de seguridad para evitar que partes no autorizadas intercepten o accedan a datos confidenciales. El acceso a los sistemas de inteligencia artificial de la atención médica y a los datos que procesan debe restringirse y monitorearse. Se deben implementar controles de acceso basados en roles para garantizar que solo el personal autorizado pueda acceder a información confidencial. Además, los sistemas de inteligencia artificial para el cuidado de la salud deben utilizar métodos seguros para almacenar y transmitir datos, mientras que las auditorías y evaluaciones de seguridad periódicas ayudan a identificar vulnerabilidades en el sistema.El marco legal relativo a la IA en la atención sanitaria todavía se encuentra en estado de evolución. Es posible que se introduzcan nuevas leyes y regulaciones para abordar cuestiones relacionadas específicamente con la responsabilidad, y los profesionales de la salud deben mantenerse informados sobre estos cambios. A medida que el campo de la IA continúa avanzando, es probable que los marcos legales se adapten para garantizar que se sigan prácticas éticas, transparentes y responsables en el desarrollo y la implementación de tecnologías de IA en la atención médica. Mantenerse al tanto de estas regulaciones en evolución es crucial para que los profesionales de la salud naveguen por el complejo terreno legal y defiendan los estándares de responsabilidad y atención al paciente. Sin embargo, incluso hasta el día de hoy, persisten disparidades en la orientación internacional entre Europa y Estados Unidos con respecto a los desafíos legales que pueden surgir del uso de la IA en la atención médica. Estas regiones adoptan enfoques distintos para abordar estos desafíos. La Unión Europea (UE) se ha convertido en una fuerza líder en el campo de la innovación en IA médica y ha reconocido las dificultades específicas que plantea la IA para los marcos de responsabilidad actuales. Para establecer coherencia en los principios de responsabilidad y garantizar claridad jurídica, la Comisión Europea ha introducido la Ley de Inteligencia Artificial, que representa uno de los marcos legales iniciales dedicados específicamente a la IA [ 186 ]. La Comisión Europea se esfuerza por promover la utilización segura de la IA en sectores con consecuencias importantes, como la atención sanitaria, al tiempo que mejora la innovación tecnológica. Estados Unidos carece de un marco legal integral que regule específicamente la IA, lo que resulta en un precedente legal limitado en materia de responsabilidad e IA médica. La FDA ha reconocido el aspecto regulatorio de la IA en la atención médica, cuyo objetivo es facilitar la implementación segura de la IA mediante el desarrollo de un plan estratégico para garantizar la supervisión continua de la IA como dispositivo médico [ 187 ]. Para fomentar un enfoque centrado en el paciente, la FDA se esfuerza por mejorar la transparencia solicitando a los fabricantes que proporcionen descripciones detalladas de los mecanismos operativos de sus dispositivos de IA. Esta iniciativa tiene como objetivo facilitar una comprensión integral de las ventajas y los peligros potenciales asociados con dichos dispositivos. La FDA también se esfuerza por abordar los posibles sesgos que pueden surgir del entrenamiento de algoritmos de IA en poblaciones específicas o conjuntos de datos históricos [ 187 ]. La FDA ha publicado recientemente un documento de debate titulado “Marco regulatorio propuesto para modificaciones del software basado en inteligencia artificial/aprendizaje automático como dispositivo médico” con el objetivo de garantizar la seguridad del software médico que utiliza tecnologías de inteligencia artificial y aprendizaje automático. Además, a medida que el uso de la IA en la atención sanitaria se vuelve más frecuente, las consideraciones sobre seguros contra negligencias evolucionan para abordar los riesgos potenciales asociados con estas tecnologías [ 188 ]. Dados los riesgos únicos asociados con la IA en la atención médica, es posible que sea necesario adaptar las pólizas de seguro contra negligencias para abordar las responsabilidades que surjan específicamente del uso de tecnologías de IA. Esto podría incluir cobertura por errores o mal funcionamiento en los algoritmos de IA que provoquen resultados adversos para los pacientes. Las aseguradoras pueden enfrentar desafíos al suscribir pólizas relacionadas con la IA, ya que el campo está evolucionando rápidamente y la evaluación de los riesgos asociados con las tecnologías emergentes puede ser compleja. Es posible que las aseguradoras necesiten adaptar sus procesos de suscripción para tener en cuenta los riesgos específicos que plantea la IA en la atención sanitaria [ 189 ]. Las pólizas de seguro contra negligencias relacionadas con la IA deben alinearse con los marcos legales y regulatorios en evolución que rigen el uso de la IA en la atención médica. Es posible que las aseguradoras necesiten mantenerse informadas sobre los cambios en las leyes y regulaciones para garantizar que sus políticas sigan siendo relevantes y conformes. Además, las aseguradoras pueden exigir a las organizaciones sanitarias que implementen mecanismos de seguimiento y notificación de incidentes relacionados con la IA. Informar oportunamente los eventos adversos puede facilitar una respuesta proactiva y ayudar a mitigar posibles responsabilidades. En la misma línea, la responsabilidad del producto en el contexto de la IA se refiere a la responsabilidad legal de quienes participan en el diseño, desarrollo, fabricación, distribución y despliegue de sistemas de IA por cualquier daño o daño causado por el producto de IA [ 190 , 191 ]. . Si el diseño de un sistema de IA es intrínsecamente defectuoso y tiene consecuencias perjudiciales, los diseñadores y desarrolladores pueden ser considerados responsables. Los defectos del diseño de la IA podrían incluir algoritmos sesgados, pruebas inadecuadas o falta de funciones de seguridad sólidas. Los defectos de fabricación se refieren a problemas que surgen durante la producción o implementación de un sistema de IA. Estos defectos pueden provocar fallos de funcionamiento, vulnerabilidades de seguridad u otros problemas que podrían provocar daños. Los fabricantes pueden ser considerados responsables de estos defectos. Si los productos de IA vienen con advertencias o instrucciones inadecuadas sobre su uso adecuado, es posible que los profesionales de la salud o los usuarios finales no sean conscientes de los riesgos potenciales. No proporcionar una orientación clara sobre las limitaciones y riesgos de un sistema de IA podría dar lugar a responsabilidad. En los casos en que proveedores externos proporcionen componentes o servicios de IA, la responsabilidad puede extenderse a estos proveedores si sus productos o servicios contribuyen al daño. Determinar la cadena de responsabilidad y responsabilidad en ecosistemas complejos de IA puede resultar un desafío. Las pruebas y validaciones rigurosas de los sistemas de IA son esenciales para identificar y abordar problemas potenciales antes de su implementación. Si las pruebas inadecuadas contribuyen al daño, las partes responsables del proceso de prueba y validación pueden ser consideradas responsables. Mantener registros detallados de los procesos de diseño, desarrollo, pruebas e implementación es importante para demostrar la debida diligencia en caso de un reclamo por responsabilidad del producto. La documentación clara puede proporcionar evidencia del cumplimiento de los estándares y las mejores prácticas de la industria.

4.5. En general

Esta revisión de la literatura analiza las aplicaciones actuales de la IA en diversas especialidades médicas en la práctica clínica. La IA posee la capacidad de transformar fundamentalmente la práctica clínica y mejorar los resultados de los pacientes. El potencial para futuros avances en la tecnología de IA es enorme y el impacto en los resultados de los pacientes podría ser significativo. Ciertamente, no se podrían haber incluido todos los aspectos y referencias bibliográficas, ya que esta revisión de la literatura tiene como objetivo ofrecer una visión integral de las aplicaciones de la IA en tantas especialidades médicas como sea posible. En consecuencia, era inevitable que no se pudieran discutir algunas contribuciones importantes en cada campo. A modo de ejemplo, ha habido un aumento sustancial en la utilización de biomarcadores como sistemas de alerta temprana para evaluar el riesgo de enfermedad durante la última década, con una aplicación amplia evidente durante la reciente pandemia de COVID-19 [ 192 ]. En el mismo contexto, en dermatología, que es uno de los campos con mayor uso de la IA, recientemente un artículo de investigación ha subrayado la capacidad del aprendizaje automático para servir como biomarcador para diferenciar entre individuos con psoriasis, artritis psoriásica y aquellos que gozan de buena salud [ 193 ]. Además, se han llevado a cabo varias investigaciones que han descubierto biomarcadores moleculares notables a través de la expresión de miARN que pueden diferenciar entre las etapas tempranas y tardías de los carcinomas [ 175 ].También se debe enfatizar que a pesar de las preocupaciones discutidas en esta revisión, no se pueden ignorar los beneficios potenciales de la IA en la atención médica. La IA tiene la capacidad de mejorar la precisión del diagnóstico, personalizar los planes de tratamiento y reducir los costos de atención médica. En el futuro, la IA probablemente se convertirá en una herramienta estándar en la práctica clínica, y los proveedores de atención médica trabajarán junto con los sistemas de IA para brindar la mejor atención posible a los pacientes [ 185 , 186 ]. Sin embargo, para garantizar el uso ético y eficiente de la IA en el sector sanitario, debemos afrontar estos temores y establecer protocolos explícitos para avanzar e integrar los sistemas de IA. La plena realización del potencial de la IA para mejorar los resultados de la atención sanitaria sólo puede lograrse en tales circunstancias. En general, se considera que la IA tiene potencial para mejorar en gran medida los resultados de la atención sanitaria, pero es importante abordar las preocupaciones éticas y establecer directrices claras para su desarrollo e implementación.

5. Conclusiones

La integración de la IA en la práctica clínica genera muchos beneficios y desafíos con importantes implicaciones para consideraciones éticas y legales. La IA promete mejorar la precisión del diagnóstico, simplificar las tareas administrativas y personalizar los planes de tratamiento. Al analizar grandes cantidades de datos médicos, los sistemas de inteligencia artificial pueden identificar patrones y correlaciones que podrían escapar a la observación humana, lo que conduciría a intervenciones más precisas y oportunas. Además, la IA puede contribuir a soluciones sanitarias rentables y mejorar los resultados generales de los pacientes. Esta integración de la tecnología de IA facilita los procesos de toma de decisiones clínicas informadas. Por lo tanto, la IA tiene el potencial de mejorar los resultados de los pacientes, ofreciendo diagnósticos más rápidos y precisos, planes de tratamiento personalizados y costos de atención médica reducidos. Si bien todavía queda mucho por explorar y desarrollar en el campo de la IA en la práctica clínica, es crucial que sigamos invirtiendo en investigación y desarrollo para desbloquear todo su potencial. Este enfoque puede mejorar nuestra comprensión de cómo la IA puede mejorar la atención sanitaria y conducir al desarrollo de nuevas herramientas y tecnologías que beneficien tanto a los pacientes como a los profesionales sanitarios. Sin embargo, es importante abordar su desarrollo e implementación con cautela y colaborar con los profesionales de la salud para garantizar que se cumplan las consideraciones éticas. Sin embargo, estos avances conllevan dilemas éticos y complejidades legales. El uso de la IA en la toma de decisiones clínicas genera preocupaciones sobre la transparencia, la responsabilidad y el potencial de sesgo en los algoritmos. Garantizar la privacidad del paciente y la seguridad de los datos se vuelve primordial, lo que exige directrices éticas y marcos legales sólidos. Lograr el equilibrio adecuado entre innovación y salvaguardia de los derechos de los pacientes requiere una cuidadosa consideración de las implicaciones éticas de la IA en la práctica clínica, junto con el desarrollo de marcos legales que puedan adaptarse al rápido ritmo de la evolución tecnológica en el sector de la salud. Para superar los desafíos éticos y legales asociados con la integración de la IA en la práctica clínica, es esencial un enfoque multifacético que incluya marcos y regulaciones legales, IA transparente y explicable, pautas y estándares éticos, auditorías y evaluaciones periódicas, incentivos para las prácticas éticas. y colaboración internacional.

References

Henderson, H. Artificial Intelligence: Mirrors for the Mind (Milestones in Discovery and Invention), 1st ed.; Chelsea House Publisher:
New York, NY, USA, 2007; 176p.
Russell, S.; Norvig, P. Artificial Intelligence: A Modern Approach, 4th ed.; Pearson: Bloomington, MN, USA, 2021; 1136p.
Philippidis, A. Charles River Licenses ERS Genomics’ CRISPR/Cas9 Technology. Clin. OMICs 2018, 5, 7. [CrossRef]
Turing, A.M. On Computable Numbers, with an Application to the Entscheidungsproblem. Proc. Lond. Math. Soc. 1937, s2-42,
230–265. [CrossRef]
McCulloch, W.S.; Pitts, W. A Logical Calculus of the Ideas Immanent in Nervous Activity. Bull. Math. Biophys. 1943, 5, 115–133.
[CrossRef]
Widrow, B.; Lehr, M.A. 30 Years of Adaptive Neural Networks: Perceptron, Madaline, and Backpropagation. Proc. IEEE 1990,
78, 1415–1442. [CrossRef]
Lodwick, G.S.; Keats, T.E.; Dorst, J.P. The Coding of Roentgen Images for Computer Analysis as Applied to Lung Cancer. Radiology
1963, 81, 185–200. [CrossRef] [PubMed]
Feigenbaum, E.A.; Buchanan, B.G. DENDRAL and Meta-DENDRAL: Roots of Knowledge Systems and Expert System Applications. Artif. Intell. 1993, 59, 233–240. [CrossRef]
Goldberg, J.E.; Reig, B.; Lewin, A.A.; Gao, Y.; Heacock, L.; Heller, S.L.; Moy, L. New Horizons: Artificial Intelligence for Digital
Breast Tomosynthesis. RadioGraphics 2023, 43, e220060. [CrossRef]
Zhong, F.; Xing, J.; Li, X.; Liu, X.; Fu, Z.; Xiong, Z.; Lu, D.; Wu, X.; Zhao, J.; Tan, X.; et al. Artificial Intelligence in Drug Design.
Sci. China Life Sci. 2018, 61, 1191–1204. [CrossRef]
Bakkar, N.; Kovalik, T.; Lorenzini, I.; Spangler, S.; Lacoste, A.; Sponaugle, K.; Ferrante, P.; Argentinis, E.; Sattler, R.; Bowser, R.
Artificial Intelligence in Neurodegenerative Disease Research: Use of IBM Watson to Identify Additional RNA-Binding Proteins
Altered in Amyotrophic Lateral Sclerosis. Acta Neuropathol. 2017, 135, 227–247. [CrossRef]
Segler, M.H.S.; Preuss, M.; Waller, M.P. Planning Chemical Syntheses with Deep Neural Networks and Symbolic AI. Nature 2018,
555, 604–610. [CrossRef]
Simões, M.F.; Silva, G.; Pinto, A.C.; Fonseca, M.; Silva, N.E.; Pinto, R.M.A.; Simões, S. Artificial Neural Networks Applied to
Quality-by-Design: From Formulation Development to Clinical Outcome. Eur. J. Pharm. Biopharm. 2020, 152, 282–295. [CrossRef]
[PubMed]
Gaisford, S.; Saunders, M. Essentials of Pharmaceutical Preformulation, 1st ed.; Wiley-Blackwell: Hoboken, NJ, USA, 2013; 268p.
Babu, N.J.; Nangia, A. Solubility Advantage of Amorphous Drugs and Pharmaceutical Cocrystals. Cryst. Growth Des. 2011,
11, 2662–2679. [CrossRef]
Damiati, S.A.; Martini, L.G.; Smith, N.W.; Lawrence, M.J.; Barlow, D.J. Application of Machine Learning in Prediction of
Hydrotrope-Enhanced Solubilisation of Indomethacin. Int. J. Pharm. 2017, 530, 99–106. [CrossRef] [PubMed]

Hossain, S.; Kabedev, A.; Parrow, A.; Bergström, C.A.S.; Larsson, P. Molecular Simulation as a Computational Pharmaceutics
Tool to Predict Drug Solubility, Solubilization Processes and Partitioning. Eur. J. Pharm. Biopharm. 2019, 137, 46–55. [CrossRef]
[PubMed]
Ye, Z.; Yang, Y.; Li, X.; Cao, D.; Ouyang, D. An Integrated Transfer Learning and Multitask Learning Approach for Pharmacokinetic
Parameter Prediction. Mol. Pharm. 2018, 16, 533–541. [CrossRef]
Ota, R.; Yamashita, F. Application of Machine Learning Techniques to the Analysis and Prediction of Drug Pharmacokinetics.
J. Control. Release 2022, 352, 961–969. [CrossRef]
Karalis, V.D. Machine Learning in Bioequivalence: Towards Identifying an Appropriate Measure of Absorption Rate. Appl. Sci.
2022, 13, 418. [CrossRef]
Karalis, V.D. On the Interplay between Machine Learning, Population Pharmacokinetics, and Bioequivalence to Introduce
Average Slope as a New Measure for Absorption Rate. Appl. Sci. 2023, 13, 2257. [CrossRef]
Karalis, V.D. An In Silico Approach toward the Appropriate Absorption Rate Metric in Bioequivalence. Pharmaceuticals 2023,
16, 725. [CrossRef]
Ferrara, P.; Battiato, S.; Polosa, R. Progress and Prospects for Artificial Intelligence in Clinical Practice: Learning from COVID-19.
Intern. Emerg. Med. 2022, 17, 1855–1857. [CrossRef]
Beneke, F.; Mackenrodt, M.-O. Artificial Intelligence and Collusion. IIC-Int. Rev. Intellect. Prop. Compet. Law 2018, 50, 109–134.
Steels, L.; Brooks, R. The Artificial Life Route to Artificial Intelligence: Building Embodied, Situated Agents, 1st ed.; Routledge: London,
UK, 2018; 300p.
Bielecki, A. Models of Neurons and Perceptrons: Selected Problems and Challenges, 1st ed.; Springer International Publishing:
Berlin/Heidelberg, Germany, 2019; 156p.
van der Maaten, L.; Hinton, G. Visualizing Non-Metric Similarities in Multiple Maps. Mach. Learn. 2011, 87, 33–55. [CrossRef]
Gadd, C.; Wade, S.; Shah, A.A. Pseudo-Marginal Bayesian Inference for Gaussian Process Latent Variable Models. Mach. Learn.
2021, 110, 1105–1143. [CrossRef]
Gallego, V.; Naveiro, R.; Roca, C.; Ríos Insua, D.; Campillo, N.E. AI in Drug Development: A Multidisciplinary Perspective.
Mol. Divers. 2021, 25, 1461–1479. [CrossRef] [PubMed]
Kaul, V.; Enslin, S.; Gross, S.A. History of Artificial Intelligence in Medicine. Gastrointest. Endosc. 2020, 92, 807–812. [CrossRef]
[PubMed]
Kusunose, K. Steps to Use Artificial Intelligence in Echocardiography. J. Echocardiogr. 2020, 19, 21–27. [CrossRef] [PubMed]
Kusunose, K.; Haga, A.; Abe, T.; Sata, M. Utilization of Artificial Intelligence in Echocardiography. Circ. J. 2019, 83, 1623–1629.
[CrossRef]
Dey, D.; Slomka, P.J.; Leeson, P.; Comaniciu, D.; Shrestha, S.; Sengupta, P.P.; Marwick, T.H. Artificial Intelligence in Cardiovascular
Imaging. J. Am. Coll. Cardiol. 2019, 73, 1317–1335. [CrossRef]
van Hamersvelt, R.W.; Zreik, M.; Voskuil, M.; Viergever, M.A.; Išgum, I.; Leiner, T. Deep Learning Analysis of Left Ventricular
Myocardium in CT Angiographic Intermediate-Degree Coronary Stenosis Improves the Diagnostic Accuracy for Identification of
Functionally Significant Stenosis. Eur. Radiol. 2018, 29, 2350–2359. [CrossRef]
Zhang, N.; Yang, G.; Gao, Z.; Xu, C.; Zhang, Y.; Shi, R.; Keegan, J.; Xu, L.; Zhang, H.; Fan, Z.; et al. Deep Learning for Diagnosis of
Chronic Myocardial Infarction on Nonenhanced Cardiac Cine MRI. Radiology 2019, 291, 606–617. [CrossRef]
Attia, Z.I.; Kapa, S.; Lopez-Jimenez, F.; McKie, P.M.; Ladewig, D.J.; Satam, G.; Pellikka, P.A.; Enriquez-Sarano, M.; Noseworthy, P.A.;
Munger, T.M.; et al. Screening for Cardiac Contractile Dysfunction Using an Artificial Intelligence–Enabled Electrocardiogram.
Nat. Med. 2019, 25, 70–74. [CrossRef] [PubMed]
Bachtiger, P.; Petri, C.F.; Scott, F.E.; Ri Park, S.; Kelshiker, M.A.; Sahemey, H.K.; Dumea, B.; Alquero, R.; Padam, P.S.; Hatrick, I.R.;
et al. Point-of-Care Screening for Heart Failure with Reduced Ejection Fraction Using Artificial Intelligence during ECG-Enabled
Stethoscope Examination in London, UK: A Prospective, Observational, Multicentre Study. Lancet Digit. Health 2022, 4, e117–e125.
[CrossRef] [PubMed]
Yao, X.; Rushlow, D.R.; Inselman, J.W.; McCoy, R.G.; Thacher, T.D.; Behnken, E.M.; Bernard, M.E.; Rosas, S.L.; Akfaly, A.; Misra, A.;
et al. Artificial Intelligence–Enabled Electrocardiograms for Identification of Patients with Low Ejection Fraction: A Pragmatic,
Randomized Clinical Trial. Nat. Med. 2021, 27, 815–819. [CrossRef] [PubMed]
Duffy, G.; Cheng, P.P.; Yuan, N.; He, B.; Kwan, A.C.; Shun-Shin, M.J.; Alexander, K.M.; Ebinger, J.; Lungren, M.P.; Rader, F.; et al.
High-Throughput Precision Phenotyping of Left Ventricular Hypertrophy With Cardiovascular Deep Learning. JAMA Cardiol.
2022, 7, 386–395. [CrossRef] [PubMed]
Narula, S.; Shameer, K.; Salem Omar, A.M.; Dudley, J.T.; Sengupta, P.P. Machine-Learning Algorithms to Automate Morphological
and Functional Assessments in 2D Echocardiography. J. Am. Coll. Cardiol. 2016, 68, 2287–2295. [CrossRef] [PubMed]
Frazer, J.; Notin, P.; Dias, M.; Gomez, A.; Min, J.K.; Brock, K.; Gal, Y.; Marks, D.S. Disease Variant Prediction with Deep Generative
Models of Evolutionary Data. Nature 2021, 599, 91–95. [CrossRef] [PubMed]
Zhou, H.; Li, L.; Liu, Z.; Zhao, K.; Chen, X.; Lu, M.; Yin, G.; Song, L.; Zhao, S.; Zheng, H.; et al. Deep Learning Algorithm
to Improve Hypertrophic Cardiomyopathy Mutation Prediction Using Cardiac Cine Images. Eur. Radiol. 2020, 31, 3931–3940.
[CrossRef] [PubMed]

Hathaway, J.; Heliö, K.; Saarinen, I.; Tallila, J.; Seppälä, E.H.; Tuupanen, S.; Turpeinen, H.; Kangas-Kontio, T.; Schleit, J.;
Tommiska, J.; et al. Diagnostic Yield of Genetic Testing in a Heterogeneous Cohort of 1376 HCM Patients. BMC Cardiovasc. Disord.
2021, 21, 126. [CrossRef]
Li, X.; Yang, L.; Yuan, Z.; Lou, J.; Fan, Y.; Shi, A.; Huang, J.; Zhao, M.; Wu, Y. Multi-Institutional Development and External
Validation of Machine Learning-Based Models to Predict Relapse Risk of Pancreatic Ductal Adenocarcinoma after Radical
Resection. J. Transl. Med. 2021, 19, 281. [CrossRef]
Kaissis, G.A.; Jungmann, F.; Ziegelmayer, S.; Lohöfer, F.K.; Harder, F.N.; Schlitter, A.M.; Muckenhuber, A.; Steiger, K.; Schirren, R.;
Friess, H.; et al. Multiparametric Modelling of Survival in Pancreatic Ductal Adenocarcinoma Using Clinical, Histomorphological,
Genetic and Image-Derived Parameters. J. Clin. Med. 2020, 9, 1250. [CrossRef]
Zhang, Y.; Zhu, S.; Yuan, Z.; Li, Q.; Ding, R.; Bao, X.; Zhen, T.; Fu, Z.; Fu, H.; Xing, K.; et al. Risk Factors and Socio-Economic
Burden in Pancreatic Ductal Adenocarcinoma Operation: A Machine Learning Based Analysis. BMC Cancer 2020, 20, 1161.
[CrossRef] [PubMed]
Pépin, J.-L.; Letesson, C.; Le-Dong, N.N.; Dedave, A.; Denison, S.; Cuthbert, V.; Martinot, J.-B.; Gozal, D. Assessment of
Mandibular Movement Monitoring With Machine Learning Analysis for the Diagnosis of Obstructive Sleep Apnea. JAMA Netw.
Open 2020, 3, e1919657. [CrossRef] [PubMed]
Zhou, C.-M.; Xue, Q.; Ye, H.-T.; Wang, Y.; Tong, J.; Ji, M.-H.; Yang, J.-J. Constructing a Prediction Model for Difficult Intubation of
Obese Patients Based on Machine Learning. J. Clin. Anesth. 2021, 72, 110278. [CrossRef] [PubMed]
Carron, M.; Safaee Fakhr, B.; Ieppariello, G.; Foletto, M. Perioperative Care of the Obese Patient. Br. J. Surg. 2020, 107, e39–e55.
[CrossRef] [PubMed]
Ermer, S.C.; Farney, R.J.; Johnson, K.B.; Orr, J.A.; Egan, T.D.; Brewer, L.M. An Automated Algorithm Incorporating Poincaré
Analysis Can Quantify the Severity of Opioid-Induced Ataxic Breathing. Anesth. Analg. 2020, 130, 1147–1156. [CrossRef] [PubMed]
Ingrande, J.; Gabriel, R.A.; McAuley, J.; Krasinska, K.; Chien, A.; Lemmens, H.J.M. The Performance of an Artificial Neural
Network Model in Predicting the Early Distribution Kinetics of Propofol in Morbidly Obese and Lean Subjects. Anesth. Analg.
2020, 131, 1500–1509. [CrossRef] [PubMed]
Yang, Z.; Zhang, M.; Li, C.; Meng, Z.; Li, Y.; Chen, Y.; Liu, L. Image Classification for Automobile Pipe Joints Surface Defect
Detection Using Wavelet Decomposition and Convolutional Neural Network. IEEE Access 2022, 10, 77191–77204. [CrossRef]
Bellini, V.; Guzzon, M.; Bigliardi, B.; Mordonini, M.; Filippelli, S.; Bignami, E. Artificial Intelligence: A New Tool in Operating
Room Management. Role of Machine Learning Models in Operating Room Optimization. J. Med. Syst. 2020, 44, 20. [CrossRef]
Rozario, N.; Rozario, D. Can Machine Learning Optimize the Efficiency of the Operating Room in the Era of COVID-19? Can. J.
Surg. 2020, 63, E527–E529. [CrossRef]
Brennan, M.; Puri, S.; Ozrazgat-Baslanti, T.; Feng, Z.; Ruppert, M.; Hashemighouchani, H.; Momcilovic, P.; Li, X.; Wang, D.Z.;
Bihorac, A. Comparing Clinical Judgment with the MySurgeryRisk Algorithm for Preoperative Risk Assessment: A Pilot Usability
Study. Surgery 2019, 165, 1035–1045. [CrossRef]
Xue, B.; Li, D.; Lu, C.; King, C.R.; Wildes, T.; Avidan, M.S.; Kannampallil, T.; Abraham, J. Use of Machine Learning to Develop
and Evaluate Models Using Preoperative and Intraoperative Data to Identify Risks of Postoperative Complications. JAMA Netw.
Open 2021, 4, e212240. [CrossRef] [PubMed]
Tavolara, T.E.; Gurcan, M.N.; Segal, S.; Niazi, M.K.K. Identification of Difficult to Intubate Patients from Frontal Face Images
Using an Ensemble of Deep Learning Models. Comput. Biol. Med. 2021, 136, 104737. [CrossRef] [PubMed]
Cheney, F.W. The American Society of Anesthesiologists Closed Claims Project. Anesthesiology 1999, 91, 552–556. [CrossRef]
[PubMed]
León, M.A.; Räsänen, J. Neural Network-Based Detection of Esophageal Intubation in Anesthetized Patients. J. Clin. Monit. 1996,
12, 165–169. [CrossRef] [PubMed]
Ahn, J.C.; Connell, A.; Simonetto, D.A.; Hughes, C.; Shah, V.H. Application of Artificial Intelligence for the Diagnosis and
Treatment of Liver Diseases. Hepatology 2021, 73, 2546–2563. [CrossRef] [PubMed]
Hashimoto, R.; Requa, J.; Dao, T.; Ninh, A.; Tran, E.; Mai, D.; Lugo, M.; El-Hage Chehade, N.; Chang, K.J.; Karnes, W.E.; et al.
Artificial Intelligence Using Convolutional Neural Networks for Real-Time Detection of Early Esophageal Neoplasia in Barrett’s
Esophagus (with Video). Gastrointest. Endosc. 2020, 91, 1264–1271.e1. [CrossRef] [PubMed]
Ebigbo, A.; Mendel, R.; Probst, A.; Manzeneder, J.; Prinz, F.; de Souza, L.A., Jr.; Papa, J.; Palm, C.; Messmann, H. Real-Time Use of
Artificial Intelligence in the Evaluation of Cancer in Barrett’s Oesophagus. Gut 2019, 69, 615–616. [CrossRef]
Kohli, A.; Holzwanger, E.A.; Levy, A.N. Emerging Use of Artificial Intelligence in Inflammatory Bowel Disease. World J.
Gastroenterol. 2020, 26, 6923–6928. [CrossRef]
Waljee, A.K.; Liu, B.; Sauder, K.; Zhu, J.; Govani, S.M.; Stidham, R.W.; Higgins, P.D.R. Predicting Corticosteroid-Free Biologic
Remission with Vedolizumab in Crohn’s Disease. Inflamm. Bowel Dis. 2018, 24, 1185–1192. [CrossRef]
Le Berre, C.; Sandborn, W.J.; Aridhi, S.; Devignes, M.-D.; Fournier, L.; Smaïl-Tabbone, M.; Danese, S.; Peyrin-Biroulet, L.
Application of Artificial Intelligence to Gastroenterology and Hepatology. Gastroenterology 2020, 158, 76–94.e2. [CrossRef]
Spann, A.; Yasodhara, A.; Kang, J.; Watt, K.; Wang, B.; Goldenberg, A.; Bhat, M. Applying Machine Learning in Liver Disease and
Transplantation: A Comprehensive Review. Hepatology 2020, 71, 1093–1105. [CrossRef] [PubMed]

Optimización del Cuidado de Salud con Aprendizaje Automático: Efectividad y Eficiencia

Analizar la mayor cantidad de datos, en forma más precisa y en menos tiempo, servirá para que los profesionales puedan ejercer con mayor seguridad, efectividad y una práctica basada en el valor. El aprendizaje, los pesos de las variables, los cálculos, servirán para tener más precisión, para no estar librados a la organización, al simple albur de encontrarse con una relación de agencia profesional, consolidada, bien formada y con el compromiso de actualizarse. Sino que disminuirá la variabilidad, el error cognitivo, los sesgos de confirmación, los desperdicios del sistema de salud.

Los sistemas de salud tradicionales han luchado por satisfacer las diversas necesidades de millones de pacientes, lo que ha resultado en ineficiencias y resultados subóptimos. Sin embargo, la aparición del aprendizaje automático (ML) ha marcado el comienzo de un cambio de paradigma transformador hacia el tratamiento basado en valores, lo que permite a los proveedores de atención médica brindar atención personalizada y altamente efectiva. Los equipos y dispositivos sanitarios modernos ahora integran aplicaciones internas que recopilan y almacenan datos completos de los pacientes, lo que proporciona un rico recurso para modelos predictivos basados en Machine Learning.

En lugar de suplantar el discernimiento de los médicos, la IA sirve como un facilitador sin precedentes, equipándolos con herramientas inimaginables. Sus aplicaciones de gran alcance abarcan el descubrimiento de fármacos, el diagnóstico de enfermedades, el pronóstico, la optimización del tratamiento y la predicción de resultados. Esta revolución tecnológica debe mucho a la destreza de los algoritmos de aprendizaje automático, que procesan hábilmente datos multifacéticos. En consecuencia, la IA está preparada para convertirse en un pilar integral de los sistemas de salud digitales, dando forma y reforzando el ámbito de la medicina personalizada. El panorama actual está lleno de crecimiento exponencial de la IA, lo que alimenta una oleada de proyectos de investigación destinados a mejorar las prácticas médicas. Al profundizar en el ámbito de la medicina de precisión, este artículo se esfuerza por examinar y evaluar los avances recientes en la atención médica relacionados con la utilización de algoritmos de aprendizaje automático (ML) y aprendizaje profundo (DL).

La inteligencia artificial, es una rama de la informática, que usa algo ritmo matemáticos, redes neuronales convulusionales, opera dentro del ámbito en el que las máquinas realizan tareas que tradicionalmente requieren inteligencia humana . Al construir algoritmos de IA robustos, los sistemas informáticos reciben inicialmente datos organizados, donde cada punto de datos normalmente posee una etiqueta o anotación distinguible asignada por el algoritmo. Además hoy podrían productos no partir de cero sino de un modelo que ya haya aprendido con la modalidad conocida como el transfers learning, que permitirá a los arquitectos no empezar de cero, sino crecer en plataformas ya maduras. Las redes neuronales aprenden. La integración de técnicas de aprendizaje automático en la atención médica ha atraído una atención significativa en los últimos años, ofreciendo el potencial de revolucionar los sistemas tradicionales y elevar el tratamiento basado en el valor.

la transición hacia un sistema de salud basado en datos no solo presagia profundas implicancias para los pacientes, los médicos y la sociedad en general, sino que también marca un cambio fundamental desde un modelo de medicina curativa masiva hacia una atención personalizada en todas las especialidades médicas. Este viaje transformador requiere la capacidad de agregar vastos conjuntos de datos de diversas fuentes y aprovechar la experiencia en su utilización, con el objetivo final de lograr una medicina de precisión en la práctica clínica mediante la integración de métodos avanzados de IA.

Si bien existe una perspectiva que percibe las aplicaciones médicas de la IA como un sustituto potencial de los médicos, enfatizamos que esto no debería conducir a la suplantación de los médicos. Más bien, aquellos médicos que adopten la IA, incluidas tecnologías de vanguardia como la realidad aumentada (AR) y la realidad virtual (VR), reemplazarán a aquellos que no lo hagan. La integración de AR y VR puede mejorar la capacitación médica, mejorar los procedimientos quirúrgicos y brindar experiencias inmersivas tanto para los médicos como para los pacientes. Para abordar las preocupaciones sobre la autonomía, los médicos deben aplicar un enfoque de diagnóstico que implique colaborar con los pacientes para formular hipótesis y poseer la capacidad de comprender las razones subyacentes detrás de las decisiones propuestas, desviándose de ellas si es necesario.

La IA, cuando es adoptada por los médicos, puede cumplir su misión como una ayuda segura, eficaz y comprobada para el tratamiento de los pacientes y la mejora de la atención sanitaria, a pesar de la necesidad de superar numerosos obstáculos técnicos y regulatorios para transformar el enfoque basado en la IA hacia la medicina de precisión desde una visión en una realidad tangible.

Navegando por las incertidumbres de la inteligencia artificial:

Este posteo se realiza en el blog para establecer como algunos gobiernos desarrollados del mundo y preocupados por la equidad en salud, están incorporando conocimiento en algo tan disruptivo para poder establecer las bases del alcance, que incentivar, como preservar adecuadamente los datos y coordinar como el sistema de salud lo adoptará. Existen varios aspectos que aún no dilucidados y en pleno proceso de crecimiento y desarrollo es que debemos ser más precisos, como por ejemplo que tipo de inteligencia artificial se esta considerando, quien es el impulsor, donde fue probada, con que datos fue alimentada cual es el grado de precisión y confiabilidad, como y en que ámbitos puede ser aplicada, debiera pensar e invertir en esto, para que pacientes públicos, fundamentalmente del sector más postergado pueda tener posibilidades los profesionales actuar con inferencia más concreta sobre el riesgo, al ser una población más vulnerable, y con un cúmulo de necesidades.

Se espera que las tecnologías de inteligencia artificial (IA) resuelvan desafíos apremiantes en los servicios de atención médica en todo el mundo. Sin embargo, el estado actual de la introducción de la IA se caracteriza por varios problemas que complican y retrasan su implementación. Estas cuestiones se refieren a temas como la ética, las regulaciones, el acceso a datos, la confianza humana y la evidencia limitada de las tecnologías de IA en entornos clínicos del mundo real. Además, abarcan incertidumbres, por ejemplo, sobre si las tecnologías de IA garantizarán un trato equitativo y seguro para los pacientes o si los resultados de la IA serán lo suficientemente precisos y transparentes como para generar confianza en los usuarios.

Se requieren esfuerzos colectivos de actores de diferentes orígenes y afiliaciones para navegar este complejo panorama.

Este artículo explora el papel de tales esfuerzos colectivos investigando cómo funciona una red de profesionales establecida informalmente para habilitar la IA en los servicios de salud públicos noruegos.

El estudio adopta un enfoque de estudio de caso longitudinal cualitativo y se basa en datos de observaciones no participantes de reuniones y entrevistas digitales.

Los datos se analizan basándose en perspectivas y conceptos de los Estudios de Ciencia y Tecnología (CTS) que abordan la innovación y el cambio sociotécnico, donde los esfuerzos colectivos se conceptualizan como movilización de actores. El estudio encuentra que en el caso del ambiguo fenómeno sociotécnico de la IA, algunas de las incertidumbres relacionadas con la introducción de la IA en la atención sanitaria pueden reducirse a medida que se produzcan más implementaciones, mientras que otras prevalecerán o surgirán.

Movilizar a portavoces que representen a actores que aún no forman parte de los debates, como los usuarios de IA o los investigadores que estudian las tecnologías de IA en uso, puede permitir una producción de conocimiento híbrido «más fuerte». Este conocimiento híbrido es esencial para identificar, mitigar y monitorear las incertidumbres existentes y emergentes, garantizando así implementaciones sostenibles de IA

1 . Introducción

Se percibe que las tecnologías de inteligencia artificial (IA) tienen un gran potencial para resolver los desafíos existentes y futuros dentro de los servicios de atención médica, incluidos los costos crecientes, la escasez de personal sanitario y el crecimiento exponencial de los datos sanitarios digitalizados necesarios para procesar y gestionar [ [1] , [2] , [3] ]. Sin embargo, las tecnologías de IA existentes no son un grupo de tecnologías claramente definido, sino que se desarrollan para diversas áreas de uso con diferentes capacidades y resultados [ 4 , 5 ]. Las tecnologías de inteligencia artificial que se están desarrollando actualmente para la atención médica y que se están utilizando lentamente (a partir de 2023) generalmente se basan en enfoques de aprendizaje automático (ML) o aprendizaje profundo (DL), siendo el análisis de imágenes una de las áreas de aplicación más prometedoras ([ 6 ] ; pág. 722 [ 7 ]; pág .

La visión del Gobierno noruego sobre la IA en la atención sanitaria es un ejemplo típico de las expectativas actuales, afirmando que, en el futuro, las tecnologías de IA «proporcionarán diagnósticos más rápidos y precisos, mejores tratamientos y un uso más eficaz de los recursos» ([ 9 ]; pág.26). ¹ La visión enfatiza además que movilizar y establecer colaboraciones entre varios actores de los sectores público y privado es crucial para permitir la IA en la atención médica (para argumentos similares, ver [ 10 ]; p. 7; [ 11 ]). Según una investigación sobre la implementación de la IA en la atención sanitaria, dichas constelaciones de actores deberán cubrir una «última milla» o cerrar una «brecha» para avanzar hacia un despliegue generalizado [ [12] , [13] , [14] ). Las cuestiones problemáticas que se deben abordar en este contexto se relacionan con temas como la ética, las regulaciones, el acceso a datos, la confianza humana y la evidencia limitada del desempeño de la IA en entornos clínicos del mundo real [ 6 , 10 , 15 , 16 ]. Algunos de los desafíos clave implican incertidumbres sobre si las tecnologías de inteligencia artificial garantizarán un trato igualitario y seguro para los pacientes o si las decisiones de aprendizaje automático tienen la transparencia y explicabilidad necesarias, esenciales en los procesos de diagnóstico y para garantizar la confianza del usuario.

En este artículo, exploro cómo una constelación específica de actores intenta abordar y navegar los numerosos problemas e incertidumbres que caracterizan la situación actual de la introducción de la IA en el contexto de los servicios públicos de salud noruegos. Específicamente, la investigación adopta un enfoque de estudio de caso cualitativo para examinar la llamada red KIN (Kunstig Intelligens i Norsk Helsetjeneste – Inteligencia Artificial en los Servicios de Salud de Noruega), una red establecida informalmente que consta de profesionales con diferentes orígenes y afiliaciones con intereses en IA. y atención sanitaria. La red tiene como objetivo contribuir al trabajo en curso para habilitar la IA en entornos clínicos del mundo real facilitando el intercambio de conocimientos y experiencias entre sus miembros e interactuando con los tomadores de decisiones, como políticos, diferentes autoridades y directores de hospitales.

El artículo se basa en conceptos de Estudios de Ciencia y Tecnología (CTS) que abordan la innovación y el cambio sociotécnico como resultado de esfuerzos colectivos de actores heterogéneos (ver, por ejemplo, [ [17] , [18] , [19] , [20] ].

Con la red KIN como objeto de estudio, el artículo sugiere que un punto de partida para comprender los desafíos de la introducción de la IA en la atención sanitaria es examinar las cuestiones relativas al despliegue de la IA que abordan dichas constelaciones de actores. por Callon et al., quienes sostienen que explorar controversias «permite hacer un inventario de las diferentes dimensiones de lo que está en juego en un proyecto» ([ 21 ]; págs. 29-30). En este artículo, que explora cómo la red KIN aborda los desafíos e incertidumbres del despliegue de la IA, se puede proporcionar un inventario de lo que está en juego en el proceso de introducción actual. Un análisis de este tipo también puede mostrar elementos visibles que no se tienen en cuenta en las expectativas más generales y genéricas de la IA. , como el del Gobierno noruego. Explorar las incertidumbres relacionadas con las tecnologías complejas emergentes es crucial para delinear lo que puede pasarse por alto en los procesos de innovación pero que, sin embargo, es esencial identificar, mitigar y monitorear para lograr soluciones sostenibles.

Más específicamente, el artículo aborda las siguientes preguntas de investigación: ¿cómo puede una red de profesionales establecida informalmente, como la red KIN, contribuir a permitir la IA en la atención médica? Para discutir este tema, busco respuestas a las siguientes subpreguntas: ¿ Cómo caracteriza la red KIN su propósito y papel, y cómo logra sus objetivos ?

El artículo comienza con un esquema del marco teórico, seguido de una presentación de la metodología de la investigación, incluyendo una descripción del caso, el proceso de investigación y el análisis de los datos. Posteriormente, el artículo presenta los hallazgos, seguido de una discusión y comentarios finales.

2 . Los procesos de innovación como actividades colectivas.

Los académicos de los Estudios de Ciencia y Tecnología (CTS) han argumentado que la innovación y el cambio sociotécnico son el resultado de las interacciones entre actores con diferentes características (ver, por ejemplo, [ 17 , 18 , 20 , 22 ]. A través de la red KIN, actores humanos de diferentes Esta producción de conocimiento heterogéneamente organizada, que se produce a través de fronteras típicamente distintas entre disciplinas, sectores y organizaciones, es lo que Gibbons et al [ 23 ] denominan «hibridación».

La hibridación puede tener un efecto que conduzca al establecimiento de constelaciones de actores llamadas «foros híbridos», que nuevamente «reflejan la necesidad de diferentes comunidades de hablar en más de un idioma para comunicarse en los límites y espacios entre sistemas y subsistemas». ([ 23 ]; p. 38). De manera similar, Callon et al. [ 21 ] describen los foros híbridos como ‘espacios abiertos donde los grupos pueden reunirse para discutir opciones técnicas que involucran al colectivo’ y donde ‘los grupos involucrados y los portavoces que afirman hacerlo’. los representan son heterogéneos, incluyendo expertos, políticos, técnicos y legos que se consideran involucrados” (p. 18).

Callón et al. Destacamos además que el aspecto de la hibridación también se relaciona con el tipo de preguntas y problemas discutidos en dichos foros, que están relacionados con una variedad de dominios y se abordan en diferentes niveles. Además, un rasgo común de estos foros híbridos es que a menudo surgen debido a avances impredecibles y confusos en la ciencia y la tecnología, y son formas adecuadas de gestionar o adaptarse a las incertidumbres generadas por dichos avances ([ 21 ]; p. 18). En este contexto, las incertidumbres pueden verse no sólo como las razones para que se establezcan ciertas constelaciones de grupos sino también como una gran motivación para buscar y adquirir más conocimientos ([ 24 ]; p. vi).

Apuntar a la heterogeneidad en las constelaciones de grupos establecidas para influir en los procesos de transición social no es infrecuente en los países nórdicos. Se alinea bien con el hecho de que la «construcción de consenso» es uno de los pilares clave de sus sistemas políticos ([ 25 ]; p. 18). Esta orientación al consenso sitúa a los países nórdicos como reformadores en algún lugar entre los sistemas de movimiento más lento de, por ejemplo, Alemania y los sistemas que son capaces de mantener una mayor velocidad, como el del Reino Unido. Aunque el sistema nórdico para garantizar el consenso lleva tiempo y el resultado no es necesariamente radical, las posibilidades de implementar soluciones más sostenibles suelen ser mayores [ 26 ]. Además, apuntar al consenso y la sostenibilidad se corresponde bien con las estrategias de IA de los países nórdicos, que se centran especialmente en la IA para sociedades sostenibles [ 27 , 28 ].

Dentro de la ciencia política, otro tipo de formación de grupos se describe como «grupos de interés» [ 29 ]. Éstos, como foros híbridos, se sitúan entre sistemas y subsistemas. Sin embargo, estas constelaciones no suelen ser espacios abiertos ni incluyen la misma variedad de tipos de miembros. Los miembros de los grupos de interés son principalmente portavoces de los miembros de las organizaciones que representan; no necesariamente se representan a sí mismos o a personas similares. El tipo de posición «en el medio» adoptada por los grupos de interés nos recuerda cómo son intermediarios, actuando entre «redes» en la comprensión del término en ciencias políticas (ver, por ejemplo [ 30 ], y los subgrupos que tienen intereses específicos dentro de Por lo tanto, los grupos de interés suelen estar asociados con organizaciones de defensa (por ejemplo, Médicos sin Fronteras) o asociaciones profesionales y/o sindicatos (por ejemplo, asociaciones médicas específicas de un país). , por ejemplo, los límites institucionales, como en los foros híbridos, pero ayudan a «facilitar las relaciones entre actores que de otro modo tendrían dificultades para relacionarse entre sí» [ 29 ];

Los académicos asociados con uno de los marcos CTS más conocidos, la Teoría Actor-Red (ANT), ofrecen otra perspectiva sobre las actividades colectivas. Akrich et al. [ 17 ] sostienen que los procesos de innovación y sus resultados están determinados por el número de actores que el proyecto en cuestión es capaz de movilizar y por el carácter de las interacciones entre estos actores. En este contexto, los actores pueden ser tanto humanos como no humanos (por ejemplo, tecnologías de inteligencia artificial). Por lo tanto, un elemento esencial para movilizar a los actores necesarios y obtener suficiente poder para proceder con la innovación es hacer y mantener a los actores relevantes interesados en el proyecto ([ 17 ]; p. 205). Si el proyecto, ejemplificado por la red KIN en el presente estudio, logra mantener el interés de los actores y establecer las alianzas necesarias, esto confirma la validez del objetivo o principio fundacional del proyecto.

La influyente descripción que hace Callon [ 18 ] de la domesticación de vieiras y pescadores de la bahía de St Brieuc ofrece varios ejemplos de cómo se establecen alianzas entre actores pero también se ven amenazadas y cómo esto afecta un proceso de innovación. Un punto esencial en la historia de Callon es cómo los actores no humanos (por ejemplo, las tecnologías de IA) son entidades importantes para involucrar en los procesos en curso y mantener como aliados, de la misma manera que los actores humanos (por ejemplo, los médicos como usuarios de IA). Sin embargo, como los actores no humanos como las tecnologías de IA no pueden hablar por sí mismos, se les da voz a través de otros actores que los incorporan a las conversaciones (por ejemplo, investigadores, proveedores, usuarios o investigadores de IA que estudian la IA en uso). Así, considerar quién habla en nombre de quién es fundamental, lo que incluye también prestar atención a la distinción entre portavoces y representantes ([ 18 , 31 ]; p. 216). Por ejemplo, en el caso de este estudio, los investigadores o proveedores de IA, que actualmente son los que tienen más conocimientos sobre las capacidades de las tecnologías de IA, pueden aparecer como los principales portavoces de las tecnologías de IA. Como estos portavoces tienen sus propios intereses o agencias, como promover su investigación o vender sus productos, lo más probable es que representen la IA de cierta manera (optimista). Estos intereses influyen, además, qué tipo de información se comparte y circula dentro del proyecto en cuestión: la red KIN y más allá. Esta distribución de poder plantea preguntas sobre qué versiones de IA se basan en las alianzas existentes que colectivamente apuntan a habilitar la IA en la atención médica y cómo este conjunto de versiones de IA y sus espectadores afecta el resultado del proceso de introducción en curso.

El objetivo de la red KIN de facilitar el intercambio de conocimientos y experiencias entre profesionales centrándose en los problemas e incertidumbres que complican la introducción de la IA en la atención sanitaria no sólo subraya las razones de ser de la red , sino también que la IA, como fenómeno sociotécnico, es integral y desafiante de entender, o peor aún, de dominar. Una consecuencia importante de un concepto ambiguo como el de la IA [ 5 ] es que complica las conversaciones en curso, ya que las personas hablan de la IA desde diversas perspectivas y percepciones sin saber si están «en la misma página». Por ejemplo, preguntas como si la IA hará que los servicios de salud sean más eficientes darán varias respuestas diferentes, dependiendo de la opinión de quién se solicite y en qué contexto ([ 5 ]; p. 28). Otro resultado del vasto concepto de IA es que la flexibilidad del término permite a múltiples actores formar sus propias expectativas y desarrollar sus conocimientos en consecuencia. Si esta experiencia, basada en ciertas expectativas, se comparte de manera amplia y convincente, esto podría establecer una agenda que otras partes interesadas seguirán ([ 32 ]; p. 139).

Estos ejemplos de posibles consecuencias del término vago y flexible de IA muestran que hay aspectos retóricos importantes que se deben tener en cuenta al estudiar las conversaciones de IA. A propósito, y quizás un poco irónico, dado que la IA es un concepto ampliamente definido y tratado en consecuencia en las conversaciones observadas y las entrevistas realizadas durante este estudio, los términos genéricos y generales «IA» y «tecnologías de IA» se utilizan indistintamente en este artículo. . Estos términos cubren la IA tanto en un sentido amplio como en un sentido estricto y reflejan simultáneamente cómo es utilizada dentro de la red estudiada y por los informantes.

3 . Metodología de investigación

Este artículo se basa en un enfoque de estudio de caso longitudinal cualitativo, que incluye datos de observaciones de no participantes de las reuniones, conferencias y seminarios de la red KIN, y entrevistas semiestructuradas con la secretaría de la red.

3.1 . Descripción del caso

A finales de 2020, se estableció la red KIN en Noruega como una iniciativa nacional para aumentar las implementaciones de IA en entornos clínicos del mundo real. La iniciativa surgió a través de conversaciones informales entre pares en relación con la primera conferencia nacional sobre IA en la atención médica para gerentes y médicos de los servicios de salud noruegos, organizada en Bodø en 2019. Un año después, algunos de los iniciadores pasaron a formar parte de una secretaría. de ocho personas, gestionando la red y facilitando sus actividades.

La secretaría estuvo integrada por:

-un investigador de un departamento de investigación de una sociedad de responsabilidad limitada
-un gerente de departamento de una agencia pública
-dos directivos de un centro de investigación nacional
-un asesor principal de una de las cuatro autoridades sanitarias regionales de Noruega
-un director de departamento de una de las cuatro autoridades sanitarias regionales de Noruega

Las actividades que lleva a cabo la red son reuniones trimestrales organizadas por la secretaría y tres o cuatro seminarios o conferencias anuales organizados por miembros de la red que representan diferentes áreas geográficas e instituciones. La secretaría establece las agendas de las reuniones inspirándose en las aportaciones de los miembros de la red, mientras que los organizadores locales desarrollan los programas de la conferencia.

La red KIN no tiene limitación en cuanto al número de miembros. Como tal, todos los interesados pueden unirse a la red, incluidos, entre otros, profesionales con experiencia en medicina, matemáticas/estadística/física, aprendizaje automático, economía de la salud, investigación sanitaria, farmacia y ciencias sociales [ 33 ]. Los miembros suelen ser reclutados a través de colegas, otros conocidos o una opción de registro en el sitio web de la red. Durante los dos años en que se llevó a cabo este estudio, la lista de miembros aumentó de aproximadamente 20 participantes en la primera reunión oficial a 160 miembros a fines de 2022. El grupo más grande de miembros son investigadores de campos dentro de las ciencias duras (por ejemplo, informática, aprendizaje automático en particular y física médica) de universidades, centros de investigación u hospitales. Otros grupos son empleados de hospitales y burócratas con experiencia en medicina o tecnología, que trabajan en la intersección entre tecnología y atención médica. Finalmente, algunos de los grupos más pequeños son personas de la industria, principalmente de empresas de software, organizaciones de interés y municipios. Además, en febrero de 2023, la red contaba con 32 observadores, incluido el autor de este artículo y directores de proyecto o asesores superiores de afiliaciones como la Dirección de Salud de Noruega, la Dirección de Salud Electrónica, la Junta de Supervisión Sanitaria y la Junta. de Tecnología que apoya los procesos de toma de decisiones políticas.

3.2 . Proceso de investigación

Me inscribí como observador de la red KIN justo a tiempo para participar en la segunda reunión oficial en febrero de 2021. Durante dos años, hasta diciembre de 2022 y con una breve revisita en una reunión en mayo de 2023, observé sus reuniones digitales trimestrales ( ocho en total) y tres de seis conferencias/seminarios (dos presenciales). Mientras asistía a estas actividades, presté especial atención a las personas que participaban en las discusiones y hacían presentaciones, quiénes eran y de qué hablaban. Durante estas observaciones, observé principalmente el desarrollo de la comunicación verbal en curso y las presentaciones visuales. Como no sabía de antemano quién asistiría a las reuniones, fue imposible obtener el consentimiento de todos los participantes para grabar las discusiones. Por lo tanto, la fuente principal de documentación fueron las notas de campo tomadas durante las reuniones. En dos de las conferencias a las que asistí en persona, también conversé con los participantes durante las pausas para el café y las comidas, y luego escribí notas de campo cuando estaba solo.

Además, en otoño de 2022, entrevisté a seis de los ocho miembros de la secretaría que habían formado parte de la secretaría desde el principio. Las entrevistas duraron entre 30 y 60 min y giraron en torno a temas como cómo se estableció la red, el objetivo y el rol de la red, quiénes eran los miembros, con quién colaboró la red, cómo habían sido los dos años con la red, cuál tipo de IA que consideraban mediada a través de la red, y lo que percibían como logros actuales, desafíos y trabajo relevante para llevar a cabo en el futuro. Estas entrevistas fueron grabadas y transcritas en su totalidad. ²

Como material secundario, examiné las presentaciones en PowerPoint de las presentaciones realizadas durante las reuniones. Estas también sirvieron como actas de las reuniones de la red, ya que la secretaría añadió algunos comentarios a las presentaciones después de las reuniones. También estudié los programas de la conferencia y la información y los documentos publicados en el sitio web (para la URL del sitio web, consulte [ 34 ]). El sitio web proporciona información sobre la red, la secretaría, los miembros y la política de membresía. También incluía una lista de proyectos de IA en curso en Noruega (principalmente proyectos de investigación y desarrollo en hospitales) y una descripción general de las actividades de la red.

3.3 . Análisis de los datos

Las entrevistas transcritas se analizaron en tres fases. Primero, fueron sujetos a una codificación abierta exploratoria, donde se leyeron línea por línea y se resaltaron diferentes temas. Posteriormente, el texto fue releído y codificado con códigos más específicos ([ 35 ]; p. 172). A medida que se agruparon códigos similares, surgieron categorías generales, como «el propósito de la red», «papel de la red», «miembros», «IA en los desafíos de la atención médica», «temas discutidos», «agendas», «desafíos para la red», ‘interacción con otras partes interesadas’ e ‘influencia en el campo’. Por último, se llevó a cabo un proceso más abductivo a medida que los datos categorizados se consideraron y refinaron en función de las cuestiones destacadas por las preguntas de investigación, que tomaron forma después de las dos primeras fases de análisis. Este proceso resultó en dos categorías principales: ‘la red según la red’ y ‘las actividades, agendas e influencia de la red’. Las notas de campo, las actas de las reuniones, los programas de la conferencia y la información del sitio web se asignaron además como elementos que respaldan o complementan los hallazgos de las entrevistas. Un ejemplo de dichos elementos es la descripción de la red del sitio web que se incluye a continuación.

4 . Recomendaciones

Los hallazgos presentados en esta sección están organizados después de las dos categorías resultantes del análisis de datos, que también refleja los temas de las subpreguntas de investigación.

4.1 . La red según la red

En el sitio web de la red KIN, la red se describe de la siguiente manera:

KIN es una red nacional de inteligencia artificial en el servicio de salud, que está formada por varias comunidades profesionales de todo el país. La red adopta un enfoque ascendente y tiene como objetivo compartir experiencias y poner en la agenda cuestiones importantes relacionadas con la implementación clínica de la inteligencia artificial . Conectamos comunidades profesionales estableciendo espacios de encuentro para el debate conjunto y el intercambio de conocimientos sobre la implementación de la inteligencia artificial en el sector sanitario. La red está abierta a todo aquel que quiera participar y compartir su trabajo (extracto del sitio web de la red KIN, traducción mía)

Esta cita describe las intenciones de la red en tres aspectos: compartir experiencias y conocimientos, establecer temas centrales en la agenda y conectar a personas de diferentes campos, todo ello basado en un enfoque «de abajo hacia arriba».

Además de estar abierta a quienes quieran participar, la política de membresía de la red subraya que la membresía es personal, lo que significa que los participantes se representan a sí mismos y no a sus organizaciones afiliadas [ 33 ]. Durante las entrevistas, se argumentó que ser miembro personal facilitaba el trabajo y las discusiones, ya que los miembros no necesitaban permiso de sus responsables para participar en la red o tener una opinión particular sobre los temas discutidos. De este modo, las conversaciones que se desarrollaron durante las reuniones pudieron desarrollarse más libremente, sin demasiadas restricciones ni reservas. Se argumentó además que esto hacía que los miembros y la red fueran más informales y, al mismo tiempo, se alinearan con el enfoque «de abajo hacia arriba» que la red deseaba adoptar.

Durante la introducción de las reuniones se hizo hincapié repetidamente en el uso del término «de abajo hacia arriba» para describir el enfoque. Un informante explicó la lógica detrás de este enfoque de la siguiente manera:

Es bastante simple: mantener el foco en lo que las personas con conocimientos de IA en el cuidado de la salud perciben como difícil o útil, cuáles son las soluciones a los problemas, etc., dará como resultado una agenda más orientada a los profesionales que a la política. Si nosotros [la red] encontramos un potencial diferente [en la IA], que la alta dirección no ve, no incluye en las estrategias o no toma decisiones sobre… entonces hay que hacer lo que se hace normalmente: tratar de deja que [el conocimiento] fluya hacia arriba en el sistema, habla con tus jefes, etc. (un miembro de la secretaría, mi traducción)

Esta afirmación muestra no sólo que el conocimiento experto individualizado es esencial para la red, sino también que el conocimiento y la experiencia deben canalizarse (o filtrarse) más «hacia arriba» en el sistema, permitiendo que el conocimiento de los profesionales también informe la agenda en estos círculos. El informante argumentó además que esta forma de compartir información es la mejor manera de establecer bases adecuadas para decisiones importantes y estratégicas en el caso de la IA:

En la medida en que nos topemos con oro, debemos decirles a nuestros gerentes qué es para que puedan actuar en consecuencia. En las salas de juntas y en los puestos de alta dirección, no se sabe automáticamente todo lo que sucede a nivel de base (un miembro de la secretaría, traducción mía)

A través de estas dos últimas citas, encontramos ejemplos de percepciones de cómo los tomadores de decisiones necesitan la ayuda del conocimiento de expertos para actuar y tomar decisiones relacionadas con la introducción de la IA en la atención médica. De manera similar, otro informante comentó que «la burocracia», que según él estaba demasiado distante de la dinámica de las comunidades profesionales, necesitaba el conocimiento de los profesionales para desarrollar políticas adecuadas: «Es difícil imaginar una política basada en el conocimiento en esta área, sin que las comunidades profesionales se movilicen muy activamente». Además, esta cita subraya que la red percibe la movilización de varios actores como un factor esencial en las primeras fases de la introducción de nuevas tecnologías.

Había también otra razón por la que se consideraba necesaria una red como la red KIN. Como argumentó un informante, ninguna organización sanitaria había llegado muy lejos en el despliegue de la IA, lo que nuevamente hacía importante que los profesionales tuvieran la capacidad de discutir y compartir conocimientos en «redes informales de base». El uso del término «de base» en este contexto también puede verse como una forma de posicionar la red como contraparte de las iniciativas más «de arriba hacia abajo» en el sector de la salud y, nuevamente, alinearse con sus iniciativas «de abajo hacia arriba». acercarse. La característica de ser una red informal se enfatizó aún más al referirse al hecho de que no tenían presupuesto ni mandato de otra parte: ‘No tenemos presupuesto ni nada, cierto… la gente lo hace casi de forma voluntaria’ ( miembro de la secretaría).

Cuando se le preguntó qué había logrado la red KIN en los dos años de existencia, un informante afirmó que se había convertido en una especie de «centro de gravedad» para muchos de los procesos en curso de introducción de la IA en los servicios de salud. Otro informante comentó que: ‘se ha convertido en una forma de dialogar con las autoridades, se ha convertido en un canal donde la gente puede dar aportes [a las autoridades], y les resulta más fácil [a las autoridades] preguntar a la red KIN. [para aportes o comentarios sobre ciertos temas]’. Así, la red fue descrita como un «socio de diálogo», pero también como un «grupo de expertos» o «catalizador». Todos estos términos descriptivos, que van desde «base» hasta «centro de gravedad» y «catalizador», dan interpretaciones bastante diferentes del papel de la red: de ser algo que cubre el terreno, asegurando una base sólida para que crezca el conocimiento, a un centro desde donde se crean diferentes proyectos, comienzan a evolucionar y acelerarse.

4.2 . Las actividades, agendas e influencia de la red.

Los medios para lograr los objetivos de intercambio de conocimientos y experiencias de la red fueron principalmente la organización de «una serie de seminarios/conferencias específicas donde profesionales de comunidades relevantes se reúnen para compartir experiencias a través de presentaciones y debates» (extracto del acta de la reunión, 27 de noviembre de 2020, mi traducción). En estas ocasiones, tanto miembros de la red como observadores y no miembros invitados contribuyeron como presentadores o participantes en los paneles de discusión. Estos contribuyentes procedían normalmente de los entornos hospitalario y de investigación, pero también de la industria, expertos jurídicos, el registro de cáncer, las cuatro autoridades sanitarias regionales, la autoridad de protección de datos, la Dirección de Salud, la Dirección de e-salud y el Ministerio de Servicios de Salud y Atención.

Un informante explicó que las reuniones deberían reflejar lo que la mayoría de los miembros acordaron como temas necesarios para discutir, agregando la pregunta: ‘¿Cuáles son los temas más importantes y difíciles que deben resolverse en esta área?’. Así, hasta cierto punto, las agendas de las reuniones se basaron en el resultado de las encuestas digitales realizadas al final de cada reunión. A través de estas encuestas, llamadas «verificaciones de temperatura», los miembros podían votar por temas que consideraban necesario abordar o cruciales para discutir en futuras reuniones. Las encuestas consistieron principalmente en temas predefinidos por los cuales los participantes de la reunión podían votar. Sin embargo, en algunas reuniones también fue posible sugerir otras cuestiones mediante una opción de texto libre. Una tercera forma para que los miembros influyeran en las agendas de las reuniones era contactar directamente a la secretaría con ideas o deseos. Las sugerencias entrantes generalmente se transformaban en temas predefinidos, que se agregaban a las encuestas para las próximas reuniones. Por tanto, la lista de categorías podría cambiar ligeramente de una reunión a otra.

Los temas predefinidos de las encuestas normalmente incluían categorías como:

-‘Validación y ajuste de soluciones de IA a las condiciones locales (incluidos grupos de pacientes noruegos)’
-‘Ética y legislaciones en materia de IA (sesgo en los datos, caja negra, responsabilidad)’
-‘Clínica y usuarios: apoyo a la toma de decisiones y comunicación de incertidumbres [el resultado del sistema proporcionado a los médicos, informándoles sobre la precisión o calidad del resultado de la IA]’
-‘Cómo hacer que las soluciones de IA sean lo más beneficiosas posible para las clínicas’
-‘Fabricar o comprar [desarrollar IA internamente o comprar productos disponibles comercialmente]’
-‘Desarrollo de competencias dentro del sector’
-‘Soluciones en la nube para compartir datos’
-‘Armonización/calidad de los datos’
-‘Políticas e incentivos financieros’
-‘Validación de tecnologías de aprendizaje continuo’
-‘Infraestructura y ciberseguridad’
-‘Consecuencias de las nuevas reglas para la certificación y aprobación de soluciones de IA [cómo obtener el marcado CE según el Reglamento de Dispositivos Médicos actualizado, 2021]’. (una síntesis de categorías de las diferentes presentaciones de las reuniones, mi traducción y explicaciones adicionales entre paréntesis)

Las tres categorías superiores de esta lista fueron calificadas como los tres temas de discusión más deseados durante los dos años en que se observaron las reuniones. Como asistí a una reunión cinco meses después de completar la recopilación de datos, esta clasificación seguía siendo la misma. Aunque el tema de esta reunión en particular fue «Garantía de calidad y validación de la IA», el mismo tema fue votado como el tema número uno para futuras discusiones al final de la reunión. Con base en esta clasificación, se puede argumentar que las áreas que los miembros de la red perciben como las que involucran más incertidumbres están todas relacionadas con el despliegue de la IA en entornos clínicos del mundo real y cuestiones clave específicas de las tecnologías de IA para la atención sanitaria. Las incertidumbres incluían preguntas como: ¿cómo pueden o deberían los proveedores de atención médica validar o probar las tecnologías de IA antes de su implementación en las prácticas clínicas? ³ ¿Será posible ajustar las tecnologías de acuerdo con las condiciones locales, como flujos de trabajo clínicos, procedimientos y datos de pacientes particulares? ¿El resultado del uso será justo y seguro para todos los pacientes, quién es responsable si se producen errores y cómo pueden los médicos estar seguros de la precisión y calidad del resultado de la IA?

Además de las reuniones y conferencias, los miembros de la red y especialmente la secretaría asistieron o llevaron a cabo actividades adicionales para influir en los políticos, autoridades y otros responsables de la toma de decisiones. Se trataba de actividades organizadas fuera de las fronteras de la red definida (las reuniones y conferencias periódicas), como talleres sobre la adopción de la IA organizados por un proyecto de coordinación nacional que también tiene como objetivo habilitar la IA en la atención sanitaria iniciado por un plan de políticas del gobierno noruego [ 9 ]. (cf., [ 36 ]). La secretaría también escribió una carta al Ministerio de Salud y Servicios de Atención destacando la necesidad de seguir centrándose en permitir la adopción de la IA, y organizaron un evento en la reunión política anual más grande e importante de Noruega, Arendalsuka, en 2022. En el evento, se acercaron a políticos y autoridades sanitarias para defender la necesidad de una «hoja de ruta» nacional para superar muchos de los problemas actuales de la introducción de la IA en los servicios sanitarios.

Otro tipo de interacción entre la red y las autoridades se produjo cuando representantes de las autoridades hicieron presentaciones en varias de las reuniones de la red sobre temas como el acceso a datos para el uso de IA en la atención médica o sobre actividades realizadas a nivel nacional para facilitar la introducción de IA en las prácticas clínicas, incluida la orientación sobre cuestiones jurídicas. Basándose en la presencia de las autoridades en varias reuniones, ya sea como presentadores u observadores, un informante afirmó que la red se había vuelto valiosa para las autoridades ya que podían «informar y obtener conocimientos por su propia parte».

Sin embargo, algunos de los informantes también cuestionaron la influencia real de la red KIN. Por ejemplo, con respecto a la toma de decisiones finales, un informante comentó que no importa qué conocimiento o recomendaciones la red compartiera con las autoridades sanitarias, «el gobierno hará lo que le plazca». Otro informante cuestionó si el conocimiento compartido y acumulado a través de la red llegaría a las prácticas clínicas y beneficiaría aún más el tratamiento del paciente. El informante abordó esta cuestión relacionándola con la tradición noruega de organizar los hospitales en lo que llamó «silos»; un silo para la investigación y otro para la atención al paciente, entre los cuales existen pocos puentes para las transacciones de conocimiento. El informante lo explicó de la siguiente manera:

… una de las grandes debilidades del sector hospitalario público noruego es que está manipulado, como en los años 1970. Está diseñado para optimizar la atención al paciente, por un lado, y la investigación, por el otro, por separado. Este último produce conocimiento, preferentemente a través del estudio de la atención al paciente. Cuando ese conocimiento se establece, en medida suficiente, existen mecanismos frágiles para implementarlo en la clínica y cambiar aún más la clínica (un miembro de la secretaría, mi traducción).

El informante continuó explicando cómo estos silos también desafían la introducción de la IA. Como afirmó el informante, la IA es un tipo de tecnología de la información que está aún más alejada de la atención al paciente que la investigación que se lleva a cabo en el silo de investigación. La investigación está al menos relacionada con grupos específicos de pacientes y, por tanto, tiene conexión con las prácticas clínicas de los hospitales. Sin embargo, en el caso de la IA, el informante percibió esta distancia o falta de acceso a entornos clínicos como una razón por la que es difícil determinar si las tecnologías de IA pueden beneficiar el trabajo clínico, o cómo.

5 . Discusión

5.1 . Producción de conocimiento híbrido para habilitar la IA en la atención médica

Como la red KIN es abierta y tiene como objetivo movilizar a diferentes actores interesados en la IA y la atención médica de todas las disciplinas, sectores y organizaciones, se establecen las condiciones para permitir la producción de conocimiento híbrido, como lo describen Gibbons et al. [ 23 ]. Sin embargo, a pesar de los intentos de la red de movilizar miembros que representaran diversas especialidades y afiliaciones, la mayoría de ellos eran investigadores de IA de los sectores de investigación y universitarios y de unidades de investigación de hospitales, con experiencia en campos como la informática, el aprendizaje automático y la física médica. A este grupo le siguieron grupos más pequeños de burócratas que trabajaban en áreas de atención médica y tecnología, empleados de hospitales que trabajaban en proyectos relacionados con la tecnología y representantes de la industria del software o la inteligencia artificial. Esta distribución de miembros plantea dudas sobre si los actores movilizados a través de la red son lo suficientemente heterogéneos; ¿Pueden producir el conocimiento híbrido necesario para comprender mejor las numerosas incertidumbres relativas a la introducción de la IA en la atención sanitaria y, posteriormente, contribuir a garantizar implementaciones sostenibles de la IA? También plantea preguntas sobre quién habla en nombre de quién [ 18 , 31 ] y qué podría implicar la selección actual de portavoces para el conocimiento compartido dentro de la red y la contribución de la red a la introducción de la IA en los servicios públicos de salud noruegos.

De la lista actual de miembros, se puede argumentar que la mayoría de los miembros que hablan en nombre de las tecnologías de IA tienen interés en promover dichas tecnologías de ciertas maneras positivas; son entusiastas de la IA. Por lo tanto, también se puede argumentar que la experiencia de estos actores, basada en sus expectativas de IA y comunicada dentro de la red, establece la agenda a seguir por otros miembros y partes interesadas asociadas [ 32 ]; pag. 139). A partir de ahora, lo que parece faltar en la red, y por lo tanto no influye en la agenda ni en la producción de conocimiento, son miembros representativos de actores como los usuarios de IA y tecnologías específicas de IA en uso en entornos clínicos del mundo real (por ejemplo, usuarios reales). o investigadores que estudian la IA en uso). Estos portavoces podrían proporcionar más conocimientos sobre las incertidumbres identificadas por los miembros de la red como cruciales para discutir con el fin de proceder con la introducción de la IA en la atención sanitaria.

Sin embargo, a medida que surjan nuevos y más actores, también surgirán nuevas incertidumbres [ 21 ]. En consecuencia, a medida que los actores faltantes se vuelven móviles y pasan a formar parte de las constelaciones de actores existentes, se pueden identificar y explorar cuestiones que antes se pasaban por alto, se consideraban poco importantes o desconocidas. El hecho de que la falta de portavoces representativos pueda dar lugar a que se pasen por alto cuestiones cruciales subraya la importancia del trabajo continuo para movilizar a nuevos actores que parecen permitir una producción de conocimiento más híbrida.

La cuestión de los actores cruciales que aún no se han movilizado adecuadamente dentro de la red KIN cuestiona aún más el enfoque autoproclamado «de abajo hacia arriba» de la red. En lugar de representar el «fondo», se puede argumentar que la mayoría de los miembros actuales están ubicados en el medio, entre el sistema (el gobierno y las autoridades sanitarias) y los subsistemas o el «fondo» real (incluidos actores como AI). usuarios, pacientes y tecnologías de IA específicas en uso). También se puede considerar que la red adopta una posición intermedia en la tensión entre los defensores de la industria que presionan por un enfoque de mercado y procesos gubernamentales más verticales centrados en el desarrollo de marcos y regulaciones nacionales para evitar o mitigar daños potenciales (cf., [ 36 ]) . Esta posición se ve subrayada por la variación en los miembros que representan ambos polos que colectivamente, a través de la red, buscan contribuir a permitir la IA en la atención médica. Esta perspectiva, que sitúa a la red en el medio, sugiere que el papel de la red KIN se parece más al papel intermediario de los grupos de interés que al papel híbrido de producción de conocimientos de los foros híbridos.

Por el contrario, se puede argumentar que mientras el debate sobre la IA se mantenga en un nivel general, mayoritariamente teórico, donde la IA se trate en términos generales y no como tecnologías específicas con evidencia de desempeño en el mundo real, los miembros actuales de la red son los últimos. ‘. Por lo tanto, paradójicamente, aquí es también donde la red se diferencia de los grupos de interés. Los miembros actuales de la red se representan principalmente a sí mismos y a sus intereses; son las «bases» desde las cuales el conocimiento crece y «gotea hacia arriba» en el sistema. Además, como no tienen presupuesto ni mandato formal, el término «red informal de base» puede no ser tan descabellado después de todo, posicionándolos como una contraparte de las iniciativas más «de arriba hacia abajo».

Mientras el número de implementaciones de IA en el sector sanitario siga siendo limitado, el número de usuarios y de tecnologías de IA en uso también lo serán. Sin embargo, tan pronto como aumente el número de implementaciones, el nuevo «fondo», incluidos los portavoces representativos de actores como los usuarios de IA y las tecnologías específicas de IA en uso, podrán movilizarse a la red. Con el tiempo, con un mayor conocimiento del desempeño real de las tecnologías de IA y evidencia de su impacto inmediato, se podrán identificar y explorar nuevas incertidumbres, y se podrán compartir nuevos conocimientos dentro y fuera de la red. Además, a medida que se movilice el nuevo «fondo», se puede argumentar que se puede construir un consenso más amplio dentro de la red. Sin embargo, lograr ese consenso llevará tiempo, ya que el número de miembros de la red ha aumentado y se ha vuelto más heterogéneo. Esta participación y heterogeneidad más amplias también pueden requerir que la secretaría trabaje activamente para evitar el establecimiento de fracciones dentro de la red como resultado de que la red adquiera un carácter más distribuido. Sin embargo, si se logra un consenso más amplio y el conocimiento híbrido producido como resultado se comparte con los tomadores de decisiones y otras partes interesadas, las posibilidades de lograr un resultado más sostenible podrían aumentar. Por otro lado, no lograr movilizar al nuevo conjunto de actores emergentes podría significar que la red eventualmente se disuelva; Si el conocimiento producido no tiene relevancia para la nueva situación de la IA en la atención sanitaria, el interés de los miembros y otras partes interesadas en la red probablemente disminuirá.

5.2 La red KIN como foro híbrido

La introducción de la IA implica múltiples incertidumbres, muchas de las cuales parecen ser constitutivas de la red KIN y sus agendas de reuniones, similares a los foros híbridos de [ 21 ]; pag. 18). Las incertidumbres relacionadas con el despliegue de la IA identificadas y priorizadas por los miembros de la red como esenciales para lograr un mayor conocimiento pueden verse además como incentivos para continuar las reuniones [ 24 ]; pag. vi). Los elementos de las respuestas a las incertidumbres actuales se harán visibles a medida que se implementen y utilicen cada vez más tecnologías de IA. Sin embargo, no será posible predecir ni obtener una descripción completa de los resultados a corto o largo plazo de las diversas y generalizadas implementaciones de IA que tendrán lugar en diferentes prácticas clínicas locales, sus flujos de trabajo, procedimientos y datos de pacientes particulares. Por lo tanto, a medida que la introducción de la IA entre en nuevas fases, aparecerán una miríada de nuevas incertidumbres relacionadas con las muchas variaciones de las tecnologías de IA y los contextos de uso.

Las perspectivas de un panorama continuo de incertidumbres conocidas y desconocidas exigen de manera similar seguir explorando y abordando las incertidumbres emergentes. Aunque tales exploraciones nunca conducirán a inventarios exhaustivos de todas las posibles incertidumbres, harán visibles algunos «medios para tomar medidas» a medida que las tecnologías de IA se introduzcan, se pongan en uso y se utilicen a lo largo del tiempo. Posteriormente, los inventarios permitirán a los actores involucrados anticipar y monitorear cuestiones e incertidumbres críticas y descubrir otras nuevas a medida que otras se reducen ([ 21 ]; p. 22). Podría decirse que en los casos relacionados con la introducción y el uso de tecnologías ambiguas e impredecibles como las basadas en la IA, ese trabajo continuo parece más relevante que nunca.

Como foros híbridos de Callon et al., constelaciones como la red KIN pueden servir como un «aparato de elucidación» ([ 21 ]; p. 35). Hoy en día, esta elucidación del inventario de las incertidumbres actuales puede ejemplificarse en la lista de temas identificados a través de los ‘controles de temperatura’ como importantes para que los miembros de la red los discutan. Otros ejemplos son las reuniones que abordan temas como la validación de la IA y el acceso a datos para su uso. A medida que los miembros comparten sus conocimientos y estos conocimientos «se filtran» hacia los tomadores de decisiones en el sistema, se puede argumentar que, después de todo, afectan el estado actual de la introducción de la IA. Como tales, pueden incluso contribuir a reducir algunas de las incertidumbres actuales y, por tanto, hasta cierto punto, contribuir a habilitar la IA en la atención sanitaria. Esto podría ocurrir, por ejemplo, cuando la red KIN llama la atención de las autoridades sobre la necesidad de los servicios de salud de una «hoja de ruta» nacional o la necesidad de apoyo de los hospitales para comenzar a validar la IA en sus entornos clínicos locales, a pesar de los silos organizativos entre la investigación y la investigación. actividades y atención al paciente.

Como lo indica la discusión anterior, la actual «elucidación» y la contribución a la reducción de las incertidumbres actuales se basan principalmente en el conocimiento producido por una constelación de actores híbridos o heterogéneos «débiles». Actores como los usuarios de IA, los pacientes y las tecnologías de IA en uso no están representados por portavoces que puedan hablar de cómo funcionan realmente las tecnologías de IA en entornos clínicos del mundo real o cómo afectan las vidas de quienes habitan este mundo. Como ya hemos mencionado, la existencia de la red depende de la constelación de portavoces que sea capaz de movilizar ([ 31 ]; p. 218). Si los portavoces representativos de los actores ahora desaparecidos se convierten en parte de la red, la red también puede garantizar mejor que lo que se habla no sea posteriormente refutado por los actores que hablan en nombre de [ 18 , 37 ]. Dicho de otra manera, si una constelación de actores, como la red KIN, quiere seguir aportando conocimientos que contribuyan a una introducción y un futuro sostenibles de la IA en la atención sanitaria, se deben movilizar los nuevos actores «de fondo» que surjan. Si se producen tales movilizaciones, también se puede garantizar dentro de la red una creación de consenso más amplia y una producción de conocimientos híbridos «más fuertes».

Sin embargo, si se logra una mayor participación y heterogeneidad, se introducirá una nueva capa de complejidad en la constelación de redes, lo que al mismo tiempo enfatiza la naturaleza problemática de la IA como término general para diferentes tipos de tecnologías. Con la diversidad de tecnologías de IA y los numerosos usuarios y pacientes afectados por estas tecnologías, todos los cuales pueden estar representados por una variedad de portavoces (ya no sólo los entusiastas de la IA), la complejidad de la red parece ilimitada. En consecuencia, a medida que la red se vuelve cada vez más heterogénea, se vuelve más difícil lograr el consenso entre los miembros e impedir la formación de facciones o «silos» dentro de la red, donde los miembros se reúnen basándose en intereses y experiencia compartidos.

Por lo tanto, a medida que se implementan diversas tecnologías de IA y nuevos conjuntos de actores se vuelven móviles, puede resultar necesario definir algunos límites para la red. Esto puede incluir la toma de decisiones sobre en qué tipo específico de tecnologías de IA o área médica debería centrarse la red, así como qué usuarios y grupos de pacientes deberían estar incluidos y representados por quién. En última instancia, habrá que negociar quién debería formar parte del nuevo «fondo» de la red.

6 . Resumen y comentarios finales

A través de este estudio, se exploraron las características de una red de profesionales que pretenden contribuir a habilitar la IA en los servicios de salud públicos noruegos. También lo ha hecho su capacidad para disminuir los problemas e incertidumbres que actualmente complican y retrasan el despliegue de la IA en la atención sanitaria.

A través de la red KIN se produce y comparte conocimiento entre actores no necesariamente vinculados previamente. Sin embargo, la heterogeneidad de la red puede cuestionarse y problematizarse. Por el momento, algunos actores no pueden movilizarse lo suficiente y, por lo tanto, todavía no se habla de ellos dentro de la red. Estos actores, que carecen de portavoces representativos, incluyen actores humanos, como médicos como usuarios de IA y pacientes como receptores de servicios respaldados por IA, así como actores no humanos, como tecnologías de IA diferentes pero específicas en uso, representadas por, por ejemplo, investigadores que estudian el uso de la IA. En la red actual, los usuarios de IA, los pacientes y las tecnologías de IA son representados principalmente por actores que pueden caracterizarse como entusiastas de la IA. Esta representatividad, o la falta de ella, afecta el conocimiento producido y compartido dentro y fuera de la red. Por lo tanto, basándose en las características de la red, se puede argumentar que su contribución para permitir la IA en la atención sanitaria tiene sus limitaciones naturales. La red no puede producir el conocimiento híbrido necesario para reducir las incertidumbres actualmente conocidas sobre las implementaciones de IA en entornos clínicos del mundo real.

A medida que se produzcan más y más despliegues de IA y los actores que aún no están adecuadamente movilizados comiencen a interactuar, surgirán problemas e incertidumbres más concretos. Por lo tanto, a medida que la introducción de la IA avance hacia un despliegue más generalizado, dichos actores podrán movilizarse mejor. Posteriormente, se podrá producir un conocimiento híbrido más sólido que contribuya a una introducción más sostenible de la IA. Por ahora, en las primeras fases de la introducción de la IA en la atención sanitaria, este estudio muestra que la red KIN es un «aparato de elucidación» que genera incertidumbres que es necesario explorar y abordar para avanzar en el despliegue de la IA. Estas incertidumbres se hacen visibles a través de los votos emitidos por los miembros de la red sobre los temas que consideran más importantes para discutir y las actividades posteriores llevadas a cabo dentro de la red. A medida que los miembros actuales interactúan y comparten sus conocimientos con otras partes interesadas, llaman la atención de los tomadores de decisiones sobre estos elementos de importancia para habilitar la IA en la atención médica. El papel que desempeñarán las redes establecidas informalmente, como la red KIN, a medida que la IA se despliegue más ampliamente dependerá de si los portavoces representativos de los nuevos actores que emergen están movilizados. También depende de si son capaces de permanecer como una constelación unida. Sólo entonces se podrá producir un sólido conocimiento híbrido de las incertidumbres existentes y emergentes.

Finalmente, aunque este estudio se limita a un solo caso dentro del contexto noruego, destaca una tendencia global. Numerosas iniciativas en todo el mundo están trabajando para permitir el despliegue generalizado de la IA en la atención sanitaria, ejemplificadas por la Alianza para la Inteligencia Artificial en la Atención Médica [ 38 ], el Grupo de Trabajo de Inteligencia Artificial de la Asociación Canadiense de Radiólogos [ 39 ] y la Alianza Australiana para la Inteligencia Artificial en la Atención Médica [ 40]. ]. Por lo tanto, para mejorar nuestra comprensión del papel desempeñado por diferentes constelaciones de actores en contextos de tecnologías complejas emergentes, este estudio exige más investigaciones sobre tales movilizaciones. Además, el estudio exige investigaciones sobre lo que ocurre a medida que las tecnologías de IA se implementan cada vez más en la atención sanitaria y aparecen nuevos actores e incertidumbres. Una mayor investigación en estas áreas contribuirá a una comprensión más completa de la introducción y el futuro de la IA en la atención sanitaria.

Inteligencia Artificial generativa en la atención sanitaria: un camino traslacional basado en la ciencia de implementación sobre aplicación, integración y gobernanza

Sandeep Reddy. Implementatio Science 2024

La inteligencia artificial (IA), en particular la IA generativa, se ha convertido en una herramienta transformadora en la atención sanitaria, con el potencial de revolucionar la toma de decisiones clínicas y mejorar los resultados de salud. La IA generativa, capaz de generar nuevos datos, como texto e imágenes, es prometedora para mejorar la atención al paciente, revolucionar el diagnóstico de enfermedades y ampliar las opciones de tratamiento. Sin embargo, la utilidad y el impacto de la IA generativa en la atención sanitaria siguen siendo poco conocidos, lo que genera preocupaciones en torno a las implicaciones éticas y médico-legales, la integración en la prestación de servicios sanitarios y la utilización de la fuerza laboral. Además, no existe un camino claro para implementar e integrar la IA generativa en la prestación de atención médica.

Métodos

Este artículo tiene como objetivo proporcionar una descripción general completa del uso de la IA generativa en la atención médica, centrándose en la utilidad de la tecnología en la atención médica y su aplicación traslacional, destacando la necesidad de una planificación, ejecución y gestión cuidadosas de las expectativas al adoptar la IA generativa en la medicina clínica. Las consideraciones clave incluyen factores como la privacidad de los datos, la seguridad y el papel insustituible de la experiencia de los médicos. Se considera que marcos como el modelo de aceptación de tecnología (TAM) y el modelo de no adopción, abandono, ampliación, difusión y sostenibilidad (NASSS) promueven la integración responsable. Estos marcos permiten anticipar y abordar de manera proactiva las barreras a la adopción, facilitar la participación de las partes interesadas y realizar una transición responsable de los sistemas de atención para aprovechar el potencial de la IA generativa.

Resultados

La IA generativa tiene el potencial de transformar la atención médica a través de sistemas automatizados, una mejor toma de decisiones clínicas y la democratización de la experiencia con herramientas de apoyo al diagnóstico que brindan sugerencias oportunas y personalizadas. Las aplicaciones de IA generativa en facturación, diagnóstico, tratamiento e investigación también pueden hacer que la prestación de atención médica sea más eficiente, equitativa y efectiva. Sin embargo, la integración de la IA generativa requiere una meticulosa gestión del cambio y estrategias de mitigación de riesgos. Las capacidades tecnológicas por sí solas no pueden cambiar ecosistemas de cuidados complejos de la noche a la mañana; más bien, son imperativos programas de adopción estructurados basados en la ciencia de la implementación.

Conclusiones

En este artículo se argumenta firmemente que la IA generativa puede marcar el comienzo de un enorme progreso en la atención sanitaria, si se introduce de forma responsable. La adopción estratégica basada en la ciencia de la implementación, la implementación incremental y mensajes equilibrados sobre oportunidades versus limitaciones ayuda a promover una integración generativa de IA segura y ética. Una amplia experiencia piloto en el mundo real y una iteración alineada con las prioridades clínicas deberían impulsar el desarrollo. Con una gobernanza consciente centrada en el bienestar humano por encima de la novedad tecnológica, la IA generativa puede mejorar la accesibilidad, la asequibilidad y la calidad de la atención. A medida que estos modelos continúan avanzando rápidamente, la reevaluación continua y la comunicación transparente sobre sus fortalezas y debilidades siguen siendo vitales para restaurar la confianza, aprovechar el potencial positivo y, lo más importante, mejorar los resultados de los pacientes.

Fondo

La inteligencia artificial (IA) se ha convertido en una herramienta cada vez más popular en una variedad de campos, incluida la atención médica, con el potencial de transformar la toma de decisiones clínicas y mejorar los resultados de salud [ 1 , 2 , 3 ]. La IA generativa es un área de la IA que ha llamado la atención recientemente por su capacidad de utilizar algoritmos de aprendizaje automático para generar nuevos datos, como texto, imágenes y música [ 4 , 5 , 6 , 7 ]. La IA generativa está demostrando ser un catalizador de cambio en varias industrias, y el sector de la salud no es una excepción [ 8 ]. Con su notable capacidad para analizar extensos conjuntos de datos y generar información valiosa, la IA generativa se ha convertido en una poderosa herramienta para mejorar la atención al paciente [ 9 ], revolucionar el diagnóstico de enfermedades [ 10 ] y ampliar las opciones de tratamiento [ 11 ]. Al aprovechar el potencial de esta tecnología de vanguardia, los profesionales de la salud ahora pueden acceder a niveles sin precedentes de precisión, eficiencia e innovación en sus prácticas.

A pesar de los beneficios potenciales, la utilidad y el impacto de la IA generativa en la atención sanitaria siguen siendo poco conocidos [ 12 , 13 ]. La aplicación de la IA generativa en la atención sanitaria plantea preocupaciones éticas y médico-legales [ 14 ]. Además, no está claro cómo se pueden integrar las aplicaciones de IA generativa en la prestación de servicios sanitarios y cómo el personal sanitario puede utilizarlas de forma adecuada [ 15 ]. Además, no está claro hasta qué punto la IA generativa puede mejorar los resultados de los pacientes y cómo se puede evaluar esto. Por último, es necesario explorar el valor de la IA generativa más allá de aumentar las tareas clínicas y administrativas.

Para aprovechar el enorme potencial de la IA generativa en la atención sanitaria se necesitan enfoques traslacionales basados en la ciencia de la implementación. Estos enfoques reconocen que el progreso tecnológico por sí solo no revolucionará la atención sanitaria de la noche a la mañana [ 16 , 17 ]. El cambio real requiere transiciones sociotécnicas cuidadosamente orquestadas que pongan a las personas en primer lugar. Los enfoques de implementación basados en la ciencia proporcionan hojas de ruta generalizables basadas en evidencia empírica de implementaciones anteriores de TI en salud [ 16 ]. Como tal, los líderes de la atención médica que sean pioneros en la integración de la IA generativa harían bien en aprovechar estos modelos para reforzar la seguridad, la confianza y el impacto del paciente [ 17 ]. Para facilitar la incorporación y aplicación adecuadas de la IA generativa en la atención sanitaria, este artículo tiene como objetivo proporcionar una descripción general del uso de la IA generativa en la atención sanitaria seguida de orientación sobre su aplicación traslacional.

IA generativa

La IA generativa es una clase de tecnología de aprendizaje automático que aprende a generar nuevos datos a partir de datos de entrenamiento [ 18 , 19 ]. Los modelos generativos generan datos similares a los datos originales. Esto puede resultar útil en una variedad de aplicaciones, como la síntesis de imágenes y voz. Otra capacidad única es que pueden usarse para realizar aprendizaje no supervisado, lo que significa que pueden aprender de datos sin etiquetas explícitas [ 8 ]. Esto puede resultar útil en situaciones en las que los datos etiquetados son escasos o costosos de obtener. Además, los modelos generativos de IA pueden generar datos sintéticos aprendiendo las distribuciones de datos subyacentes a partir de datos reales y luego generando nuevos datos que sean estadísticamente similares a los datos reales. Los modelos generativos se diferencian de otros tipos de modelos de aprendizaje automático en que su objetivo es dotar a las máquinas de la capacidad de sintetizar nuevas entidades [ 8 ]. Están diseñados para aprender la estructura subyacente de un conjunto de datos y generar nuevas muestras que sean como los datos originales. Esto contrasta con los modelos discriminativos, que están diseñados para conocer los límites entre diferentes clases de datos. Estos modelos se centran en tareas como clasificación, regresión o aprendizaje por refuerzo, donde el objetivo es hacer predicciones o tomar acciones basadas en datos existentes. Existen varias categorías de IA generativa, como se describe en la Tabla 1 [ 20 , 21 , 22 , 23 ].

Si bien existen varios modelos de IA generativa, este artículo se centrará principalmente en dos modelos, que son populares en el contexto de la atención médica: redes generativas adversarias y modelos de lenguaje grande .

Redes generativas adversarias

Las redes generativas adversarias (GAN) difieren de las técnicas tradicionales de modelado generativo en su enfoque del aprendizaje [ 24 ]. Las GAN utilizan un marco de teoría de juegos con redes en competencia. Las GAN constan de dos redes neuronales, un generador y un discriminador, que compiten entre sí. El generador crea datos falsos para pasarlos al discriminador. Luego, el discriminador decide si los datos que recibió son similares a los datos reales conocidos. Con el tiempo, el generador mejora en la producción de datos que parecen reales, mientras que el discriminador mejora en la diferenciación entre datos reales y falsos. Este proceso de entrenamiento adversario permite a las GAN aprender representaciones de forma no supervisada y semisupervisada. Por el contrario, las técnicas tradicionales de modelado generativo a menudo se basan en modelos probabilísticos explícitos o métodos de inferencia variacional.

Los desarrollos recientes en GAN relacionados con el aprendizaje de representaciones incluyen avances en el aprendizaje de representaciones de espacios latentes [ 24 ]. Estos desarrollos se centran en mejorar la capacidad de las GAN para transformar vectores de ruido generado en muestras sintéticas que se asemejen a los datos del conjunto de entrenamiento. Algunos ejemplos específicos de desarrollos recientes en esta área incluyen GAN aplicadas a la generación de imágenes, aprendizaje semisupervisado, adaptación de dominio, generación controlada por atención y compresión [ 5 ]. Estos avances tienen como objetivo mejorar las capacidades de aprendizaje de representación de las GAN y permitirles generar muestras más realistas y diversas.

Las GAN se han utilizado para generar imágenes realistas [ 24 ]. Estos modelos pueden aprender la distribución subyacente de un conjunto de datos y generar nuevas imágenes que se asemejen a los datos originales. Esto tiene aplicaciones en áreas como gráficos por computadora, arte y entretenimiento. Además, las GAN se pueden utilizar para aumentar los datos de entrenamiento generando muestras sintéticas. Esto puede ayudar en los casos en que el conjunto de datos original es pequeño o está desequilibrado, mejorando el rendimiento de los modelos de aprendizaje automático. Los datos sintéticos, creados mediante algoritmos de aprendizaje automático o redes neuronales, pueden conservar las relaciones estadísticas de los datos reales y al mismo tiempo ofrecer protección de la privacidad. También se están considerando datos sintéticos para mejorar la privacidad.

Grandes modelos de lenguaje

Los modelos de lenguaje grande (LLM) son potentes modelos de IA que se han mostrado prometedores en diversas tareas de procesamiento del lenguaje natural (PLN) [ 25 ]. En particular, la disponibilidad de GPT-4 de OpenAI [ 26 ], Claude de Anthropic [ 27 ] y PaLM2 de Google [ 28 ] ha galvanizado significativamente el progreso no sólo de la PNL sino del campo de la IA en general, donde los comentaristas están discutiendo los logros de la humanidad. Rendimiento de nivel por IA [ 10 , 29 ]. Los LLM como GPT-4 de OpenAI se basan en el modelo autorregresivo. Se utiliza un modelo autorregresivo para generar secuencias, como oraciones en lenguaje natural, mediante la predicción de un elemento siguiente basado en los anteriores [ 30 ]. La diferencia entre los LLM y los modelos de lenguaje tradicionales radica en sus capacidades y métodos de formación [ 25 ]. Los LLM, como GPT-4, utilizan la arquitectura Transformers, que ha demostrado ser eficaz para comprender el contexto de las palabras en una oración. Un transformador utiliza un mecanismo llamado «atención» para sopesar la importancia de las palabras al hacer predicciones [ 31 ]. Este mecanismo permite que el modelo considere la historia completa de una oración, lo que lo convierte en una herramienta poderosa para tareas de predicción de secuencias. Los LLM están capacitados en un gran corpus de datos de texto. Durante el entrenamiento, el modelo aprende a predecir la siguiente palabra en una oración dadas las palabras anteriores. Lo hace ajustando sus parámetros internos para minimizar la diferencia entre sus predicciones y las palabras reales que siguen en los datos de entrenamiento.

Una de las ventajas clave de los LLM es su capacidad para realizar muchas tareas de procesamiento del lenguaje sin la necesidad de datos de capacitación adicionales [ 32 ]. Esto se debe a que ya han sido entrenados en un vasto corpus de texto, lo que les permite generar respuestas coherentes y contextualmente relevantes basadas en los aportes que reciben. Esto los hace particularmente útiles como referencias u oráculos para modelos de resumen de texto. El resumen de texto es una tarea compleja que implica comprender los puntos principales de un fragmento de texto y luego condensarlos en una forma más breve. Los LLM se pueden utilizar para generar resúmenes de texto, que luego se pueden utilizar como referencia o «estándar de oro» para otros modelos de resumen [ 25 ]. Esto puede ayudar a mejorar el rendimiento de estos modelos proporcionándoles resúmenes de alta calidad de los que aprender.

Además de los resúmenes de texto, los LLM también se han utilizado en una variedad de otras aplicaciones [ 15 ]. En el ámbito de la clasificación de texto, los LLM se pueden utilizar para categorizar automáticamente fragmentos de texto en categorías predefinidas. Esto puede resultar útil en una variedad de aplicaciones, desde la detección de spam en filtros de correo electrónico hasta el análisis de opiniones en las reseñas de los clientes. Finalmente, se han utilizado los LLM para la evaluación automática de la atribución. Esto implica determinar la fuente o el autor de un texto. Por ejemplo, un LLM podría usarse para determinar si un tweet en particular fue escrito por una persona específica o para identificar al autor de un escrito anónimo.

Es importante tener en cuenta que, si bien los LLM son poderosos, tienen limitaciones [ 15 ]. Debido a que generan secuencias un componente a la vez, son inherentemente secuenciales y no pueden paralelizarse. Además, son causales, lo que significa que sólo pueden utilizar información del pasado, no del futuro, al hacer predicciones [ 33 , 34 ]. Pueden tener dificultades para capturar dependencias de largo alcance debido al problema del gradiente que desaparece, aunque arquitecturas como Transformers ayudan a mitigar este problema.

Aplicación de la IA generativa en la atención sanitaria

Los modelos generativos de IA que facilitan la creación de texto e imágenes se consideran una herramienta prometedora en el contexto de la atención sanitaria [ 26 , 35 , 36 ]. La IA generativa puede transformar la atención médica al permitir mejoras en el diagnóstico, reducir el costo y el tiempo necesarios para brindar atención médica y mejorar los resultados de los pacientes (Fig. 1 ).

Casos de uso de IA generativa en la atención sanitaria. Los modelos de IA generativa, como las redes generativas adversarias (GAN) y los modelos de lenguaje grande (LLM), se utilizan para generar diversas modalidades de datos, incluidos datos de texto e imágenes, que luego se utilizan para diversos escenarios, incluido el descubrimiento de fármacos, el diagnóstico médico, la documentación clínica y la educación del paciente. Medicina personalizada, administración sanitaria y educación médica, entre otros casos de uso.

Generación y aumento de datos sintéticos.

Los datos sintéticos, que se crean utilizando modelos generativos de IA como las GAN, son una solución cada vez más prometedora para equilibrar el acceso a datos valiosos y la protección de la privacidad del paciente [ 9 ]. Mediante el uso de modelos de IA generativa, se pueden crear datos de pacientes realistas y anonimizados con fines de investigación y capacitación, al tiempo que se permite una amplia gama de aplicaciones versátiles. Además, las GAN pueden sintetizar datos de registros médicos electrónicos (EHR) aprendiendo las distribuciones de datos subyacentes, lo que permite un rendimiento excelente y aborda desafíos como las preocupaciones sobre la privacidad de los datos. Este enfoque puede ser particularmente útil en situaciones donde hay una cantidad limitada de datos de pacientes del mundo real disponibles, o cuando el acceso a dichos datos está restringido debido a preocupaciones de privacidad. Además, el uso de datos sintéticos puede ayudar a mejorar la precisión y solidez de los modelos de aprendizaje automático, ya que permite utilizar una gama de datos más diversa y representativa en el proceso de capacitación. Además, la capacidad de generar datos sintéticos con diferentes características y parámetros puede permitir a los investigadores y médicos investigar y probar diversas hipótesis [ 5 , 9 , 37 ], lo que conducirá a nuevos conocimientos y descubrimientos.

Descubrimiento de medicamento

Los modelos generativos de IA también se están utilizando para generar nuevas moléculas pequeñas, secuencias de ácidos nucleicos y proteínas con una estructura o función deseada, lo que ayuda en el descubrimiento de fármacos [ 11 ]. Al analizar la estructura química de fármacos exitosos y simular variaciones, la IA generativa puede producir candidatos a fármacos potenciales a un ritmo mucho más rápido que los métodos tradicionales de descubrimiento de fármacos. Esto no sólo ahorra tiempo y recursos, sino que también puede ayudar a identificar medicamentos que pueden haber pasado desapercibidos con los métodos tradicionales. Además, el uso de IA generativa también puede ayudar a predecir la eficacia y seguridad de nuevos medicamentos, lo cual es un paso crucial en el proceso de desarrollo de fármacos. Al analizar grandes cantidades de datos, la IA generativa puede ayudar a identificar posibles problemas que puedan surgir durante los ensayos clínicos, lo que en última instancia puede reducir el tiempo y el costo del desarrollo de fármacos [ 11 , 38 ]. Además, la IA generativa, al identificar procesos biológicos específicos que desempeñan un papel en la enfermedad, puede ayudar a identificar nuevos objetivos para el desarrollo de fármacos, lo que en última instancia puede conducir al desarrollo de tratamientos más eficaces.

Diagnostico medico

Los modelos generativos se pueden entrenar en vastos conjuntos de datos de registros médicos e imágenes (como resonancias magnéticas y tomografías computarizadas) para identificar patrones relacionados con enfermedades. Por ejemplo, las GAN se han utilizado para la reconstrucción, síntesis, segmentación, registro y clasificación de imágenes [ 5 , 9 , 37 , 39 ]. Además, las GAN se pueden utilizar para generar imágenes médicas sintéticas que se pueden utilizar para entrenar modelos de aprendizaje automático para diagnósticos basados en imágenes o aumentar conjuntos de datos médicos. Los LLM pueden mejorar la salida de múltiples redes CAD, como redes de diagnóstico, redes de segmentación de lesiones y redes de generación de informes, al resumir y reorganizar la información presentada en formato de texto en lenguaje natural. Esto puede crear un sistema más fácil de usar y comprensible para los pacientes en comparación con los sistemas CAD convencionales.

Los EHR y otros registros de pacientes son ricos depósitos de datos, y los LLM se pueden utilizar para analizar estos registros de una manera sofisticada [ 40 ]. Pueden procesar y comprender la información y la terminología utilizada en estos registros, lo que les permite extraer e interpretar información médica compleja. Esta capacidad se extiende más allá de la simple coincidencia de palabras clave, ya que los LLM pueden inferir el significado a partir de información incompleta e incluso recurrir a un vasto corpus médico para dar sentido a los datos. Además, los LLM pueden integrar y analizar información de múltiples fuentes dentro del EHR. Pueden correlacionar datos de resultados de laboratorio, notas del médico e informes de imágenes médicas para generar una visión más holística de la salud del paciente [ 10 ]. Esto puede resultar particularmente útil en casos complejos donde el paciente tiene múltiples afecciones o síntomas que pueden estar relacionados.

Los LLM, como GPT-4, han demostrado conocimientos médicos a pesar de carecer de formación específica en medicina [ 10 , 29 ]. Uno de los aspectos más impresionantes de estos modelos es su capacidad para aplicar este conocimiento en tareas de toma de decisiones [ 10 ]. Por ejemplo, cuando se le presenta un escenario de paciente hipotético, un LLM puede generar una lista de diagnósticos potenciales basados en los síntomas descritos, sugerir pruebas apropiadas para confirmar el diagnóstico e incluso proponer un plan de tratamiento. En algunos estudios, estos modelos han mostrado un rendimiento casi aprobado en exámenes médicos, demostrando un nivel de comprensión comparable al de un estudiante de medicina [ 29 ]. Sin embargo, existen límites y los resultados de los modelos pueden conllevar ciertos riesgos y no pueden sustituir completamente el juicio clínico y la capacidad de toma de decisiones de los médicos ambulatorios [ 14 ].

Documentación clínica y administración sanitaria.

Los LLM como GPT-4 y PALM-2 se pueden utilizar para generar resúmenes de datos de pacientes [ 41 ]. Esto podría resultar especialmente útil en entornos sanitarios donde se recopilan grandes cantidades de datos y es necesario interpretarlos de forma rápida y precisa. Por ejemplo, una HCE puede contener datos del paciente, como historial médico, medicamentos, alergias y resultados de laboratorio. Se podría entrenar un modelo de IA generativa para leer estos datos, comprender los puntos clave y generar un resumen conciso. Este resumen podría resaltar información crítica como diagnóstico, medicamentos recetados y tratamientos recomendados. También podría identificar tendencias en la salud del paciente a lo largo del tiempo. Al automatizar este proceso, los proveedores de atención médica podrían ahorrar tiempo y garantizar que no se pase por alto nada importante. Además, estos resúmenes podrían usarse para mejorar la comunicación entre diferentes proveedores de atención médica y entre proveedores y pacientes, ya que brindan una descripción general clara y concisa del estado de salud del paciente. La capacidad de los LLM para automatizar dichos procesos puede aliviar la carga de documentación actual y el consiguiente agotamiento que enfrentan muchos médicos en todo el mundo [ 41 ]. Actualmente, muchos médicos, debido a políticas organizacionales o requisitos de seguro médico, deben completar una documentación extensa que va más allá de lo que se requiere para la atención clínica de rutina. Los estudios han demostrado que muchos médicos dedican más de 1 hora a tareas de registros médicos electrónicos por cada hora de tiempo clínico directo presencial [ 42 ]. Además, la carga cognitiva y la frustración asociadas con la documentación pueden reducir la satisfacción laboral. contribuyendo a su agotamiento [ 43 ]. La implementación de herramientas de procesamiento del lenguaje natural para automatizar la documentación podría reducir esta carga. Un LLM integrado en la plataforma de información relevante puede realizar la documentación y proporcionar versiones preliminares para que el médico las apruebe [ 40 , 41 ]. Por ejemplo, los hospitales pueden utilizar LLM para generar notas de progreso de rutina y resúmenes de alta [ 44 ].

Además de esto, existe la posibilidad de que estas aplicaciones basadas en LLM reduzcan los errores médicos y capturen información perdida al proporcionar una capa de escrutinio cuando se integran en los EHR [ 45 ]. Además de automatizar la documentación, los LLM integrados en los EHR podrían ayudar a reducir los errores médicos y garantizar que no se pierda información importante. Los estudios han encontrado que muchos pacientes hospitalarios experimentarán un error médico prevenible, a menudo debido a problemas como diagnósticos erróneos, errores de prescripción o hallazgos de exámenes que no se siguen correctamente [ 46 ]. Además, los LLM tienen el potencial de servir como una herramienta de apoyo a la toma de decisiones al analizar los historiales de los pacientes y señalar discrepancias o brechas en la atención [ 45 ]. Por ejemplo, un LLM podría comparar los síntomas y diagnósticos actuales con el historial médico pasado para informar a los médicos sobre las condiciones que requieren más investigación. Además, podrían escanear las listas de medicamentos y advertir sobre posibles interacciones adversas o contraindicaciones.

La IA generativa también se puede utilizar para automatizar tareas rutinarias en el sector sanitario, como programar citas, procesar reclamaciones y gestionar registros de pacientes [ 47 ]. Por ejemplo, los modelos de IA se pueden utilizar para desarrollar sistemas de programación inteligentes. Estos sistemas pueden interactuar con los pacientes a través de chatbots o asistentes de voz para programar, reprogramar o cancelar citas. Pueden considerar factores como la disponibilidad del médico, el horario preferido del paciente y la urgencia de la cita para optimizar el proceso de programación. La IA generativa también puede automatizar el proceso de reclamaciones de seguros. Puede leer y comprender los documentos del reclamo, verificar la información, verificar si hay discrepancias y procesar el reclamo. Esto puede reducir significativamente el tiempo necesario para procesar las reclamaciones y minimizar los errores. Al automatizar estas tareas, los proveedores de atención médica pueden ahorrar tiempo y recursos y mejorar la experiencia del paciente al obtener respuestas más rápidas y un servicio más eficiente.

Medicina personalizada

La IA generativa puede analizar la composición genética, el estilo de vida y el historial médico de un paciente para predecir cómo podrían responder a diferentes tratamientos [ 48 ]. Esto se logra entrenando a la IA con grandes conjuntos de datos de información del paciente, lo que le permite identificar patrones y correlaciones que podrían no ser inmediatamente evidentes para los médicos humanos. Por ejemplo, la IA podría notar que los pacientes con un determinado marcador genético responden particularmente bien a un medicamento específico. Esta información luego se puede utilizar para crear un plan de tratamiento personalizado que se adapte a las necesidades individuales de cada paciente. Este enfoque puede conducir a un tratamiento más eficaz, ya que considera los factores únicos que podrían afectar la respuesta del paciente a la medicación. También puede conducir a mejores resultados para los pacientes, ya que los tratamientos pueden optimizarse en función de las predicciones de la IA [ 48 ].

La IA generativa también se puede utilizar en el campo de la salud mental, particularmente en la creación de herramientas interactivas para la terapia cognitivo-conductual (TCC) [ 49 , 50 ]. La TCC es un tipo de psicoterapia que ayuda a los pacientes a controlar sus afecciones cambiando su forma de pensar y comportarse. La IA generativa se puede utilizar para crear escenarios y respuestas personalizados que se adapten a las necesidades individuales del paciente. Por ejemplo, la IA podría generar un escenario que desencadene la ansiedad de un paciente y luego guiarlo a través de una serie de respuestas para ayudarlo a controlar su reacción. Esto puede proporcionar a los pacientes un entorno seguro y controlado en el que practicar sus estrategias de afrontamiento, lo que podría conducir a mejores resultados de salud mental.

Educación y formación médica.

En el contexto de la educación y formación médica, esta tecnología se puede utilizar para generar una amplia variedad de casos de pacientes virtuales. Estos casos pueden basarse en una amplia gama de condiciones médicas, datos demográficos de los pacientes y escenarios clínicos, proporcionando una plataforma de aprendizaje integral para estudiantes de medicina y profesionales de la salud [ 51 , 52 ]. Uno de los principales beneficios del uso de la IA generativa en la educación médica es la capacidad de crear un entorno de aprendizaje seguro y controlado. Los estudiantes de medicina pueden interactuar con estos pacientes virtuales, realizar diagnósticos y proponer planes de tratamiento sin ningún riesgo para los pacientes reales. Esto permite a los estudiantes cometer errores y aprender de ellos en un entorno de bajo riesgo. La IA generativa también puede crear casos de pacientes que son raros o complejos, brindando a los estudiantes la oportunidad de adquirir experiencia y conocimiento en áreas que quizás no encuentren con frecuencia en su práctica clínica. Esto puede resultar particularmente beneficioso para preparar a los estudiantes para situaciones inesperadas y mejorar sus habilidades para resolver problemas. Además, el uso de la IA en la educación médica puede proporcionar una experiencia de aprendizaje más personalizada. La IA puede adaptarse al ritmo y estilo de aprendizaje de cada individuo, presentando casos que sean más relevantes para sus necesidades de aprendizaje. Por ejemplo, si un estudiante tiene problemas con una condición médica particular, la IA puede generar más casos relacionados con esa condición para practicar más.

Además de crear casos de pacientes virtuales, la IA generativa también se puede utilizar para simular conversaciones entre profesionales de la salud y pacientes [ 51 , 52 ]. Esto puede ayudar a los estudiantes a mejorar sus habilidades de comunicación y aprender a transmitir noticias difíciles de manera sensible y empática. Además, la integración de la IA en la educación médica puede proporcionar datos valiosos para los educadores. La IA puede rastrear el desempeño de los estudiantes, identificar áreas de mejora y brindar retroalimentación, ayudando a los educadores a perfeccionar sus estrategias de enseñanza y planes de estudio.

Educación del paciente

La IA generativa se puede utilizar para la educación del paciente de varias maneras [ 35 , 41 ]. Se puede utilizar para crear contenido educativo personalizado basado en la condición, los síntomas o las preguntas específicas de un paciente. Por ejemplo, si un paciente tiene diabetes, la IA puede generar información sobre el control de los niveles de azúcar en sangre, la dieta, el ejercicio y la medicación. La IA generativa también puede involucrar a los pacientes en experiencias de aprendizaje interactivas. Los pacientes pueden hacer preguntas y la IA puede generar respuestas, creando un diálogo que ayuda al paciente a comprender mejor su condición. Esto puede resultar particularmente útil para los pacientes que pueden sentirse tímidos o avergonzados al hacer ciertas preguntas a sus proveedores de atención médica. Además, la IA generativa también puede crear ayudas visuales, como diagramas o infografías, para ayudar a los pacientes a comprender conceptos médicos complejos. Por ejemplo, podría generar un diagrama que muestre cómo funciona un fármaco en particular en el cuerpo.

La IA generativa se puede programar para generar contenido en diferentes niveles de lectura, lo que ayuda a mejorar la alfabetización sanitaria entre pacientes con diferentes niveles de educación y comprensión [ 53 ]. También se puede utilizar para crear contenido educativo de seguimiento y recordatorios para los pacientes. Por ejemplo, podría generar una serie de correos electrónicos o mensajes de texto recordando al paciente que debe tomar su medicación, junto con información sobre por qué es importante. Además, la IA generativa se puede utilizar para brindar apoyo a la salud mental, generando respuestas a las preocupaciones o ansiedades de los pacientes sobre sus condiciones de salud. Esto puede ayudar a los pacientes a sentirse más apoyados y menos solos en su camino hacia la salud. Por último, la IA generativa puede generar contenido educativo en varios idiomas, haciendo que la información sanitaria sea más accesible para los pacientes que no hablan inglés como primer idioma.

Camino traslacional

El camino traslacional de la IA generativa en la atención sanitaria es un viaje que implica la integración de esta tecnología avanzada en el entorno clínico [ 54 ]. Este proceso tiene el potencial de revolucionar la forma en que se brinda la atención médica, al automatizar tareas y generar información relevante, mejorando así la eficiencia de la prestación de atención médica [ 26 , 35 ]. La IA generativa puede automatizar tareas rutinarias como la entrada de datos, la programación de citas e incluso algunos aspectos de la atención al paciente como el seguimiento de los signos vitales o la administración de medicamentos. Esta automatización puede liberar una cantidad significativa de tiempo a los médicos, permitiéndoles centrarse más en la atención directa al paciente. Al reducir la carga administrativa de los proveedores de atención médica, la IA generativa puede ayudar a mejorar la calidad de la atención y aumentar la satisfacción del paciente [ 41 , 53 ]. Además de automatizar tareas, la IA generativa también puede generar información relevante para los médicos. Por ejemplo, puede analizar datos de pacientes para predecir resultados de salud, identificar riesgos potenciales para la salud y sugerir planes de tratamiento personalizados. Esta capacidad de generar conocimientos a partir de datos puede ayudar a los médicos a tomar decisiones más informadas sobre la atención al paciente, lo que podría conducir a mejores resultados para los pacientes.

Sin embargo, la precisión y la integridad de la información generada por la IA son cruciales. La información inexacta o incompleta puede provocar un diagnóstico erróneo o un tratamiento inadecuado, lo que puede perjudicar a los pacientes [ 14 , 55 ]. Por lo tanto, es esencial garantizar que los sistemas de IA estén bien diseñados y probados exhaustivamente para producir resultados confiables. A pesar de los posibles beneficios, adoptar la IA generativa en la medicina clínica no es un proceso sencillo. Requiere una planificación y ejecución cuidadosas [ 56 ]. Esto incluye comprender las necesidades de los proveedores de atención médica y de los pacientes, seleccionar la tecnología de inteligencia artificial adecuada, integrarla en los sistemas de atención médica existentes y capacitar al personal para usarla de manera efectiva. Además, también es necesario abordar consideraciones legales y éticas, como la privacidad y la seguridad de los datos. Además, es importante gestionar las expectativas sobre lo que la IA generativa puede y no puede hacer. La experiencia de los médicos y su capacidad para empatizar con los pacientes siguen siendo cruciales para brindar atención de alta calidad.

La traducción exitosa de la IA generativa a la práctica clínica depende de estrategias de adopción bien pensadas y basadas en la ciencia de la implementación. Dos modelos ofrecen andamios sólidos: el modelo de aceptación de tecnología (TAM) a nivel de usuario individual [ 57 ] y el marco de no adopción, abandono, ampliación, difusión y sostenibilidad (NASSS) para la integración organizacional [ 58 ]. Basado en la teoría sociopsicológica, TAM proporciona un modelo basado en evidencia sobre cómo las percepciones del usuario final dan forma a la aceptación de nuevas tecnologías como la IA generativa [ 59 ]. Sus principios básicos postulan que la utilidad percibida y la facilidad de uso percibida resultan ser los más determinantes de la adopción. TAM ofrece un enfoque cuantificable para predecir e influir en la adopción que los esfuerzos de implementación deben considerar. La segmentación del personal y la evaluación de creencias permiten intervenciones personalizadas que abordan barreras como la falta de habilidades, el compromiso, la integración del flujo de trabajo y los beneficios demostrables. Igualmente crucial es que el marco NASSS ofrece una metodología holística que evalúa variables multinivel implicadas en la incorporación exitosa de innovaciones. Sus siete dominios críticos abarcan el diseño de tecnología, propuestas de valor, prioridades de los adoptantes, dinámica organizacional, factores contextuales más amplios y su compleja interacción [ 58 ]. Juntas, estas lentes refuerzan la IA generativa introducida de manera responsable, monitorean el progreso y recalibran en función de la retroalimentación emergente. La fusión de las perspectivas de TAM y NASSS proporciona un poderoso plan para introducir cuidadosamente la IA generativa en la atención médica del siglo XXI. Aportan estrategias implementables para la transición sociotécnica que tales innovaciones necesitan, promoviendo la aceptación, facilitando la integración, entregando valor sostenido y, en última instancia, transformando la atención.

Con base en estos marcos, el contenido a continuación analiza los componentes o pasos clave que una organización o servicio de atención médica debe considerar al integrar la IA generativa en la prestación de sus servicios. La descripción permitirá a los socios saber cómo preparar sus organizaciones y su fuerza laboral para adoptar e integrar la IA generativa para permitir una prestación de atención óptima. Sin embargo, la descripción no cubre aspectos políticos y legislativos más amplios que se requieren para facilitar la introducción de la IA generativa en la atención sanitaria. Estas características son exclusivas de varias jurisdicciones y continúan evolucionando rápidamente, por lo que se consideran fuera del alcance de este artículo.

Primer componente: aceptación y adopción.

La implementación exitosa de la IA en la atención médica depende de la comprensión y aceptación de sus aplicaciones por parte de los usuarios finales [ 54 ], incluidos los profesionales médicos y los pacientes. Esta comprensión fomenta la confianza en los sistemas de IA, permite su uso eficaz y ayuda a afrontar los desafíos éticos y regulatorios. Además, un conocimiento sólido de la IA promueve el aprendizaje continuo y la adaptación al panorama cambiante de la tecnología de IA. Por lo tanto, invertir en mejorar la concientización de todos los socios es crucial para garantizar la adopción y utilización efectiva de la IA en la atención médica.

La utilización de los marcos TAM y NASSS para la implementación de IA generativa en la atención médica implica la consideración de los siguientes componentes:

▪ Utilidad percibida : se refiere al grado en que una persona cree que el uso de un sistema particular mejoraría su desempeño laboral. En el contexto de la IA generativa en la atención sanitaria, esta podría ser la forma en que la IA podría ayudar a diagnosticar enfermedades, predecir los resultados de los pacientes, personalizar los planes de tratamiento y mejorar la eficiencia administrativa. Por ejemplo, la IA podría generar modelos predictivos de los resultados de los pacientes en función de su historial médico, su estado de salud actual y una amplia base de datos de casos similares.
▪ Facilidad de uso percibida : se refiere al grado en que una persona cree que usar un sistema en particular estaría libre de esfuerzo. Para la IA generativa en la atención sanitaria, esto podría significar lo fácil que es para los profesionales sanitarios comprender y utilizar el sistema de IA. Esto incluye la interfaz de usuario, la claridad de los resultados de la IA y el nivel de soporte técnico disponible.
▪ Actitud hacia el uso : la propuesta de valor de la IA generativa en la atención médica es convincente y ofrece beneficios como rentabilidad, velocidad y opciones de tratamiento personalizadas [ 5 ]. Si los profesionales sanitarios perciben el sistema de IA como útil y fácil de usar, es probable que desarrollen una actitud positiva hacia su uso. Esta actitud positiva podría mejorarse aún más proporcionando formación y apoyo adecuados y demostrando el uso exitoso de la IA en entornos sanitarios similares.
▪ Intención conductual de uso : una vez que los profesionales de la salud tienen una actitud positiva hacia el sistema de IA, es más probable que tengan la intención de utilizarlo. Esta intención podría convertirse en un uso real brindando oportunidades para utilizar el sistema de IA en un entorno seguro y de apoyo e integrando el sistema de IA en los flujos de trabajo existentes.
▪ Uso real del sistema : el paso final es el uso real del sistema de IA en la práctica sanitaria diaria. Esto podría fomentarse brindando soporte continuo y monitoreando y mejorando continuamente el sistema de inteligencia artificial en función de los comentarios de los usuarios y los datos de rendimiento.

Además de estos factores, el modelo también sugiere que factores externos como la influencia social y las condiciones facilitadoras pueden influir en la aceptación y el uso de una nueva tecnología [ 57 , 59 ]. En el caso de la IA generativa en la atención sanitaria, estas podrían incluir la aprobación regulatoria, consideraciones éticas, la aceptación del paciente y la política sanitaria general y el entorno económico.

Segundo componente: datos y recursos

La adopción de IA generativa implica preparar datos y recursos dentro de una organización para utilizar esta tecnología de forma eficaz. Se trata de un proceso complejo que requiere un enfoque sistemático y estratégico que implica varios pasos clave.

▪ Identificación de casos de uso : las organizaciones de atención médica deben comenzar por identificar los casos de uso específicos donde la IA generativa puede aportar valor. La IA generativa tiene como objetivo abordar diversas afecciones médicas, desde enfermedades crónicas como la diabetes hasta afecciones agudas como el accidente cerebrovascular [ 6 , 38 , 60 ]. La complejidad de la condición médica a menudo dicta el nivel de sofisticación requerido del modelo de IA. Por ejemplo, el uso de la IA para el diagnóstico por imágenes del cáncer es complejo y requiere una gran precisión. Comprender los casos de uso específicos ayudará a guiar el proceso de preparación de datos.
▪ Recopilación de datos : los modelos de IA generativa aprenden de los datos [ 8 ], por lo que la organización sanitaria debe recopilar y preparar datos relevantes para entrenar los modelos. Esto podría implicar la recopilación de datos primarios existentes de varias fuentes dentro de la organización o la recopilación de nuevos datos si es necesario. Luego, los datos deben limpiarse y preprocesarse, lo que puede implicar tareas como eliminar duplicados, manejar valores faltantes y normalizar datos.
▪ Limpieza y preprocesamiento de datos : es necesario limpiar y preprocesar los datos recopilados para garantizar su calidad y coherencia [ 61 , 62 ]. Esto puede implicar eliminar duplicados, manejar valores faltantes, estandarizar formatos y abordar cualquier otro problema de calidad de los datos. Los pasos de preprocesamiento también pueden incluir técnicas de normalización de datos, escalado de características y aumento de datos para mejorar el proceso de capacitación. Es importante resaltar la necesidad de uniformidad en la calidad de los conjuntos de datos para permitir una integración perfecta de datos multifuncionales. Además, la calidad de los datos es crucial ya que los algoritmos generativos de IA aprenden de los datos. La calidad de los datos puede verse afectada por diversos factores, como ruido, valores faltantes, valores atípicos, datos sesgados, falta de equilibrio en la distribución, inconsistencia, redundancia, heterogeneidad, duplicación e integración de datos.
▪ Anotación y etiquetado de datos : según el caso de uso, es posible que la organización necesite anotar y etiquetar los datos para proporcionar información real y estándar clínica para entrenar los modelos de IA generativa, específicamente para ajustar los LLM con datos locales [ 10 ]. Esto podría implicar tareas como segmentación de imágenes, detección de objetos, análisis de sentimientos o categorización de texto. Las anotaciones precisas y completas son esenciales para entrenar modelos de manera efectiva.
▪ Almacenamiento y gestión de datos : será un requisito establecer o utilizar un sistema sólido de almacenamiento y gestión de datos para manejar los grandes volúmenes de datos necesarios para la IA generativa. Esto puede implicar la creación de un almacén de datos, almacenamiento en la nube o el uso de plataformas de gestión de datos. Al mismo tiempo, se garantiza que los datos estén organizados, sean accesibles y seguros para una capacitación y una implementación de modelos eficientes. La federación de datos es una tecnología que se puede considerar aquí, ya que permite la creación de una base de datos físicamente descentralizada pero funcionalmente unificada. Esta tecnología es particularmente útil en la atención médica, ya que permite que varias fuentes de datos mantengan los datos dentro de sus firewalls. Sin embargo, es posible que este paso no sea necesario en la mayoría de los casos de uso de LLM, especialmente si se utilizan a través de llamadas a la interfaz de programación de aplicaciones (API) o servicios en la nube.
▪ Recursos computacionales : los modelos de IA generativa a menudo requieren una potencia computacional y recursos importantes para el entrenamiento y la inferencia, como GPU o servicios de computación en la nube [ 8 , 15 ]. El desarrollo interno y la formación de LLM requieren importantes recursos computacionales, que las organizaciones deben considerar cuidadosamente [ 63 ]. Los LLM comerciales ofrecidos a través de servicios en la nube o API ahorran a las organizaciones esta carga de infraestructura. Sin embargo, para aquellos que intentan entrenar modelos propietarios adaptados a sus datos y casos de uso específicos, es fundamental asegurar una capacidad informática suficiente.

Los factores que afectan los requisitos computacionales incluyen el tamaño del modelo, el volumen de datos de entrenamiento y la velocidad de iteración deseada. Por ejemplo, una empresa que pretenda entrenar un modelo con más de mil millones de parámetros en decenas de miles de millones de ejemplos de texto probablemente buscaría un clúster informático de alto rendimiento o aprovecharía plataformas de aprendizaje automático basadas en la nube. La configuración precisa del hardware, incluidas GPU/TPU, CPU, memoria, almacenamiento y redes, se adapta a la arquitectura del modelo y al plan de capacitación [ 63 ].

El desarrollo y ajuste continuo del modelo también requiere computación disponible. Las organizaciones pueden elegir entre continuar asignando recursos internos o ciclos de subcontratación a través de servicios en la nube [ 63 ]. La planificación presupuestaria debe tener en cuenta estas demandas informáticas recurrentes si una prioridad es mejorar continuamente los LLM internos. En general, si bien aprovechar los LLM externos puede minimizar las inversiones en infraestructura, las iniciativas internas serias de LLM pueden rivalizar con la escala computacional de los laboratorios de investigación industrial.

Tercer componente: integración técnica

La integración de la IA generativa en un sistema o plataforma de información sanitaria puede aportar numerosos beneficios, como un mejor diagnóstico de enfermedades, una mejor monitorización de los pacientes y una prestación de atención sanitaria más eficiente. Sin embargo, las tecnologías de IA generativa como GAN y LLM son complejas de comprender e implementar [ 8 ]. La madurez, la confiabilidad y la facilidad de integración de la tecnología en los sistemas existentes son factores cruciales que afectan su adopción [ 58 ]. Por lo tanto, integrar la IA generativa en un sistema de información hospitalaria o sanitaria implica varios pasos que van desde comprender las necesidades del sistema hasta implementar y mantener la solución de IA. El primer paso para integrar la IA generativa en un sistema de salud es identificar el área de enfoque de implementación [ 62 ]. Esto podría ser cualquier cosa, desde mejorar la atención al paciente, simplificar las tareas administrativas, mejorar la precisión del diagnóstico o predecir los resultados de los pacientes. Una vez identificada la necesidad, es necesario elegir el modelo de IA adecuado. Los modelos de IA generativa, como las GAN, se pueden utilizar para tareas como sintetizar imágenes médicas o generar datos de pacientes [6, 37). Los LLM se pueden utilizar para el análisis de HCE y como herramienta de apoyo a la toma de decisiones clínicas [ 40 ]. Una vez elegido el modelo, es necesario entrenarlo con los datos recopilados. Esto implica introducir los datos en el modelo y ajustar los parámetros del modelo hasta que pueda predecir con precisión los resultados o generar resultados útiles.

Una vez que el modelo de IA se entrena y prueba, se puede integrar en el sistema de información sanitaria [ 56 , 62 ]. Esto implica desarrollar una interfaz entre el modelo de IA y el sistema existente, asegurando que el modelo pueda acceder a los datos que necesita y que el sistema pueda utilizar sus resultados. El desarrollo de una interfaz o API de este tipo permite que los modelos de IA generativa se integren perfectamente en el flujo de trabajo clínico o organizacional. Después de la integración, el sistema de IA debe probarse exhaustivamente para garantizar su funcionalidad, usabilidad y confiabilidad.

También es necesario un mantenimiento regular para actualizar el modelo a medida que haya nuevos datos disponibles y volver a entrenarlo si su rendimiento disminuye [ 56 , 62 ]. Además, recopilar comentarios periódicos o programados de los profesionales de la salud garantizará que la organización pueda realizar las mejoras necesarias para mejorar el rendimiento del sistema.

Al aprovechar los LLM externos para aplicaciones de atención médica, las prácticas estrictas de gobierno de datos son imprescindibles para salvaguardar la información confidencial del paciente [ 64 ]. A medida que los datos de texto o voz se envían a servicios LLM de terceros para su análisis, los contenidos contienen información de salud protegida (PHI) e información de identificación personal (PII) que debe permanecer confidencial.

Si bien los LLM en sí son modelos de análisis estáticos en lugar de sistemas de aprendizaje continuo, los proveedores que alojan estos modelos e impulsan las predicciones aún acceden física o computacionalmente a los datos enviados [ 65 , 66 ]. Independientemente de las garantías de los proveedores sobre los compromisos de privacidad, las obligaciones y las restricciones sobre la ingesta de contenido del cliente para el reentrenamiento del modelo, persisten riesgos residuales de fuga de datos o retención no intencionada. Para mitigar estos riesgos, los contratos legales integrales entre la organización de atención médica y el proveedor de LLM son fundamentales para garantizar la protección de la PHI/PII de acuerdo con las regulaciones sanitarias. Los acuerdos de socios comerciales, los acuerdos de uso de datos y los contratos maestros de proveedores de servicios permiten codificar formalmente los protocolos permitidos de procesamiento, almacenamiento, transmisión y eliminación de datos de LLM. Dichos contratos también establecen mecanismos de responsabilidad y ejecución en caso de incumplimiento atribuido al vendedor, incluidas cláusulas de notificación, indemnización y restitución. Controles de acceso estrictos, esquemas de cifrado, protocolos de auditoría de actividades y procedimientos de autorización deberían complementar estas protecciones contractuales. Si bien es posible que los LLM en sí mismos no acumulen interminablemente datos de atención médica como los sistemas de aprendizaje permanente, la debida diligencia en torno al destino a largo plazo de los datos enviados a los servicios de predicción de LLM sigue siendo muy recomendable para los equipos legales y de cumplimiento reacios al riesgo [ 14 ]. Establecer una gobernanza de datos sólida para la integración clínica emergente de LLM puede evitar una exposición regulatoria, ética y reputacional problemática [ 64 ].

Si bien está fuera del alcance de este artículo discutirlo en detalle, la organización también tendrá la responsabilidad de garantizar que el sistema de IA cumpla con las regulaciones de atención médica y las leyes de privacidad pertinentes [ 55 ], como la Ley de Responsabilidad y Portabilidad de Seguros Médicos (HIPAA) en los EE. UU. o Reglamento General de Protección de Datos (GDPR) en la Unión Europea.

Cuarto componente: gobernanza

Si bien la IA generativa tiene varias aplicaciones potenciales en la medicina clínica, también existen varios desafíos asociados con su implementación. Algunos de los desafíos incluyen los siguientes:

▪ Disponibilidad de datos : la IA generativa requiere grandes cantidades de datos para entrenar modelos de manera efectiva [ 8 ]. Sin embargo, en la medicina clínica, los datos suelen ser limitados debido a preocupaciones y regulaciones de privacidad. Esto puede dificultar el entrenamiento eficaz de modelos.
▪ Sesgo en los datos de entrenamiento : los modelos de IA generativa requieren grandes cantidades de datos de entrenamiento para aprender patrones y generar nuevos datos. Si los datos de entrenamiento están sesgados, el modelo de IA generativa también lo estará [ 13 ]. Por ejemplo, si los datos de entrenamiento están sesgados hacia un grupo demográfico particular, el modelo de IA generativa puede producir resultados sesgados para ese grupo.
▪ Transparencia : si bien los LLM poderosos como ChatGPT demuestran una impresionante capacidad de conversación, el origen opaco de sus corpus de capacitación masivos ha atraído con razón el escrutinio [ 64 , 65 ]. A falta de transparencia en torno al origen, el estado de los derechos de autor y las políticas de consentimiento de los datos subyacentes, persisten puntos ciegos legales y éticos. Para los LLM que se ofrecen comercialmente, es comprensible que los detalles de los procesos de capacitación sigan siendo propiedad intelectual exclusiva. Sin embargo, el uso de páginas web extraídas, debates privados o contenido protegido por derechos de autor sin permiso durante el desarrollo del modelo aún puede generar responsabilidad. Demandas recientes que alegan scraping no autorizado por parte de proveedores de LLM ejemplifican la creciente reacción.
▪ Interpretabilidad del modelo : los modelos de IA generativa pueden ser complejos y difíciles de interpretar, lo que dificulta que los médicos comprendan cómo el modelo llegó a sus conclusiones [ 13 , 67 ]. Esto puede hacer que sea difícil confiar en los resultados del modelo e incorporarlos en la toma de decisiones clínicas.
▪ Generación inexacta : si bien los LLM demuestran una fluidez y versatilidad impresionantes en aplicaciones conversacionales, su confiabilidad se desmorona cuando se aplica a dominios de alto riesgo como la atención médica [ 14 , 55 ]. Sin la base contextual en el conocimiento fáctico y la capacidad de razonamiento necesarios para la toma de decisiones médicas, los LLM plantean riesgos sustanciales para la seguridad del paciente si los médicos confían demasiado en ellos [ 14 ]. Los errores de alucinación representan un modo de falla demostrado, donde los LLM generan con confianza respuestas que suenan plausibles pero completamente inventadas y que se encuentran fuera de sus distribuciones de entrenamiento. Para las evaluaciones de pacientes, planes de tratamiento u otras funciones de apoyo clínico, estas falsedades creativas podrían fácilmente culminar en daño al paciente si no se validan rigurosamente [ 64 ]. Además, los LLM a menudo ignoran las dependencias matizadas en el razonamiento de varios pasos que subyacen a los juicios médicos sólidos. Sus capacidades se centran en asociaciones estadísticas más que en implicaciones causales [ 68 ]. Como tales, con frecuencia simplifican demasiado las complejas cadenas de decisiones que requieren experiencia en el campo y que los médicos deben sopesar. Aceptar ciegamente y sin escepticismo una sugerencia diagnóstica o terapéutica generada por un LLM puede propagar errores.
▪ Cuestiones regulatorias y éticas : el uso de IA generativa en la medicina clínica plantea varias cuestiones regulatorias y éticas [ 14 ], incluida la privacidad del paciente, la propiedad de los datos y la responsabilidad. Las políticas regulatorias, las consideraciones éticas y la opinión pública forman el contexto más amplio. Las leyes de privacidad de datos como GDPR en Europa o HIPAA en EE. UU. tienen implicaciones para la IA en la atención médica [ 65 ]. Es necesario abordar estos aspectos para garantizar que el uso de la IA generativa sea ético y legal.
▪ Validación : los modelos de IA generativa deben validarse para garantizar que sean precisos y confiables [ 62 ]. Esto requiere grandes conjuntos de datos y pruebas rigurosas, lo que puede llevar mucho tiempo y ser costoso.

Para minimizar los riesgos que surgen de la aplicación de la IA generativa en la atención sanitaria, es importante establecer un marco de gobernanza y evaluación basado en la ciencia de la implementación [ 64 ]. Marcos como el marco NASSS y el TAM deberían informar los pasos posteriores para promover el uso responsable y ético de la IA generativa [ 58 , 69 ]. Este enfoque de implementación basado en la ciencia incluye varios pasos para garantizar pruebas, monitoreo e iteración adecuados de la tecnología. El marco NASSS proporciona una lente útil para evaluar los complejos sistemas adaptativos en los que se integrarían las soluciones generativas de IA [ 58 ]. Este marco examina factores como la condición, la tecnología, la propuesta de valor, el sistema adoptante, la organización, el contexto más amplio y la interacción y adaptación mutua a lo largo del tiempo. El análisis de estos elementos puede revelar barreras y facilitadores para la adopción de IA generativa en las organizaciones de atención médica. Del mismo modo, el TAM se centra específicamente en los factores humanos y sociales que influyen en la adopción de la tecnología [ 59 ]. Al evaluar la utilidad percibida y la facilidad de uso percibida de los sistemas de IA generativa, TAM proporciona información sobre cómo tanto los pacientes como los proveedores pueden responder e interactuar con la tecnología. TAM fomenta la participación de las partes interesadas en el diseño del sistema para optimizar la aceptación del usuario.

Tanto NASSS como TAM exigen una estrategia bien pensada de gestión del cambio para introducir nuevas tecnologías como la IA generativa. Esto significa realizar pruebas iterativas y pilotaje de sistemas, desarrollar conjuntamente políticas de gobernanza con diversas voces, enfatizar la transparencia, proporcionar amplios recursos de capacitación para los usuarios, desarrollar protocolos para evaluar la calidad y la equidad de la IA, permitir la personalización de las herramientas por parte de los usuarios y evaluar continuamente el impacto para permitir la implementación adecuada. adaptación a lo largo del tiempo. Aprovechar estos modelos garantiza una integración responsable y ética guiada por las necesidades del usuario final. Los siguientes son los pasos correspondientes:

▪ Establecer o utilizar un comité de gobernanza : este comité debe estar compuesto por expertos en inteligencia artificial, atención médica, ética, derecho y defensa del paciente. La responsabilidad del comité es supervisar la creación e implementación de aplicaciones de IA generativa en la atención médica, asegurándose de que cumplan con los más altos estándares morales, legales y profesionales.
▪ Desarrollar políticas y directrices relevantes : crear políticas y directrices que aborden cuestiones como la protección y seguridad de los datos, el consentimiento informado, la apertura, la responsabilidad y la equidad en relación con el uso de la IA generativa en la atención sanitaria. Las directrices también deberían cubrir el posible abuso de la IA y establecer procesos precisos de presentación de informes y resolución.
▪ Implementar prácticas sólidas de gestión de datos : esto incluye garantizar la privacidad y seguridad de los datos, obtener el consentimiento informado para el uso de los datos y garantizar la calidad e integridad de los datos. También implica el uso de conjuntos de datos diversos y representativos para evitar sesgos en los resultados de la IA.
▪ Mitigar los datos generados inexactos : en general, si bien los LLM tienen fortalezas en ciertas aplicaciones limitadas, sus limitaciones para recordar los últimos hallazgos, fundamentar los consejos en conocimientos biomédicos y el pensamiento analítico deliberativo plantean riesgos en las funciones clínicas [ 14 ]. Mitigarlos requiere salvaguardias tanto tecnológicas como de procesos. Como mínimo, las pruebas meticulosas en conjuntos de datos masivos y validados, la cuantificación transparente de la incertidumbre, la colaboración multimodal entre humanos e IA y la supervisión constante de expertos resultan esenciales antes de contemplar la adopción de un LLM para funciones que impactan al paciente. Con una gestión cuidadosa, los LLM pueden ayudar a los médicos, pero no pueden reemplazarlos.
▪ Evaluación de riesgos : antes de la implementación, las organizaciones de atención médica deben realizar evaluaciones de riesgos estructuradas para inventariar y cuantificar los posibles daños a los pacientes derivados de la adopción de la IA generativa. Deben participar equipos multidisciplinarios que incluyan médicos, seguridad de TI, asuntos legales/de cumplimiento, gestión de riesgos e ingenieros de inteligencia artificial. Un examen amplio de los casos de uso, las dependencias de datos, los supuestos de rendimiento, las salvaguardias, la gobernanza y los escenarios de responsabilidad proporcionan la base. Los peligros identificados abarcan desde imprecisiones clínicas, como sugerencias de tratamientos inadecuados, hasta riesgos operativos, como resultados sesgados o diagnósticos detenidos por interrupciones técnicas. Otras consideraciones clave son el uso indebido malicioso, los defectos que se propagan como datos de entrenamiento y la violación de registros confidenciales que comprometen la privacidad o la confianza.

Para cada riesgo plausible, la evaluación calibra estimaciones de probabilidad y gravedad para variables como tipos de usuarios, clases de información y controles de mitigación. El monitoreo continuo de riesgos basado en indicadores líderes y auditorías de uso garantiza que la evaluación inicial se adapte a los inevitables cambios de modelo y aplicación a lo largo del tiempo. La elaboración de modelos probabilísticos periódicos utilizando metodologías de garantía de seguridad refuerza aún más la gobernanza responsable. En general, un enfoque ágil y cuantificado del riesgo prepara a las organizaciones para buscar de manera responsable los beneficios de la IA generativa y al mismo tiempo proteger a los pacientes.

▪ Garantizar la transparencia : Garantizar la transparencia de los modelos de IA generativa proporcionando documentación clara de los algoritmos subyacentes, las fuentes de datos y los procesos de toma de decisiones. Esto promueve la confianza y permite a los profesionales de la salud comprender e interpretar los resultados generados. Para las organizaciones sanitarias reacias al riesgo, asociarse con proveedores de LLM que rechazan una transparencia razonable de los datos genera preocupación. Si las predicciones del modelo se sustentan en datos inadecuados, ilegales o fraudulentos, la seguridad del paciente y la reputación de la organización pueden verse afectadas [ 13 , 68 ]. Además, podrían surgir litigios por incumplimiento normativo, violaciones de la privacidad o tergiversaciones basadas en fuentes de datos LLM cuestionables [ 14 ]. No obstante, para muchas funciones clínicas, los LLM desarrollados externamente pueden ayudar suficientemente a los médicos sin una transparencia total de los corpus subyacentes. Las aplicaciones conversacionales simples probablemente plantean poca preocupación. Sin embargo, para obtener recomendaciones de atención más impactantes o resultados específicos del paciente, los médicos deben validar las sugerencias en consecuencia en lugar de presumir la integridad [ 64 ]. En general, la naturaleza inaccesible de los datos comerciales de formación de LLM es un obstáculo, pero no un factor decisivo si se controla cuidadosamente cómo se utilizan las predicciones. Aún así, la transparencia sigue siendo una cuestión de promoción constante que los proveedores de atención médica deberían defender [ 64 ].
▪ Cumplimiento regulatorio : Garantizar el cumplimiento de los marcos regulatorios relevantes, como las leyes de protección de datos y las regulaciones de dispositivos médicos. Colaborar con las autoridades reguladoras para establecer directrices específicas para la IA generativa en la atención sanitaria. Establecer procedimientos para el seguimiento y la evaluación continuos de los modelos es crucial, además de las medidas para permitir la gobernanza de los modelos de IA generativa [ 67 , 70 ]. Esto implica recopilar opiniones de pacientes y expertos en atención médica, así como un seguimiento regular del desempeño, la seguridad y las consideraciones éticas. Las organizaciones de atención médica pueden reducir los riesgos y garantizar el uso apropiado y ético de la IA generativa en la atención médica si cumplen con cada paso de este marco (Fig. 2 ). El marco de gobernanza aprovecha las ventajas potenciales de la tecnología de IA generativa al tiempo que promueve la apertura, la responsabilidad y la seguridad del paciente.

Conclusión

Los sistemas sanitarios de todo el mundo se enfrentan a crisis de asequibilidad, acceso y calidad inconsistente que ahora ponen en peligro la salud pública [ 71 ]. La IA generativa presenta soluciones para comenzar a rectificar estas fallas sistémicas mediante una implementación responsable guiada por las mejores prácticas científicas.

Los marcos validados como el modelo TAM y NASSS proporcionan hojas de ruta viables para la gestión del cambio, la alineación de las partes interesadas y la optimización del impacto [ 58 , 59 ]. Permiten anticipar las barreras de adopción relacionadas con el valor percibido, la usabilidad, los riesgos y más, al tiempo que delinean intervenciones para impulsar la aceptación. Con una planificación meticulosa basada en evidencia, la IA generativa puede transformar la productividad, el conocimiento y la mejora de la atención. Casos de uso como la automatización del flujo de trabajo y la documentación, el análisis predictivo personalizado y los chatbots para la educación del paciente confirman un gran potencial [ 26 , 41 , 45 ], siempre que la tecnología apoye en lugar de suplantar la experiencia humana. Las integraciones estructuradas que enfatizan el control médico salvaguardan la calidad y al mismo tiempo desbloquean la eficiencia. Una traducción bien pensada es esencial, pero la ciencia de la implementación proporciona una guía comprobada.

El tiempo del debate ha pasado. Los pacientes de todo el mundo se beneficiarán y los líderes responsables deben actuar con urgencia. Los proyectos piloto estratégicos, el escalamiento iterativo y la gobernanza que enfatizan la ética junto con la innovación lograrán avances largamente esperados. La IA generativa no puede reparar por sí sola sistemas defectuosos, pero una adopción cuidadosamente facilitada puede catalizar reformas y al mismo tiempo cumplir con las obligaciones humanitarias de la atención médica. El enfoque, no sólo la tecnología, define el éxito. Guiada por la sabiduría y la compasión, la IA generativa puede ayudar a restaurar los ideales de atención médica de los que hoy tanto carecen: calidad, asequibilidad y atención humana para todos.

Editorial. Porque cuesta tanto cambiar la gestión de salud y llevar la evidencia a la práctica clínica.

Dr. Carlos Alberto Díaz. Profesor Titular Universidad ISALUD. 16 Junio 2024

A pesar de las inversiones en intervenciones basadas en evidencia y ciencia de implementación, la mayoría de las intervenciones basadas en evidencia no se adoptan, implementan ni mantienen de manera amplia o rutinaria en muchos entornos comunitarios y de atención médica del mundo real. Se dice que la tardanza promedio que una evidencia llegue a la práctica clínica demora 17 años.

Abstract: The content discusses the challenges in implementing evidence-based interventions in real-world community and healthcare settings. The post provides a detailed list of obstacles at different levels of management, but it lacks specific actionable solutions to address these issues. Consider adding practical strategies or examples to complement the identified challenges, providing a more well-rounded perspective. Additionally, the post contains several lengthy, complex sentences, which could be broken down for improved readability. Finally, it would be beneficial to incorporate real-world examples or case studies to illustrate the impact of these challenges.

¿Que podría estar actuando para interferir o ralentizar el avance?. Sería bueno que hagamos una tormenta de ideas, no tan tormentosa algo más que ideas: Partiendo de abajo hacia arriba, de los núcleos operativos a las organizaciones se formulan en esta editorial unos sesenta y dos títulos sobre los cuales, los gestores debieran trabajar, y podrían ser un marco lógico, para desarrollar un programa de implementación adecuado, pero luego de esta etapa difícil de ajuste que esta sufriendo la sociedad argentina en sus sectores medios y bajos, con la falsa promesa que el mercado y la inversión generarán algo que no se da en ningún país del planeta, es que los sistemas tiendan espontáneamente hacia la igualdad y la equidad, esto no puede ocurrir, porque los sectores rentísticos buscan naturalmente obtener beneficios y utilidades para su inversión. Además podemos decir que el capital es cobarde.

Esta editorial está dedicada a pormenorizar algunas de las causas por las cuales se produce el problema que la demora en la implementación de gestiones que demuestran ser buenas para el logro del objetivo pero no se llevan adelante.

Núcleo operativo, Microgestión:

Inseguridad por lo que pasaría si van más allá de sus funciones profesionales. Salirse de la zona de confort que da saber mucho de muy poco.
No conocer en que pueden contribuir como profesionales con su actuación día a día. Relación y consistencia entre los objetivos políticos, organizaciones institucionales y de la gestión clínica.
Premios e incentivos a la hiperespecialización y no a la visión holística de los pacientes. Los especialistas se concentran en las prácticas que mejoren su función de utilidad y no en la efectividad clínica. No correr riesgo por abuso moral, ni en ser free rider.
Presión asistencial desmedida y falta de tiempo para dedicarle a los pacientes. Tener que atender por cantidad y no por calidad. Gestión por hacer y no por desempeño.
Muchos son los nombrados, poco los que trabajan, cargos sobran, pocos atienden. Esto es un fenómeno que se observa en los sectores públicos y además por ocupar posiciones que no hacen a la atención de pacientes. Esto afecta faltamente la productividad de los hospitales públicos.
Los que trabajan demasiado se exponen y no están protegidos. Los que van más allá de las fronteras de sus servicios pierden protección.
Falta de esquemas de participación reales. Que se generen espacios de actuación bottom up y top down, para que se implementen los cambios y las actuaciones.
No reconocimiento del esfuerzo por las mejoras en los procesos de implementación. Carencia de horas protegidas. Porque esto de gestionar lleva tiempo.
Carencia de interés por la gestión. En el grado como en el postgrado. Los profesionales no gestionan los recursos a su cargo para no ver «limitada su libertad profesional».
No se les paga por las mejoras en la eficiencia. Ni por los ahorros que generan con una buena implementación.
Cuesta que los pacientes se adaptan a la centralidad de una relación. Tienen poca adherencia. La percepción esta en el consumismo.
No tener que revalidar los títulos con recertificaciones obligatorias una vez terminada la residencia médica ya está.
Falta de continuidad con los pacientes que atienden y los roles que les toca ocupar.
El multiempleo lleva a que no se trabaje en plenitud en ningún lugar.
No se tienen incentivos para la lectura, para el estudio, la capacitación, la docencia o la investigación.
Los cargos políticos se suceden, todos refundan y no escuchan a los que están en el nivel operativo, con sus pesos a cuesta.
Conocer sobre la minimización de costos, porque deben ser protagonistas en esto enfermeros, médicos, instrumentadores, anestesiólogos, farmacéuticos y administrativos.
Entender que se gestiona en procesos, que son parte importante de una tarea, de una actividad o un procedimiento.

Mesogestión:

Carencia de formación profesional y técnica, de los directores, para llevar adelante las innovaciones en la gestión. Carencia de profesionalización adecuada en los gobiernos institucionales.
Carencia de un sistema de información para la toma de decisiones. De contar con un cuadro de mando integral. Falta abastecimiento de datos ordenadas para alimentar al sistema técnico de la toma de decisiones.
Falta de formación en habilidades blandas esenciales y específicas para un gerente moderno de empresas Smart y vivientes. Magnéticas y desarrolladoras. Liderazgo, comunicación, trabajo en equipo, resolución de conflictos, negociación, etc.
Falta de una planificación estratégica que permita establecer un buen rumbo institucional. Identificar el verdadero norte.
Ausencia de líderes que impulsen modernización en la gestión. Que tengan las competencias adecuadas para llevarlas adelante.
Faltan niveles técnicos, sobran los comisarios políticos. Sobra gente que no molesta, que es conformista y faltan personas con inquietudes y liderazgo que no esperen todo de la exteroregulación.
Se investiga poco en la gestión. Menos se publica del mundo real. Las experiencias exitosas parecen limitadas a espacios tiempo.
interferencia de los dominios sociotécnicos corporativos sindicales por tener convenios no adaptados a la realidad actual.
No negociar y acordar con las corporaciones la participación adecuada en estos modelos de modernización asistencial.
falta de integración de equipos multiprofesionales ingenieros, coach, especialistas en factores humanos en ergonomía y en resiliencia.
Falta de inversión en digitalización, modernización en sistemas.
No impulsar formas innovadoras de atención y de generar modelos de continuidad de atención.
La no integración de los proveedores calificados como socios estratégicos
Se investiga poco en la gestión. Menos se publica. Los niveles técnicos son ignorados en general.
Desconocimiento de como implementar mejoras en las funciones de apoyo y tecnoestructura.
Falta de conformación de equipos entre la dirección estratégica, la producción asistencial y las funciones de cuidados, como así también la integración de la opinión de los pacientes y sus familias.
Desarrolla una política de transparencia en la información desde la meso a los servicios.
Conocer sobre costos de producción y como estos se pueden mejorar.
Aprender a comunicar de forma eficaz.
Entender que se gestiona en un entorno volátil, incierto, ambiguo y complejo, una empresa compleja, abierta, disipativa, que necesita generar conocimientos para consolidar la neguentropía indispensable.

Gestión Política. Macrogestión.

Lo primero que se debe comprender que no se es un refundador. Que siempre hay cosas que se hicieron bien y otras que no. Corregir lo que se hizo mal. No acusar sin pruebas. Ni prejuzgar intencionalidades. Sostener lo que se hizo bien.
Débil función de rectoría. 24 programas de salud provinciales. No se tiene una política de salud consensuada. No se sabe que hacer con ella.
Carencia de políticas de estado tendientes a lograr por un camino competitivo e inclusivo la cobertura de salud nominalizada.
Insistir con políticas retrógradas de la década del 60-70. Continúan vigentes en muchas provincias especialmente en la Provincia de buenos aires ideas o posturas políticas retrógradas que poco contribuyen a la implementación de las innovaciones.
Falta información de los distintos subsectores de salud. transparencia en la gestión política, en suministrar información, en verificar el funcionamiento.
Saber que el cambio es urgente, que lo impone la evolución del conocimiento, la digitalización y la inteligencia artificial. Los cambios demográficos, epidemiológicos. sociales. La inequidad. La desigualdad creciente.
que las nuevas formas de gestión deben implementar políticas de equidad, para mitigar la desigualdad injusta.
La gestión política siempre es desafiante. No debe generar ruido innecesario.
la falta de continuidad para implementar proyectos políticos de largo plazo. Es preferible morir en el intento del anonimato a no hacer nada por el cambio. El cambio debe empezar, no importa quien lo termine, sino que genere una sociedad más justa, en un término equidistante entre el asistencialismo y la libertad sin políticas de estado.
Sobreponerse a los intereses de ciertas organizaciones para que no se implementen las transformaciones.
Se investiga poco desde la salud pública en la gestión. En la implementación de los programas. Sobran programas, pero con paraguas agujereados y rotos que no protegen a nadie ni impactan sobre los indicadores.
Falta de modernización en esquemas de compras y de gestión logística.
Manejo de presupuestos históricos y no basados en programas de actividad.
No establecer con los centros compromisos de gestión.
No tener una política firme de medicamentos. Impulsar más el uso de medicamentos genéricos y biosimilares. Poner precios de referencia para los medicamentos.
Carencia en el desarrollo de una agencia de evaluación de tecnologías.
Desarrollar una política activa de talento humano, impulsar en el largo plazo la implementación de especialidades y profesionales, desde la formación de grado y el reperfilamiento de la carrera profesional. Terapistas intensivos que sean anestesiólogos, como una formación abreviada.
Corregir las altas barreras de salida de mercado que protegen a los evasores institucionales seriales.
Impulsar formas innovadores de atención, el desarrollo de digitalización, de la minería de los datos.
legislar sobre el uso y la aplicación de la inteligencia artificial.
Nominalizar e incluir a toda la población.
Re impulsar el cumplimiento de la prevención en vacunas y estudios preventivos, de diagnósticos precoz de lesiones de cáncer.
Integrar los niveles de atención. y formular un modelo integral de atención.
Son más notorios e intocables los que se benefician, con que las cosas funcionen mal, los sin voz y los sanitarios de a pie, no son visibilizados ni escuchados en sus reclamos. Ejercen su poder para que los cambios no se produzcan,
La salud no esta entre las prioridades de los políticos. Entonces es muy difícil proponerlo como tema de agenda.

He tratado de pormenorizar algunas circunstancias que influyen para que no mejore la gestión sanitaria, tanto en la gestión operativa, la gerencia de las instituciones y en la gestión política, por muchos años estamos hablando de lo mismo y que parece que no avanzamos. No parece, realmente es que no avanzamos nada. Siempre se convive con los mismos y aburridos problemas. La angustia vital de ver los mismos problemas y las propuestas de soluciones fracasadas, pero formuladas por los refundadores de turno.

Ciencia de la implementación.

La evidencia, a menudo informada por un ciclo complejo de observación, teoría y experimentación [ 1 ], es la base de la ciencia de implementación [ 2 , 3 ]. La evidencia es fundamental en parte porque la ciencia de difusión e implementación (D&I) se basa en la noción de que existen prácticas y políticas que deberían usarse ampliamente porque la investigación científica concluye que tendrían beneficios generalizados. En este contexto, una intervención basada en evidencia (EBI) se define ampliamente para incluir programas, prácticas, procesos, políticas y directrices con cierto nivel de efectividad [ 4 ]. la gestión requiere también prácticas, recursos y acciones basadas en las evidencias publicadas y las del mundo real.

Muchas de las fuentes subyacentes de evidencia se derivaron originalmente de entornos legales y adoptaron múltiples formas, incluidos relatos de testigos, testimonios policiales, opiniones de expertos y ciencia forense [ 5 ]. Sobre la base de estos orígenes, la evidencia para la salud pública y la práctica clínica se presenta en muchas formas, en tres amplios dominios [ 6 , 7 , 8 ]: tipo 1: evidencia sobre etiología y carga; tipo 2: evidencia sobre la efectividad de las intervenciones; tipo 3: evidencia sobre la implementación dentro del contexto (Tabla 1 ). Estos tres tipos de evidencia a menudo no son lineales, sino interconectados, iterativos y superpuestos: se moldean entre sí (por ejemplo, si tenemos evidencia de tipo 2 limitada, entonces la capacidad de aplicar evidencia de tipo 3 se ve obstaculizada). En estos tres dominios, tenemos, con diferencia, la mayor cantidad de evidencia de tipo 1 y la menor evidencia de tipo 3

Revisando conceptos de evidencia en la ciencia de la implementación

*Tipo*	*Elemento*	*Definición*		*Ejemplos de indicadores y resultados*
Evidencia tipo 1: etiología y carga	Epidemiología descriptiva	El estudio de la aparición de enfermedades u otras características relacionadas con la salud en poblaciones humanas, a menudo clasificadas bajo los encabezados de persona, lugar y tiempo.		Incidencia, prevalencia mortalidad
	Carga	El impacto de la enfermedad en una población.	Exceso de riesgo en pacientes, poblaciones, subgrupos, costos.
	Acceso	La capacidad de conectar a los pacientes con los profesionales de la salud y los servicios de atención médica.	Incidencia de enfermedades prevenibles, detección temprana, tratamiento.
	Disparidad	Un tipo particular de diferencia de salud que está estrechamente relacionado con desventajas económicas, sociales o ambientales.		Incidencia, prevalencia mortalidad
	Etiología	El estudio de las causas de las enfermedades.		Tamaños del efecto y otros indicadores del efecto.
	Determinantes sociales y factores estructurales.	Condiciones en las que las personas nacen, crecen, viven, trabajan y envejecen, así como las estructuras sociales complejas e interrelacionadas y los sistemas económicos y políticos que dan forma a estos resultados y condiciones de salud.		Tamaños del efecto y otros indicadores del efecto.
Evidencia tipo 2: Efectividad de las intervenciones	Eficacia de las intervenciones (programas, directrices y políticas)	Actividades diseñadas para evaluar, mejorar, mantener, promover o modificar la salud, los comportamientos de salud, el funcionamiento o las condiciones de salud.		Tamaños del efecto y otros indicadores del efecto (incluida la heterogeneidad de los resultados)
	Eficacia de la asistencia sanitaria	El estudio de la estructura, procesos y organización de los servicios sanitarios.		Desempeño, calidad, eficacia, eficiencia, centrado en el paciente, equidad, seguridad
	Pautas de práctica	Un conjunto estandarizado de información basado en evidencia científica de la efectividad y eficiencia de las mejores prácticas para abordar problemas de salud comúnmente encontrados en la salud pública o la práctica clínica.		Recomendación (p. ej., recomendada, no recomendada, evidencia insuficiente), aplicabilidad en poblaciones y entornos
	Evaluación económica	El análisis comparativo de cursos de acción alternativos en términos tanto de sus costos como de sus consecuencias (por ejemplo, análisis de costo-efectividad).		Costos de la estrategia de intervención e implementación, relación costo-efectividad, retorno de la inversión, análisis de impacto presupuestario, costos de oportunidad y replicación.
Evidencia tipo 3: implementación y contexto	Contexto	Un conjunto de circunstancias o factores únicos relacionados con el entorno o la comunidad que rodean un esfuerzo de implementación particular.		Políticas, regulaciones, incentivos, cambios en prioridades, factores de ajuste, características organizacionales, historia, factores sociales y ambientales.
	Validez externa	El grado en que las inferencias reportadas en un estudio pueden aplicarse a diferentes poblaciones, entornos, tratamientos y resultados.		Participación del personal, participación en el entorno, representatividad por geografía y población, costo
	Estrategia de implementacion	Los procesos o métodos, técnicas, actividades y recursos que respaldan la adopción, integración y mantenimiento de intervenciones basadas en evidencia en entornos habituales (por ejemplo, taxonomía ERIC).		Aceptabilidad, adopción, idoneidad, costo, viabilidad, costo, penetración, sostenibilidad
	Mecanismo de implementación	El proceso o evento a través del cual opera una estrategia de implementación para afectar los resultados de implementación deseados.		Aceptabilidad, adopción, idoneidad, costo, viabilidad, costo, penetración, sostenibilidad
	Equidad en la implementación	El grado en que se presta atención explícita a la cultura, la historia, los valores y las necesidades de la comunidad durante la implementación, incluido cualquier factor social y estructural que pueda contribuir a las inequidades en salud y a la implementación equitativa o no equitativa.		Desigualdades o diferencias entre entornos o poblaciones en cuanto a aceptabilidad, adopción, idoneidad, costo, viabilidad, alcance, entrega/fidelidad de la implementación, penetración, sostenibilidad; determinantes sociales (p. ej., condiciones de vida, indicadores socioeconómicos) consecuencias no deseadas relacionadas con la implementación
	Adaptación	El grado en que un usuario cambia o modifica una intervención basada en evidencia antes, durante y después de su adopción e implementación para (a) adaptarse a las necesidades del entorno/condiciones locales; (b) responder a la evidencia emergente; o (c) responder al contexto cambiante		Adaptarse a los destinatarios, alcance, datos, recursos, capacidad, satisfacción, compromiso.
	Replicación y transportabilidad	La capacidad de transferir una intervención basada en evidencia a un nuevo entorno, equilibrando la fidelidad con la adaptación.		Aceptabilidad, adopción, idoneidad, costo, viabilidad, costo, penetración
	Aumentar proporcionalmente	La capacidad de ampliar la cobertura de intervenciones exitosas, incluidos los recursos financieros, humanos y de capital necesarios para la expansión.		Usabilidad, utilidad, viabilidad, fidelidad, adopción.
	Sostenibilidad	La capacidad de crear estructuras y procesos que permitan que una EBI implementada se mantenga y adapte en una organización o sistema y continúe produciendo beneficios a lo largo del tiempo.		Penetración, institucionalización, normalización, integración, capacidad, infraestructura, costos, mantenimiento de la EBI/ejecución de estrategias y/o continuación de los beneficios de salud.

La salud pública basada en la evidencia ocurre en una variedad de entornos comunitarios y es «el proceso de integrar intervenciones basadas en la ciencia con las preferencias de la comunidad para mejorar la salud de las poblaciones» [
11 ]. Quizás lo más relevante para la ciencia de la implementación es que la toma de decisiones basada en evidencia es un proceso multinivel que implica recopilar e implementar la mejor evidencia disponible de la investigación, la práctica, la experiencia profesional y los socios clínicos o comunitarios

Variables contextuales para la implementación en todos los niveles ecológicos

*Nivel ecológico*	*Ejemplos*
Individual	Nivel de Educación Raza/etnicidad/edad/género Geografía/ruralidad El ser humano básico necesita ^un Historial de salud personal Disposición/motivación para someterse a pruebas o terapia. Literatura y aritmetica Confianza, desconfianza, desconfianza. Estigma Estrés y angustia Resiliencia Genotipo y fenotipo Motivación Valores
interpersonales	Historial de salud familiar Apoyo de sus compañeros Capital social Redes sociales Apoyo social de familiares, amigos, compañeros de trabajo y proveedores de atención médica.
Organizativo	Composición del personal Conocimientos, experiencia y habilidades del personal. Infraestructura física Recursos organizativos y financieros. Clima y cultura organizacional Liderazgo Grado de toma de decisiones participativa Densidad de vínculos organizacionales. Centralidad de las agencias en una comunidad. Racismo institucional Seguridad psicológica Misión y prioridades Directrices e incentivos Procesos y procedimientos Formación y reciclaje Normas Estabilidad
Sociocultural y comunitario	Normas y valores sociales. Normas culturales, valores, tradiciones. Equidad en salud Historia Estigma social Capacidad comunitaria, prioridades, activos Recursos e inversiones locales Racismo estructural Modelos mentales compartidos Características del barrio Acceso a la atención sanitaria y a recursos de promoción de la salud.
Estructuras y sistemas políticos y económicos.	Valores sociales Voluntad política Ideología política Lobby e intereses especiales Costos y beneficios Directrices profesionales Políticas y regulaciones (tanto P grande como p pequeña)

El “cómo hacer” para ampliar la base de evidencia para la ciencia de implementación requerirá varias acciones. En primer lugar, debemos priorizar las lagunas de evidencia y las posibles formas de llenarlas; en la Tabla 4 se muestran muchas ideas . A continuación, se necesitan recursos y herramientas para abordar los déficits de evidencia (Tabla 6 ). Todas las herramientas enumeradas están disponibles de forma gratuita y brindan suficientes antecedentes e instrucciones para que sean útiles para una amplia gama de usuarios, desde principiantes hasta expertos. Las herramientas enumeradas cubren múltiples dominios superpuestos: (1) compromiso y asociaciones; (2) planificación del estudio; (3) propuestas de investigación, artículos, informes y directrices; (4) y difusión, ampliación de escala y sostenibilidad.

En las últimas décadas, ha habido avances sustanciales en la definición de evidencia para la práctica clínica y de salud pública, la identificación de lagunas en la evidencia y los avances iniciales para llenar ciertas lagunas. Sin embargo, para resolver los desafíos de salud que enfrenta la sociedad, necesitamos un pensamiento nuevo y ampliado sobre la evidencia y el compromiso con la toma de decisiones basada en el contexto. Este proceso comienza con evidencia: una base de la ciencia de implementación. Al examinar críticamente y ampliar los conceptos actuales de evidencia, la ciencia de la implementación puede cumplir mejor su visión de brindar una respuesta explícita a décadas de progreso científico que no se ha traducido en mejoras equitativas y sostenidas en la salud de la población

Las Evidence Based Investigation no tendrán un impacto transformador en la salud de muchas comunidades si no se difunden, adoptan y utilizan ampliamente de manera oportuna y no se integran de manera rutinaria y equitativa en la infraestructura de salud pública y los sistemas de atención médica.

Gestión de la seguridad de pacientes. El principio ETTO: equilibrio entre eficiencia y minuciosidad.

De Erik Hollnagel por Fabían Vítolo y Carlos Alberto Díaz.

ETTOing bien es el camino hacia la gloria;

¡Hacer ETTO mal te hará sentir mal!

En la diplomatura que codirigimos con Fabián Vítolo, Especialista en gestión de riesgo y seguridad de los pacientes, en la Universidad ISALUD, se introdujo la visión de Erik Hollnagel de la seguridad de hacer las cosas bien, todo el tiempo, como la forma de evitar los eventos adversos, que llevados por una taxonomía se denomina Seguridad 2.0, aclarando siempre, que en realidad son las dos caras de una moneda con la seguridad 1.0.

Esto nos llevó a preparar una clase que introduzca la ciencia de la implementación, lecturas adicionales y presentaciones asincrónicas, y es notorio que se debe equilibrar la minuciosidad en la ejecución de los procesos con la eficiencia. Observando que la eficiencia, no se lleve por delante la calidad. En primer lugar porque dejaría de ser eficiencia y en segundo lugar porque torna la práctica insegura. Entonces transcribo el concepto central de Hollnagel sobre el equilibrio entre minuciosidad y eficiencia. En el ámbito de los factores humanos y la seguridad, se ha descrito un equilibrio de desempeño similar entre eficiencia y rigor que tiene repercusiones en la seguridad. El libro de Erik Hollnagel (2009) sobre Efficiency-Thoroughness-Tradeoff (ETTO) ha estimulado una nueva perspectiva sobre cómo pueden surgir eventos de seguridad cuando las organizaciones aumentan la presión en el trabajo para producir más, con los mismos recursos. En lo particular trabajo en una organización que funciona así. Donde la tensión productiva de satisfacer una demanda creciente de población nominalizada, sube los niveles de alerta y de controles, y se produce mucho más, pasando a ser eficientes, justificando el costo de la integración vertical, financiador, prestador. Que no siempre se cumple. Porque se diluye la tensión competitiva. El principio ETTO afirma que las personas deben intentar lograr un equilibrio entre eficiencia y minuciosidad que difiera según las exigencias particulares del entorno laboral. Muchos estudios de factores humanos han analizado las reglas ETTO que los operadores aplican en una variedad de ámbitos laborales, como la atención médica (Xiao et al., 2010), el mantenimiento de aeronaves (Nathanael et al., 2016, McDonald, 2003), la aviación y el transporte aéreo. tráfico (Kontogiannis y Malakis, 2013), etc.

Madon et al, “los científicos han tardado en considerar la implementación como un fenómeno dinámico, adaptativo y de múltiples escalas que puede abordarse a través de una agenda de investigación”

Es una característica fundamental del desempeño humano, ya sea individual o colectivo, que los recursos necesarios para hacer algo a menudo, si no siempre, son demasiado pocos. La deficiencia más frecuente es la falta de tiempo, pero también pueden faltar otros recursos como información, materiales, herramientas, energía y mano de obra. Sin embargo, normalmente logramos cumplir con los requisitos para un desempeño aceptable ajustando la forma en que hacemos las cosas para satisfacer las demandas y las condiciones actuales, o en otras palabras, equilibrando las demandas y los recursos. Esta capacidad de ajustar el rendimiento para que coincida con las condiciones puede describirse como un equilibrio entre eficiencia y minuciosidad. ¹ La esencia de este equilibrio o compensación entre eficiencia y minuciosidad se describe en el principio ETTO, que, en su forma más simple posible, puede expresarse de la siguiente manera: En sus actividades diarias, en el trabajo o en el ocio, las personas (y las organizaciones) ) habitualmente eligen entre ser eficaz y minucioso, ya que rara vez es posible ser ambas cosas al mismo tiempo. Si las exigencias de productividad o rendimiento son altas, la minuciosidad se reduce hasta que se cumplan los objetivos de productividad. Si las exigencias de seguridad son altas, la eficiencia se reduce hasta que se cumplan los objetivos de seguridad.

Una definición formal

El principio ETTO se refiere al hecho de que las personas (y las organizaciones), como parte de sus actividades, frecuentemente – o siempre – tienen que hacer un equilibrio entre los recursos (principalmente tiempo y esfuerzo) que dedican a prepararse para hacer algo y los recursos ( principalmente tiempo y esfuerzo) que dedican a hacerlo. La compensación puede favorecer la minuciosidad sobre la eficiencia si la seguridad y la calidad son las preocupaciones dominantes, y la eficiencia sobre la minuciosidad si el rendimiento y la producción son las preocupaciones dominantes. Del principio ETTO se desprende que nunca es posible maximizar la eficiencia y la minuciosidad al mismo tiempo. Una actividad tampoco puede esperar tener éxito si no existe un mínimo de cualquiera de las dos.

Eficiencia significa que el nivel de inversión o la cantidad de recursos utilizados o necesarios para lograr una meta u objetivo establecido se mantienen lo más bajo posible. Los recursos pueden expresarse en términos de tiempo, materiales, dinero, esfuerzo psicológico (carga de trabajo), esfuerzo físico (fatiga), mano de obra (número de personas), etc. El nivel o cantidad adecuada se determina mediante la evaluación subjetiva de lo que es suficiente. para lograr el objetivo, es decir, lo suficientemente bueno como para ser aceptable según cualquier regla de parada que se aplique, así como según los requisitos y demandas externos. Para los individuos, la decisión sobre cuánto esfuerzo invertir no suele ser consciente, sino más bien el resultado del hábito, las normas sociales y la práctica establecida. Para las organizaciones, es más probable que sea el resultado de una consideración directa, aunque esta elección en sí misma también estará sujeta al principio ETTO.
Minuciosidad significa que una actividad se lleva a cabo sólo si el individuo u organización confía en que existen las condiciones necesarias y suficientes para que la actividad logre su objetivo y no cree efectos secundarios no deseados. Estas condiciones comprenden tiempo, información, materiales, energía, competencia, herramientas, etc. Más formalmente, minuciosidad significa que las condiciones previas para una actividad están dadas, que las condiciones de ejecución pueden garantizarse y que los resultados serán ser el(los) previsto(s).

La falacia de la ETTO es que se requiere que las personas sean eficientes y minuciosas al mismo tiempo – ¡o más bien, que sean minuciosas cuando, en retrospectiva, ser eficiente estaba mal!

Las personas y las organizaciones permanentemente compensan los recursos (tiempo y esfuerzo) que dedican a preparar una actividad y los recursos (tiempo, esfuerzo, materiales) que gastan en la realización de la misma.

Cuando las prioridades son el rendimiento y la productividad, la eficiencia es más importante que la minuciosidad. Cuando se priorizan la seguridad y la calidad, la minuciosidad es más importante que la eficiencia.

Del principio ETTO se desprende que es imposible maximizar la eficiencia y la minuciosidad al mismo tiempo. Tampoco se puede esperar que una actividad tenga éxito si no hay un mínimo de ambas.

«En base al principio ETTO de compensación entre la eficiencia y la minuciosidad, las personas y las organizaciones hacen permanentes ajustes entre el trabajo como está pensado y el trabajo como se realiza»

(1) Simplificar la caracterización del desempeño humano a un equilibrio entre eficiencia y minuciosidad es, por supuesto, en sí mismo un ejemplo de tal equilibrio.

Los ajustes del trabajo diario normalmente garantizan un funcionamiento seguro y eficaz del sistema, sino que también puede conducir a un resultado no deseado e inesperado.

Normalmente, la variabilidad del rendimiento de una función en sí misma no puede desestabilizar la situación. A veces, la variabilidad del rendimiento de varias funciones puede combinarse (pareja) de una manera que resulte en una variabilidad inusualmente grande y desestabilice la situación. El fenómeno se denomina «resonancia funcional»

Resonancia funcional

La disyuntiva entre eficiencia y minuciosidad se ve afectada por las condiciones y no es «una relación fija incorporada» [Hollnagel, 2009]. ETTOing puede dar lugar a Variabilidad del rendimiento de las funciones. La variabilidad del rendimiento puede propagarse a través del sistema. A veces la variabilidad se amortigua y a veces se vuelve inusualmente grande, por ejemplo, resonancia. La resonancia es funcional, no estocástico porque el principio ETTO permite predecir el comportamiento de personas y, por lo tanto, la resonancia potencial en un flujo de trabajo. El comportamiento no es aleatorio y representa una cierta regularidad. [Hollnagel, 2012a] [Akselsson, 2014].

Marco de la Implementación:

El marco de la implementación se compone de cuatro fases, que como gestores debemos aprender y sumar a nuestras competencias. Son ellas la exploración, la preparación, la implementación propiamente dicha y el sostenimiento.

La exploración comienza con un disparador, cuando existe conciencia de la necesidad del cambio. Cuando estamos incómodos con lo que pensamos o con lo que estamos haciendo. Que no todo esta bien. Que hay oportunidades de mejora. Que hay muchas cosas por hacer y esforzarse. Que probablemente desarrollemos un proyecto del cual no veremos el final, ni gozaremos de las mieles del éxito, que el cambio organizacional es patrimonio de lo colectivo, de un liderazgo convocante, impulsado en los valores. Se debe considerar cuales son las necesidades de salud emergentes y prioritarias. Generar apoyos y recursos necesarios. La planificación previa a la implementación comienza con la identificación de la evidencia que se va a traducir (comportamiento relacionado con la salud, prueba, procedimiento, etc.) y su relación con un problema de salud. Los argumentos a favor de la traducción son más sólidos cuando la eficacia del cambio de práctica se ha demostrado claramente en ensayos clínicos y/o la práctica es recomendada por sociedades profesionales u otras organizaciones profesionales. Para defender la traducción, es útil describir la brecha entre evidencia y práctica en términos de brechas de desempeño y resultados .

La brecha de desempeño es la diferencia entre la práctica/comportamiento actual y el ideal, idealmente en el entorno en el que se lleva a cabo la investigación. Un ejemplo de cómo se podrían utilizar los componentes conductuales

La brecha de resultados se determina como la diferencia entre los resultados de salud actuales y aquellos que se espera lograr si se observara la práctica recomendada.

Preparación: Luego se debe trabajar en cuales serán las mejores prácticas o planes de acción para llevarlas a cabo. Se deben implementar pequeñas pruebas, y ver de hacer las correcciones. Las necesidades de adaptación. Es necesario también entrenar al equipo, nivelar competencias, entrenar, hacer pruebas, generar la ilusión del objetivo, observar si algunos podrán ser afectados con los cambios y como minimizar el daño, o la generación de resistencias que venzan la iniciativa. Adecuar el lugar donde vamos a desarrollar el proyecto. Quienes serán los responsables de llevarlo a cabo y estos tienen que ser los convencidos en primara instancia, porque en su parte, en su papel y su rol está parte del éxito del proyecto. Que seguidamente requiere de una preparación adecuada, y planificación de acción. El abordaje de las barreras. La capacitación de los facilitadores. Controlar adecuadamente el feedback inicial. Creación de un clima favorable.

Implementación: Integración de lo planificado en la acción, ver los efectos de las acciones e introducirlos en la práctica. Monitoreo continuo de los resultados. Incorporar la nueva práctica al servicio. Resulta fundamental en esta etapa monitorear de manera continua los resultados de la implementación, para ver si hay que hacer ajustes.

Sostenimiento: Valorar los beneficios para el paciente y para la organización. Institucionalizar las medidas. Incorporarlas a la cultura organizacional. Asegurar la viabilidad económica.

Apoyo organizacional y liderazgos: La gente mira lo que los líderes miran. Si en las reuniones trimestrales de gestión, las cabezas sólo están mirando si hicimos más cirugías o consultas que en el mismo trimestre del año anterior y no se presenta ningún indicador de calidad, ninguna historia de paciente dañado, la gente interpretará que el valor central es la productividad, no la calidad. Si se le pide a alguien que implemente una práctica de calidad pero no se le dan horas protegidas para estudiar y capacitar o recoger indicadores, no podemos decir que hay mucho apoyo. Las personas deben saber que la dirección espera que la nueva práctica se, que estará verificando su cumplimiento.

Infraestructura: Tiene que ver con las características estructurales donde se llevará a cabo la nueva práctica. Es una institución abierta o cerrada. Cómo puedo hacer para qué médicos externos, que no son parte del staff cumplan? Ejemplo de médicos cinco estrellas…

Cultura y clima organizacional: entendida como el conjunto de valores y creencias compartidas que modelan conductas. La calidad y la seguridad es una prioridad más, a la par de la productividad y la eficiencia o es un valor central que está por arriba de cualquier prioridad? Hay un clima de respeto, donde todos pueden opinar sin temor. Hay una cultura justa?

Presteza organizacional: Grado de preparación de la organización para cambiar. Se trata de una organización ágil o una anquilosada, burocrática, donde cuesta mover la rueda? Acá es importante hacerles entender que implementar algo no significa cambiar para siempre. A veces sólo se tratsa de probar….

Relaciones sociales y de apoyo. Es muy difícil tratar de implementar algo si las relaciones interpersonales son muy malas, si se permiten malos tratos o niguneos. De allí la importancia de estimular la comunicación efectiva y el trabajo en equipo… Las habilidades “blandas” tienen mucha importancia en los procesos de implementación.,

Recursos económicos: Todo lo que tiene que ver con el financiamiento de la iniciativa, reembolsos , recompensas, costos, y optros factores económicos que pueden influir en la implementación.

Disponibilidad de tiempo: La cosas no debieran hacerse a expensas del tiempo que sobra o del tiempo libre de lo profesionales. La implementación debe contar con tiempo protegido

Feedback Influye mucho sobre los procesos de acreditación el hecho de contar con idicares que vayan mostrando el progreso hacia la meta y que estos indicadores sean discutidos regularmente con la gente.

Editorial. La brecha entre la lógica médica y la gestora.

Dr. Carlos Alberto Díaz. Profesor titular Universidad ISALUD. 9 de Junio 2024.

Tradicionalmente los profesionales médicos asistenciales y los gestores, parecen tener visiones distintas de lo que se debe hacer con los procesos de gestión de pacientes, clínica, de liderazgo y de distribución de los recursos económicos en salud. Es momento. Siempre lo fue de hablar de dinero, de formas de pago y de reconocimiento. De intereses de financiadores y proveedores. Sin eufemismos. El gasto en salud crece más que la inflación, por la carga sanitaria, la cronicidad, el incremento de la expectativa de vida, la tecnología farmacológica y diagnóstica, el «consumerismo» de los pacientes con sus consultas a internet, la fragmentación del sistema, la sobreutilización de algunas prácticas, la intermediación, y las formas de contratación. El sistema de salud esta trabajando en la parte plana de la curva, gasta más y no mejora los resultados. La mayoría de los financiadores, por no decir todos, no pueden financiar el Programa médico obligatorio. Estas dos lógicas, las asistenciales y gerenciales se enfrentan, ocurre también entre el liderazgo médico y la gestión hospitalaria. Existen además otras grietas, como la gestora con la macro política en salud, y la médica con la lógica del cuidado enfermero. El complejo industrial médico, y los financiadores.

Como han argumentado Davies y Harrison (2003), «los médicos y los directivos difieren en muchas dimensiones culturales, lo que puede dar lugar a malentendidos y tensiones en las relaciones de trabajo y en los enfoques para mejorar la atención al paciente».

El aumento de la corriente gerencialista en las cumbres estratégicas de los hospitales, tiende a estandarizar cada vez más el trabajo médico, en ponerlo en procesos, en la necesidad que la evidencia científica llegue más velozmente a la práctica clínica, se transforme en resultados y logre el valor del desempeño. Los mecanismos utilizados para implementar la modernización, los objetivos y la regulación dieron lugar a un comportamiento disfuncional en los clínicos resentidos por la invasión de los gerentes y la gerencia en su territorio y el desafío que representaba para su profesionalismo. El uso del término «territorio» es instructivo aquí, ya que sugiere conflictos, guerras territoriales y, en última instancia, una relación entre médicos y gerentes mediada por el estatus y el poder.

Faltan puentes entre esas grietas, como la incorporación de médicos formados técnicamente en la gestión y en habilidades blandas de liderazgo, resolución de problemas, trabajo en equipo y negociación, de incorporar otros saberes en la dirección, como las enfermeras, los ingenieros, especialistas en administración, en la dirección, para desarrollar planes de mediano plazo consistentes y formalizados, que puedan interactuar con los otros centros de responsabilidad y poder establecer coherencia y consistencia, en las acciones, con la variabilidad de las respuestas y las exigencias, de los pacientes, de los financiadores, de los equipos profesionales médicos, de la calidad, la seguridad de los pacientes y la acreditación de los establecimientos, la evaluación de la mejora, de la implementación y de la seguridad.

Los gerentes médicos requieren apoyo de los jefes de servicio la importancia del apoyo y la confianza es doble, sino el gerente queda expuesto frente a los directores que su flujo de órdenes estratégicas no se pueden convertir en flujos de trabajo operativo, el conocimiento ilustrado no llega a los momentos de verdad, al point of care, a los momentos de oro.

Comenzar por resolver también el aspecto formativo de los directores, debido a que las exigencias que impone el trabajo como gestor a tiempo completo, y el alejamiento de la evolución del conocimiento asistencial, que le hace perder a ese director su ascendiente con los médicos.

La formación profesional de los médicos por asignaturas vinculadas con las especialidades, ninguna enseña la administración de los bienes de confianza que intercambian como productos intermedios o finales con la demanda de los pacientes.

Contribuir desde la capacitación de grado o bien en las residencias médicas, poder comprender la importancia de la gestión en el seno de su ejercicio, como así también el desarrollo de habilidades blandas como la comunicación asertiva.

Saber lidiar con las tensiones de la escasez, de las identidades, de la evolución del conocimiento, de la formación continua, con la remuneración escasa, la carencia de una carrera establecida, ya que el desarrollo profesional es totalmente anárquico, y que no tiene una trayectoria, que carga a los profesionales de una gran decepción, inclusive de tener que continuar trabajando hasta que su salud lo permita.

Entre los gestores y los médicos se originan lógicas en competencia, que a menudo lleva a los médicos a sentirse estancados y tener que elegir entre varios mundos. Desempeñar funciones híbridas, como asistencialistas, auditores, o gestores de medio tiempo, y docentes con dedicación obligatoria. Otro aspecto significativo es la falta de tiempo protegido. Si quiere integrar un comité de gestión, de calidad, de seguridad, de control de infecciones, no se le reconoce.

La ambigüedad innecesaria que tienen los roles gestores y asistenciales. El gerente frente al asistencialista debe ser un coach, un facilitador de los procesos asistenciales, que se desarrollen adecuadamente. La ambigüedad de tener que abordar conflictos y resistencias al cambio. Los intereses particulares. Los objetivos contrapuestos.

La carencia de una descripción definida de las funciones que debe desempeñar, tornándose en un extinguidor de incendios que se repiten sin solución. Estas situaciones generan una fuente de frustración y a menudo estrés e incertidumbre. Ser gerente médico no debe ser «bombero»

Este rol director gerente médico implica una amplia gama de actividades generales de gestión y liderazgo; por otro lado, este rol implica actividades para equilibrar los mundos administrativo y médico. Estas actividades deben realizarse no sólo para lograr y representar los objetivos de la organización, sino también para negociar y representar los intereses del personal médico y de enfermería, como así también los dominios sociotécnicos. Para perseguir estos intereses, se requieren una multiplicidad de habilidades, conocimientos y actitudes de liderazgo y gestión general, habilidades específicas y conocimientos y actitudes específicos para el equilibrio entre la gestión y la medicina.

La informática en salud pública y el médico perioperatorio: mirando hacia el futuro

Mudumbai, Seshadri C. MD, MS ^*,† ; Gabriel, Rodney A. MD, MAS ^‡ ; Howell, Stephen MD, MBA ^§ ; Tan, Jonathan M. MD, MPH, MBI, FASA ^‖,¶,# ; Freundlich, Robert E. MD, MS, FCCM, FASA ^** ; O’Reilly-Shah, Vikas N. MD ^†† ; Kendale, Samir MD ^‡‡ ; Poterack, Karl MD ^§§ ; Rothman, Brian S. MD ^**.

Anesthesia & Analgesia 138(2):p 253-272, febrero de 2024.

El papel de la informática en la salud pública ha aumentado en las últimas décadas, y la pandemia de enfermedad por coronavirus de 2019 (COVID-19) ha subrayado la importancia crítica de datos agregados, multicéntricos, de alta calidad y casi en tiempo real para fundamentar las decisiones. por parte de los médicos, los sistemas hospitalarios y los gobiernos. Dado el impacto de la pandemia en los servicios perioperatorios y de cuidados críticos (p. ej., retrasos en procedimientos electivos; intercambio de información relacionada con intervenciones en pacientes críticos; gestión regional de camas en condiciones de crisis), los anestesiólogos deben reconocer y abogar por mejores marcos informáticos en sus centros locales. ambientes. La mayoría de los anestesiólogos reciben poca formación formal en informática de salud pública (PHI) durante la residencia clínica o mediante educación médica continua. La pandemia de COVID-19 demostró que esta brecha de conocimiento representa una oportunidad perdida para que nuestra especialidad participe en la atención clínica y la toma de decisiones de políticas relacionadas con la informática y orientadas a la salud pública. Este artículo describe brevemente los antecedentes de la PHI, su relevancia para la atención perioperatoria y concibe las intersecciones con la PHI que podrían evolucionar durante el próximo cuarto de siglo.

En agosto de 1854, Londres se encontraba en medio de un importante brote de cólera. Los principales médicos pensaban que el desperdicio y las condiciones de vida sucias de la población se filtraban al aire y de algún modo enfermaban a la gente. John Snow, médico londinense y uno de los padres fundadores de la salud pública y la anestesiología, estaba convencido de que algo más que el aire podría ser el responsable. El cólera es una enfermedad extremadamente virulenta que puede causar diarrea acuosa aguda grave, afecta tanto a niños como a adultos y puede matar en cuestión de horas si no se trata. Snow utilizó datos del registro de defunciones del gobierno y consultas casa por casa para mapear las residencias de las víctimas y determinar que todos los afectados tenían una única conexión común: todos habían recuperado agua de la bomba de agua local en Broad Street ( Figura 1 ).

Mapa de John Snow sobre los brotes de cólera en el Londres del siglo XIX, publicado originalmente en 1854 por CF Cheffins, Lith, Southhampton Buildings, Londres, Inglaterra. De Wikipedia. ¹ De dominio público y libre de derechos de autor.

Snow pudo recopilar datos y hacer inferencias sobre una epidemia de su época que mejoró la salud pública. Apoyó su hipótesis con un análisis estadístico detallado para mostrar la correlación entre la calidad de la fuente de agua y los casos de cólera. Los beneficios potenciales de este enfoque epidemiológico apenas están comenzando a llegar a la atención perioperatoria. Los anestesiólogos han logrado enormes avances para disminuir la mortalidad y morbilidad intraoperatoria causada por la anestesia misma y han trabajado continuamente para mejorar la seguridad del paciente en el período pre y postoperatorio. Sin embargo, el período perioperatorio puede ser una puerta de entrada importante para rastrear y afectar la salud pública o a nivel de la población, ya que los médicos consideran horizontes temporales más largos para los pacientes. Los posibles problemas de salud pública relacionados con los pacientes quirúrgicos y en estado crítico son diversos y pueden incluir la crisis de opioides y enfermedades crónicas como el trastorno por consumo de opioides; pandemias y enfermedades infecciosas como la enfermedad por coronavirus 2019 (COVID-19); emergencias, lesiones, problemas de salud ambiental y una serie de otras amenazas para la salud. ^2–4

Los médicos perioperatorios necesitarán analizar e interpretar las grandes cantidades de datos generados por las agencias de salud pública y desarrollar de manera eficiente y efectiva soluciones informáticas para problemas poblacionales. La informática de salud pública aprovecha conceptos de la ciencia de datos para capturar, gestionar y analizar datos existentes para mejorar los resultados de salud perioperatorios y a nivel poblacional ( Figuras 2 y 3 ). Es la “aplicación sistemática de la información, la informática y la tecnología a la práctica, la investigación y el aprendizaje de la salud pública (PH) y la recopilación de datos de salud pública” en los Estados Unidos. ⁵ Independientemente del problema de salud pública, los informáticos de salud pública suelen adoptar un enfoque estándar que aplica cuatro preguntas generales ( Tabla 1 ) ⁶^,⁷ :

Tabla 1.- Una aproximación informática a los problemas de salud pública

Paso de salud pública	Ejemplo perioperatorio
Vigilancia (¿Cuál es el problema?)	Disminución de las tasas de pruebas preoperatorias de rutina entre las poblaciones de alto riesgo. Características de la población determinadas por el acceso a múltiples fuentes de datos, incluidos censos, seguros y encuestas comunitarias.
Identificación de factores de riesgo (¿Cuál es la causa del problema?)	Nivel socioeconómico bajo con acceso limitado a un laboratorio de pruebas.
Intervención o evaluación (¿Qué intervención funciona para abordar el problema?)	Evaluar los recursos y la viabilidad de un laboratorio de pruebas móvil que pueda viajar a la residencia de los pacientes.
Implementación (¿Cómo podemos implementar la intervención?)	Prueba de un laboratorio móvil con seguimiento de las tasas de incidencia de las pruebas preoperatorias junto con acceso a los resultados del laboratorio.

Los informáticos de salud pública suelen adoptar un enfoque estándar que aplica cuatro preguntas generales. Se desarrolla un ejemplo relacionado con las pruebas perioperatorias a modo ilustrativo.

Intersección entre la informática de la salud pública y la anestesiología y los cuidados

Vigilancia: “¿Cuál es el problema?” Los sistemas de vigilancia se utilizan para monitorear eventos y comportamientos de salud pública e identificar el problema que ocurre en una población.
Identificación de factores de riesgo: «¿Cuál es la causa del problema?» ¿Existen factores que podrían hacer que ciertas poblaciones sean más susceptibles a las enfermedades (por ejemplo, algo en el medio ambiente o ciertos comportamientos que practica la gente)?
Intervención o Evaluación: “¿Qué intervención funciona para abordar el problema?” Se evalúan las intervenciones que han funcionado en el pasado para abordar un problema y se determina si una intervención propuesta tiene sentido para la población afectada.
Implementación: “¿Cómo podemos implementar la intervención? ¿Funcionará una intervención propuesta dados los recursos disponibles y lo que se sabe sobre la población afectada?”

Los pasos suelen ser iterativos y se basan en una variedad de fuentes informáticas ( Figura 4 ). Las fuentes de vigilancia dentro de los Estados Unidos incluyen el Sistema de Vigilancia de Factores de Riesgo del Comportamiento (BRFSS) y el Sistema de Vigilancia Electrónica para la Notificación Temprana de Epidemias Comunitarias (ESSENCE), que desempeñan funciones esenciales para rastrear tempranamente preocupaciones preocupantes de salud pública. ⁸^,⁹ El registro médico electrónico (EHR) sigue siendo una piedra angular para los pasos posteriores del proceso de Información Médica Protegida (PHI) que incluyen la identificación, evaluación e implementación de factores de riesgo. La Ley de Tecnología de la Información Sanitaria para la Salud Económica y Clínica (HITECH) impulsó la adopción casi universal de EHR certificados. ^10–13 Los datos de la HCE se utilizan habitualmente para agregar datos de diagnóstico y tratamiento a nivel de población (a nivel nacional, estatal y de condado). Históricamente, la agregación de datos de EHR se utiliza para facturación y reclamos, pero la Ley HITECH exigía que los sistemas de atención médica compartieran datos con agencias de salud pública. Aún es necesario determinar hasta qué punto esto tuvo éxito durante la pandemia de COVID, pero investigaciones recientes indican que persisten importantes brechas en datos y habilidades informáticas entre la fuerza laboral de salud pública en general. ¹⁴ Quizás la mayor oportunidad para que nuestras especialidades lideren e influyan en las políticas sea educar y apoyar a los informáticos con experiencia en el campo de la cirugía o los cuidados críticos, personas que son extremadamente raras en las agencias de salud pública en la actualidad. ¹⁵

El enfoque de la informática en salud pública.

El enfoque de la informática de salud pública implica identificar un problema e implementar una respuesta. Estos pasos se pueden subdividir en vigilancia, identificación de factores de riesgo, desarrollo de una intervención o evaluación e implementación de una intervención. Estos subpasos se relacionan perioperatoriamente con recursos de salud pública relevantes, estándares de datos, marcos de toma de decisiones y la participación del informático perioperatorio.

Durante la próxima década, la modernización de los sistemas de datos y las prácticas de tecnología de la información (TI) para mejorar la salud pública de EE. UU. son pasos críticos que requerirán el mismo esfuerzo y enfoque hercúleo, si no mayor, que HITECH fomentó en la digitalización de la prestación de atención en el pasado. década. La salud pública de los Estados Unidos está actualmente administrada por un complejo mosaico que incluye agencias federales que incluyen el Departamento de Salud y Servicios Humanos, el Servicio de Salud Pública de los Estados Unidos y los Centros para el Control de Enfermedades; departamentos de salud estatales, tribales, de condado y territoriales; y grandes sistemas de prestación de servicios de salud. La calidad del intercambio de datos entre estas diversas entidades suele ser lenta, jerárquica y obstaculizada por diferentes estándares de datos en diferentes áreas geográficas, si es que existe algún intercambio digital.

El Departamento de Salud y Servicios Humanos ha propuesto un marco para la próxima generación de sistemas informáticos de salud pública: Salud Pública 3.0. ^16–18 Salud Pública 3.0 tiene como objetivo promover la práctica de la salud pública y los resultados para las poblaciones con un enfoque en los Determinantes Sociales de la Salud (SDOH) y la modernización de datos. SDOH refleja los entornos y situaciones en los que las personas viven, trabajan y estudian y que pueden afectar una enorme variedad de resultados y riesgos para la salud. ^19–21 SDOH incluye numerosos factores que incluyen raza, situación económica, educación, vivienda y riesgos ambientales (es decir, contaminación) que pueden afectar los riesgos para la salud a nivel de la población. ^19–21 Las medidas SDOH incluyen códigos postales, ingresos, educación, acceso a atención médica, vivienda y nutrición. La incorporación de datos de SDOH en iniciativas de salud pública puede ayudar a adaptarse a las necesidades de la comunidad local y promover estrategias efectivas de prevención, tratamiento y gestión. Las iniciativas de modernización de datos comprenden mejoras del sistema de alerta temprana para datos vinculados en tiempo real sobre amenazas emergentes para la salud; identificación temprana de la solución a la pandemia; desarrollo de fuerza laboral calificada; y lo más importante, estándares de datos comunes a nivel nacional para el acceso y el intercambio de datos.

En esta revisión, los autores presentan sus puntos de vista sobre cómo la informática de la salud pública se cruzará con la práctica de la medicina perioperatoria, la anestesia y los cuidados críticos durante los próximos 25 años. Examinamos la relevancia de la informática de salud pública para los médicos perioperatorios, independientemente de su subespecialidad, a través de la lente de las epidemias de opioides y COVID-19. Proponemos además que el informático perioperatorio necesitará incorporar la informática de salud pública en sus prácticas y proporcionar datos oportunos, confiables, granulares (es decir, subcondados) y procesables de los pacientes de la unidad de cuidados intensivos (UCI) y quirúrgicos, con métricas claras, para documentar el éxito. en la práctica de la salud pública.

RELEVANCIA DE LA INFORMÁTICA EN SALUD PÚBLICA PARA LOS INFORMÁTICOS PERIOPERATORIOS

El actual crecimiento exponencial de los datos a nivel de población requiere que sigamos aprendiendo y mejorando nuestra capacidad de analizar datos para aplicar estos métodos a la salud de la población de manera significativa. Esto implicará la integración de técnicas avanzadas de ciencia de datos y modelos predictivos que utilicen fuentes de datos confiables. Los anestesiólogos y médicos de cuidados intensivos también necesitarán comprender mejor las metodologías detrás de la informática de salud pública e identificar fuentes de datos confiables. Nuestras epidemias actuales de opioides y COVID-19 han demostrado claramente sus impactos en la práctica de los anestesiólogos y médicos de cuidados intensivos y, a la inversa, cómo podemos impactarlos. ²²^,²³

La epidemia de opioides y los anestesiólogos

La epidemia de opioides en Estados Unidos se ha cobrado cientos de miles de vidas en las últimas dos décadas. ^24–27 Los opioides recetados perioperatorios son una puerta de entrada potencial al uso sostenido de opioides, y los anestesiólogos han desempeñado un papel importante para prevenir el uso posoperatorio prolongado de opioides, ⁴ disminuir las prescripciones de opioides, influir en las prácticas de prescripción de opioides de los cirujanos y limitar la transición al uso de opioides ilícitos. ²² Los opioides recetados, especialmente el uso crónico de opioides después de procedimientos quirúrgicos, pueden contribuir a esta epidemia con una incidencia de hasta el 3% de pacientes previamente ingenuos que continúan usando opioides meses después de la cirugía. ²⁸ Además, se ha estimado que la incidencia del uso persistente de opioides entre las artroplastias de cadera y rodilla está entre el 10% y el 40% después de la cirugía. ²⁹

Como profesionales perioperatorios, podemos asignar recursos para abordar una parte de la crisis de opioides. Un enfoque de medicina personalizada que ayude a prevenir y tratar el dolor posquirúrgico crónico sería beneficioso para reducir el uso de opioides y dirigir recursos limitados a los pacientes con mayor riesgo y que se beneficiarían más. El uso de grandes conjuntos de datos para modelos predictivos puede ser un enfoque valioso para optimizar un enfoque de asignación de recursos basado en la medicina de precisión. ³⁰ Varios estudios han descrito la implementación del aprendizaje automático para predecir el uso de opioides después del período agudo que sigue a la artroplastia articular. ^31–33 Los datos optimizados y los parámetros de aprendizaje automático son esenciales para mejorar la capacidad predictiva de estos modelos. Por ejemplo, el aprendizaje automático de tipo conjunto y las técnicas de sobremuestreo (para conjuntos de datos desequilibrados) condujeron a un mejor rendimiento de los modelos predictivos para el uso persistente de opioides después de una artroplastia de las articulaciones de las extremidades inferiores. ³³ En otro estudio de ~9000 pacientes que se sometieron a artroplastia total de rodilla, se utilizaron varios enfoques de aprendizaje automático, incluidas redes neuronales, para desarrollar modelos predictivos para identificar a los pacientes que podrían experimentar un uso prolongado de opioides en el posoperatorio. ³² Utilizando un modelo de regresión logística penalizado con red elástica, los autores desarrollaron un modelo predictivo para el uso persistente de opioides después de una artroplastia total de cadera. ³¹ Algunos predictores notables del uso persistente de opioides entre estos estudios incluyeron el uso preoperatorio de opioides, la depresión, la edad, la duración de la exposición a opioides y la duración de la estancia hospitalaria. ^31–33 Se han desarrollado otros modelos predictivos para los resultados posoperatorios de opioides para una variedad de poblaciones quirúrgicas, incluida la cirugía ambulatoria, ³⁴ reparación del ligamento cruzado anterior, ³⁴ artroscopia de rodilla y cadera, ^35–37 cirugía de columna, ³⁸^,³⁹ pacientes quirúrgicos con depresión, ⁴⁰ y pacientes pediátricos. ⁴¹

Ayuda informática en la atención de pacientes de COVID-19

Los sistemas de atención médica son entornos con recursos finitos, y la pandemia de COVID-19 requirió la implementación de un enfoque coordinado y basado en datos que rastrea las tendencias en las tasas de infección y la capacidad de camas hospitalarias para optimizar la atención al paciente. ⁴² En respuesta a los aumentos repentinos previstos de COVID-19, los anestesiólogos e intensivistas participaron en una respuesta política clave de los Centros de Servicios de Medicare y Medicaid (CMS) para retrasar las cirugías electivas y los procedimientos no esenciales. Estas políticas se desarrollaron utilizando datos recopilados por agencias de salud pública sobre el impacto potencial de COVID-19 en los recursos hospitalarios; y eso a su vez tuvo un profundo impacto en la programación de cirugías electivas y la atención en la UCI. ^43–47

Al principio de la pandemia de COVID-19, se desconocía gran parte de la patogénesis del virus. Los científicos de datos aprovecharon grandes cantidades de datos producidos por la investigación clínica mundial para desarrollar vías de atención médica guiadas científicamente para abordar los planes de crisis de atención médica. La Escala de Progresión Clínica de la Organización Mundial de la Salud es una puntuación de gravedad clínica ordinal de COVID-19 que puede usarse para estandarizar y comparar la progresión clínica y la carga hospitalaria en una institución de atención médica. ⁴⁸ En un estudio biinstitucional, los sistemas de atención médica automatizaron la adquisición de datos y la toma de decisiones clínicas para calcular la puntuación de gravedad de los pacientes con COVID-19. ⁴⁹ Diariamente, el sistema consultaba datos del EHR de la institución e incluía datos demográficos, duración de la estancia hospitalaria, ajustes vitales, ajustes del ventilador, utilización de oxígeno y uso de diálisis para producir una puntuación diaria. Se analizó un lapso de tiempo de 13.386 días-paciente y los autores demostraron una implementación exitosa de dicho sistema de puntuación en el 100% de los días de internación. ⁴⁹ Si bien el beneficio de mortalidad y morbilidad de estos sistemas aún está pendiente, esta iniciativa demuestra la capacidad de los médicos perioperatorios para estudiar las características clínicas de COVID-19 para contribuir con datos y reclutar pacientes para ensayos a través de plataformas informáticas. Reeves et al ⁵⁰ describen la implementación de un Centro de Comando de Incidencia que ayudó a identificar herramientas basadas en EHR para apoyar la atención clínica durante un aumento de COVID-19. En esta institución se desarrollaron varias herramientas que incluían la gestión de brotes para pacientes con COVID-19 (por ejemplo, clasificación, registro, mensajería segura, análisis de datos en tiempo real). La integración oportuna de los servicios de TI a la infraestructura de atención médica para respaldar la eficacia de la respuesta clínica relacionada con el COVID-19 y el uso de la telemedicina fueron prioridades iniciales al comienzo de la epidemia. ⁵¹^,⁵² La integración implicó el diseño y la implementación de procesos de detección rápida basados en EHR, pruebas de laboratorio, apoyo a las decisiones clínicas, herramientas de generación de informes y tecnología orientada al paciente.

PAPEL DEL INFORMÁTICO PERIOPERATORIO EN LAS PRÁCTICAS DE SALUD PÚBLICA

Comenzando con el «Uso significativo» (MU), una serie de iniciativas respaldadas por CMS han incentivado a hospitales y profesionales a adoptar EHR con capacidades de informes de salud pública en los últimos años. ⁵³ Si bien MU se actualizó desde entonces, MU implicó la utilización de un sistema EHR verificado para mejorar la calidad, la seguridad, la eficiencia y reducir las disparidades de salud, mejorar la coordinación de la atención, mejorar la población y la salud pública, involucrar a los pacientes y sus familias en su propia atención médica. y garantizar que se mantuviera la privacidad y seguridad del paciente de acuerdo con la Regla de Privacidad de la Ley de Responsabilidad y Portabilidad del Seguro Médico (HIPAA). En 2011, se agregaron 3 requisitos a MU con relevancia directa para la pandemia de COVID-19: la capacidad de transmitir electrónicamente resultados de laboratorio, informes de vacunación y elementos clave de vigilancia de enfermedades. ¹² Estos requisitos se refinaron ligeramente con la transición de 2018 a “Promoción de la interoperabilidad”, que reemplazó a MU y requirió más evidencia de participación activa en el intercambio de datos. ⁵⁴

Como resultado de estos incentivos financieros, una gran proporción de anestesistas pueden utilizar el EHR para informar datos de manera relativamente fluida a las agencias de salud pública. ⁵⁵ Lamentablemente, estos mismos incentivos no se aplicaron a las agencias de salud pública que debían recibir estos datos. Estas agencias siguen sin contar con fondos suficientes y no pueden mantenerse al día con la afluencia de datos, lo que ha llevado a una falta de coordinación bien documentada a nivel nacional cuando se enfrentan desafíos de salud pública (por ejemplo, la pandemia de COVID-19). ⁵⁶^,⁵⁷

Se han propuesto intercambios regionales de información sanitaria (HIEs) para facilitar el intercambio de datos regionales y llenar gran parte de este vacío. Desde entonces, el entusiasmo inicial por las HIE regionales ha disminuido. En general, su adopción ha sido escasa y, de hecho, es posible que esté disminuyendo en los últimos años. ⁵⁵^,⁵⁶^,⁵⁸^,⁵⁹ La disminución puede, en última instancia, aumentar la carga de los hospitales para informar a las agencias de informes de salud pública; Además, el impulso para las agencias de salud pública será desarrollar infraestructura informática adicional para procesar datos de manera eficiente de diversas fuentes ( Figura 5 ). ⁵⁶

Flujo de datos perioperatorios a través de agencias de informes de salud pública. Los datos perioperatorios se ingresarían y recopilarían en la HCE, el hospital los agregaría y los transmitiría según un modelo de datos estándar a las agencias de informes de salud pública federales y estatales. Los resultados del análisis y la orientación pueden llegar a los médicos y hospitales perioperatorios, pero también a los medios (es decir, los medios de difusión), directamente al público o a otros proveedores de primera línea. EHR indica registro médico electrónico.

El requisito de transmitir datos a registros de datos clínicos es un componente igualmente importante de la promoción de la interoperabilidad. La anestesiología y otras especialidades perioperatorias han liderado este campo y demuestran la utilidad de promover la interoperabilidad. Registros que incluyen el Grupo de Resultados Perioperatorios Multicéntricos (MPOG), ⁶⁰ el Registro Nacional de Resultados Clínicos de Anestesia, ⁶¹ el Registro de la Sociedad de Cirugía Torácica, ⁶² y el Proyecto de Mejora de la Calidad de la Cirugía Nacional del Colegio Americano de Cirugía (ACS-NSQIP) ⁶³ han ayudado a facilitar intercambio de datos para cumplir con los requisitos de promoción de la interoperabilidad. Los registros basados en especialidades quirúrgicas en general demuestran el potencial de la colaboración informática con los médicos perioperatorios.

A medida que surjan nuevas crisis de salud pública imprevistas, anticiparíamos que los anestesiólogos y los informáticos perioperatorios continuarán brindando soluciones nuevas e innovadoras para aprovechar las herramientas integradas en la HCE y agregar y transmitir datos críticos de salud pública desde el espacio perioperatorio a las agencias de informes de salud pública. CMS continúa exigiendo a los hospitales que hagan más, y parece que los proveedores de EHR seguirán ofreciendo mayores capacidades de generación de informes para satisfacer la demanda y facilitar en gran medida una mayor adopción y difusión.

Las necesidades urgentes actualmente son mejoras por parte de las agencias de salud pública y una mejor coordinación entre los informáticos clínicos y los proveedores de EHR para facilitar mejor la transmisión, recepción, procesamiento y mejores estrategias de difusión de datos de salud pública.

Los proveedores de EHR necesitan incentivos que los motiven a colaborar con agencias locales, estatales y federales para garantizar que los datos se puedan utilizar de manera significativa para generar datos utilizables para guiar las políticas de salud pública. Proponemos un enfoque múltiple. En primer lugar, apoyo federal con fondos asignados específicamente a las agencias federales, estatales y locales de informes de salud pública para abordar las deficiencias y brechas críticas reveladas durante la pandemia de COVID-19 y las más recientes de viruela simica. En segundo lugar, los CMS deberían ofrecer incentivos que requieran evidencia de que los datos se envían exitosamente y se utilizan exitosamente por parte de las agencias de informes relevantes de manera sostenida. Este es el siguiente paso necesario más allá de los requisitos actuales de la Etapa 3 de Promoción de la Interoperabilidad porque la capacidad de simplemente transmitir datos a las agencias de informes de salud pública y la “participación activa” son inadecuadas. Finalmente, los médicos perioperatorios deben involucrar y orientar a las agencias de salud pública sobre la mejor manera de presentar y difundir los datos para garantizar la máxima relevancia y utilidad.

RECURSOS DE DATOS DE SALUD PÚBLICA DISPONIBLES PARA MÉDICOS E INFORMÁTICOS PERIOPERATORIOS

Hay varios recursos de salud pública disponibles para médicos e informáticos perioperatorios. Inicialmente, los médicos pueden comunicarse con agencias de salud pública locales, estatales y federales, la Agencia para la Investigación y la Calidad de la Atención Médica, o buscar orientación de sociedades dirigidas por médicos, como la Asociación Médica Estadounidense o la Asociación Estadounidense de Salud Pública. Estas organizaciones recopilan datos de forma rutinaria, desarrollan análisis y presentan directrices y opiniones predominantes sobre cuestiones relevantes de salud pública. Sin embargo, a medida que los datos de salud pública se vuelven cada vez más “Big Data” en términos de volumen, variedad y velocidad, los datos y modelos subyacentes deberán convertirse en parte integral de las prácticas en todos los niveles. ^dieciséis

Una de las fuentes más probables de información confiable para los médicos en ejercicio se facilitará a través de HIE. Ha habido algunos esfuerzos exitosos de HIE dirigidos por el gobierno y la sociedad. En el Reino Unido y los Países Bajos, se desarrollaron con éxito grandes bases de datos multicéntricas de cuidados intensivos para el seguimiento de la salud pública y señalaron un camino a seguir para su implementación en los Estados Unidos. ⁶⁴^,⁶⁵ Los objetivos subyacentes de estas bases de datos eran generar datos no identificados preservando al mismo tiempo la privacidad. Dos ejemplos actuales en los Estados Unidos de repositorios de datos perioperatorios son el MPOG, ⁶⁰ y el Registro Nacional de Resultados Clínicos de Anestesia. ⁶¹ Si bien el enfoque y la estructura previstos de estos se encuentran principalmente en la investigación y la mejora de la calidad, estos depósitos de datos podrían usarse para actividades de salud pública.

Una reestructuración decidida de los repositorios de datos, con miras a una rápida curación y análisis de nuevos flujos de datos entrantes, hará que estos recursos de salud pública sean eficaces. Ejemplos de recursos de salud pública automatizados en el espacio de las enfermedades infecciosas incluyen HealthMap, BioCaster y Semantic Processing and Integration of Distributed Electronic Resources for Epidemiology (EpiSPIDER), que combinan múltiples fuentes de datos (por ejemplo, procesamiento en lenguaje natural de datos de redes sociales) para proporcionar datos reales. datos temporales sobre enfermedades emergentes, en particular sin depender de la agregación de datos del HIE. ^66–68 Otro ejemplo es el rápido desarrollo local de paneles de control de enfermedades infecciosas similares durante la epidemia de COVID-19 en algunos estados que demostraron ser útiles para el seguimiento de enfermedades. ⁵⁹ Si bien algunas HIE han tenido éxito, su uso general se ha estancado o disminuido a medida que las organizaciones de atención médica enfrentan desafíos para recopilar y enviar datos y las organizaciones de salud pública enfrentan dificultades para agregar datos. ⁶⁹ Existen métodos para desarrollar canales de organizaciones de atención médica para compartir datos, pero estos a menudo están limitados por requisitos financieros y barreras tecnológicas que incluyen la interoperabilidad (es decir, la falta de estándares de datos), la facilidad para compartir datos y también abarcan barreras no tecnológicas como la membresía en la red. o designación de hospital público versus privado. ⁷⁰^,⁷¹

Idealmente, con avances en la capacidad tecnológica, recursos adecuados para una transferencia fluida de datos y coordinación entre generadores y agregadores de datos, habrá una disponibilidad generalizada de datos de salud pública a través de HIE adecuadamente seleccionadas que se combinen con redes sociales, registros gubernamentales, datos meteorológicos, y otras fuentes de información. Una vez que estos datos estén disponibles, distintos equipos podrían realizar análisis de forma manual o autónoma para brindar orientación oportuna a los médicos en ejercicio.

Existen numerosos casos de uso relevantes para los médicos perioperatorios que se ocupan de la seguridad del paciente. Los registros estatales y nacionales de opioides son útiles a nivel de población para influir en las políticas mediante el análisis de patrones de práctica y la identificación de sobredosis relacionadas con opioides y también a nivel de paciente durante la evaluación preoperatoria para detectar posibles usos indebidos e influir en las prescripciones para el tratamiento del dolor ^72–74 Internet del estado de Nueva York El programa System for Tracking Over-Prescribing (I-STOP), por ejemplo, incluye un seguimiento de las recetas de opioides en tiempo real y ha contribuido a reducir la prescripción de opioides. ⁷⁵ Los registros públicos de armas pueden analizar las lesiones relacionadas con la violencia armada, lo que permite a los centros de trauma estimar el volumen potencial de pacientes. ⁷⁶ De manera similar, los HIE con datos perioperatorios que incluyen medicamentos preoperatorios, datos demográficos de los pacientes y parámetros intraoperatorios pueden analizarse de manera intermitente o continua en busca de patrones de práctica médica, reacciones adversas a medicamentos documentadas o prevalencia de nuevos medicamentos en una población. El conocimiento temprano de las tendencias puede ayudar a los médicos a desarrollar educación y políticas a medida que surgen problemas de salud pública. Por ejemplo, un área de influencia hospitalaria con un empeoramiento de la calidad del aire podría anticipar un aumento en las exacerbaciones de la enfermedad pulmonar que podrían predisponer a los pacientes a complicaciones pulmonares perioperatorias. ⁷⁷ Como otro ejemplo, un aumento en las reacciones adversas relacionadas con un nuevo medicamento perioperatorio puede ser el resultado de factores genéticos o encontrarse solo en poblaciones seleccionadas. Finalmente, las iniciativas de salud pública pueden ser fundamentales para abordar las disparidades en salud y centrarse en SDOH que incluyan alfabetización sanitaria y acceso a dietas saludables. ²¹^,⁷⁸ En última instancia, los impulsores clave para cualquier iniciativa de salud pública exitosa serán el desarrollo de canales de datos para la gran cantidad de datos, protocolos de análisis para cada objetivo y la identificación de resultados relevantes por parte de los médicos en ejercicio. Este marco conceptual requiere una participación activa y continua de los médicos en la informática clínica y las políticas públicas.

LA IMPORTANCIA DE PHI EN PHI: PHI E INFORMÁTICA DE SALUD PÚBLICA

Estado pasado y actual de la PHI

La privacidad y la protección del individuo es una consideración central en la informática de salud pública. El avance de la salud pública y la informática de la salud pública se beneficiaría enormemente del acceso a más fuentes de información en todos los sistemas de salud y áreas donde se pueden almacenar datos críticos de los pacientes. Sin embargo, es posible que este mayor acceso a la información no se produzca a expensas de comprometer la privacidad, la seguridad y la confidencialidad de los pacientes individuales. La beneficencia y la autonomía son principios éticos centrales en la discusión sobre información de salud individual versus información de salud pública y son necesarios para comprender dónde ha estado la informática de salud pública y dónde puede estar su futuro para avanzar en la disciplina.

La privacidad de la información de salud desde una perspectiva informática se centra en la PHI. La PHI incluye toda la información de salud de identificación personal. La PHI puede incluir cualquier información que se transmita o almacene en cualquier formato de medios que “se relacione con la salud o condición física o mental pasada, presente o futura de un individuo, la prestación de atención médica a un individuo, o el pasado, presente o pago futuro por la prestación de atención médica para el individuo”, donde la información puede usarse para identificar posteriormente a un individuo. ⁷⁹ Actualmente, hay 18 identificadores que designan información como PHI ( Tabla 2 ). La información de salud se considera PHI cuando incluye uno o más de los identificadores individuales.

Tabla 2. – Lista de 18 identificadores individuales que hacen que la información de salud sea información de salud protegida

Identificadores individuales
Nombre	Números de beneficiarios del plan de salud
fechas	Números de certificado/licencia
Números telefónicos	Localizador uniforme de recursos web (URL)
Subdivisiones geográficas más pequeñas que el estado (por ejemplo, dirección, ciudad, condado, códigos postales y otros límites geográficos)	Identificadores de vehículos y números de serie, incluidas las placas de matrícula.
números de fax	Identificadores de dispositivos y números de serie
Números de seguridad social	direcciones de protocolo de internet
Correos electrónicos	Fotografías de rostro completo e imágenes comparables.
Números de registros médicos	Identificadores biométricos
Números de cuenta	Cualquier número o código de identificación único

Abreviatura: Localizador Uniforme de Recursos.

En los Estados Unidos, la privacidad del paciente, la seguridad de los datos de salud y la PHI están protegidas por el componente de privacidad del paciente de la HIPAA. Aprobada en 1996, HIPAA sigue siendo la ley más directa e importante que protege el derecho a la privacidad de todos los pacientes, aunque la privacidad del paciente no era el objetivo principal de la legislación HIPAA. ⁸⁰^,⁸¹ Específicamente, la Regla de Privacidad de HIPAA se aplica a individuos y organizaciones que transmiten información de salud durante la práctica normal de atención médica. Por ejemplo, los proveedores de atención médica, los sistemas de salud y los planes de salud deben cumplir con la Regla de Privacidad. Las violaciones de HIPAA pueden tener ramificaciones tanto legales como financieras, además del grave abuso de confianza de los pacientes que se produce. Si bien es un beneficio para la protección del individuo, las regulaciones y las capacidades tecnológicas e informáticas históricamente limitadas para abordar el intercambio de datos efectivo y eficiente a menudo se han visto como un impedimento para la atención al paciente. ⁸²

HIPAA y la Regla de Privacidad brindan orientación sobre cómo se debe compartir la información de salud pública. En general, las necesidades de salud pública están exentas de las regulaciones de HIPAA. ⁸⁰ La Regla de Privacidad permite la divulgación de información de salud a las autoridades de salud pública sin la autorización del paciente cuando lo exige otra ley o cuando el propósito es prevenir o controlar una enfermedad. Un ejemplo reciente de esto es la vigilancia de enfermedades de salud pública de COVID-19 y la divulgación de resultados de pruebas. El intercambio de conocimientos e información sobre la carga de enfermedades infecciosas que incluye importantes factores individuales de PHI, como la ubicación, podría conducir a medidas de salud pública más efectivas. Por otro lado, las posibles violaciones de la privacidad individual y el riesgo de robo de información médica a medida que se comparten datos resaltan la importancia de los avances tecnológicos necesarios en la informática de la salud pública. La tensión y el equilibrio entre la privacidad de los pacientes individuales y la necesidad de proteger la salud pública seguirán siendo un tema de conversación durante los próximos años en la atención sanitaria y la seguridad de la información. ⁸³

Estado futuro de la PHI y la informática de salud pública

El futuro de la informática de la salud pública deberá incluir mejoras significativas en la forma en que se utiliza, transmite y almacena la PHI para maximizar el valor y el intercambio de datos sin comprometer la privacidad. Los métodos actuales para seleccionar qué variables de PHI son necesarias o excluidas de registros de salud pública y centros de datos más grandes son un proceso en gran medida manual y eliminan datos útiles que podrían aprovecharse si se pudieran garantizar las protecciones. La mejora de la protección de la PHI para garantizar la privacidad de las personas requerirá nuevos modelos de enmascaramiento de datos para permitir que los datos se compartan con fines de salud pública que se beneficiarán de un conjunto más grande y granularidad de datos para obtener conocimientos analíticos más profundos.

Una de las tecnologías más probables que se generalizará en el futuro de la informática de salud pública es la tokenización de datos. La tokenización de datos es un proceso que reemplaza los datos confidenciales con símbolos de identificación únicos que retienen toda la información esencial sin los posibles riesgos de seguridad. La tokenización se utiliza actualmente para ayudar a respaldar la seguridad de los datos de las transacciones de comercio electrónico y tarjetas de crédito. Su uso en el cuidado de la salud aún no está ampliamente adoptado. La tokenización asigna hashes y tokens a un grupo de campos identificadores para cifrar un archivo de datos que contiene PHI antes de compartirlo con otra organización y vincularlo a un conjunto de datos más grande. ⁸⁴ La vinculación de datos se produciría entonces comparando los hashes o tokens, que deben coincidir exactamente, entre los archivos vinculados. ⁸⁵ Mediante la sustitución de información de salud privada individual con entradas aleatorias como tokens, se puede lograr la capacidad de vincular datos individuales entre conjuntos de datos (es decir, datos de salud pública) para obtener mayores conocimientos analíticos y maximizar la privacidad y la identificación inversa de los pacientes.

La tokenización es diferente de los métodos de seguridad de datos de cifrado de datos que se utilizan ampliamente en la atención médica actualmente ( Figura 6 ). El cifrado es un proceso que transforma datos confidenciales en un formato ilegible utilizando un algoritmo único y específico, y se requiere una contraseña o «clave» para descifrar los datos. El cifrado puede ser revertido por personas no autorizadas cuando la clave se ve comprometida. Las ventajas de privacidad y seguridad de la tokenización se derivan de un algoritmo no tradicional para enmascarar los datos. ⁸⁷ Los datos confidenciales, la PHI, por ejemplo, se reemplazan con datos aleatorios. Un mapeo uno a uno entre los datos confidenciales de PHI y los datos aleatorios correspondientes restringe efectivamente el análisis de datos solo a personas con acceso al token que pueden revertir el proceso. Los tokens también se pueden destruir para que nunca haya una manera de revertir y reidentificar la información confidencial de los datos.

El futuro de la PHI y la informática de salud pública mediante la tokenización de datos. La figura ilustra un paradigma de intercambio de datos que los sistemas de atención médica pueden adoptar y que utiliza tokenización de datos para la seguridad de la PHI que comparte datos importantes e individuales de pacientes con sistemas informáticos de salud pública. En este ejemplo, los datos de registros médicos electrónicos individuales compartidos para una necesidad de salud pública específica pueden tener los campos de PHI relevantes, como nombre, fecha de nacimiento y dirección, reunidos y representados por un solo token. El nombre, la fecha de nacimiento y la dirección del paciente se pueden representar mediante un token aleatorio como «iEy4DDqpKk07bLDFM1b-qe9SbP1W3WQQNN». Los tokens pueden tener certificación HIPAA con un riesgo mínimo de reidentificación del paciente. Este método permite compartir más datos entre los sistemas de atención médica y las agencias de salud pública e incluye la capacidad de vincular datos individuales mientras se protege la privacidad y la identificación inversa. ⁸⁶ Un mayor acceso a esta información facilita análisis más específicos y acciones de salud pública más específicas y efectivas, si es necesario. EHR indica registro médico electrónico; HIPAA, Ley de Responsabilidad y Portabilidad del Seguro Médico; PHI, Información de salud protegida.

El marco del caos informativo. El marco del caos de la información para las experiencias de los ciudadanos con la información durante COVID-19 (adaptado de los ⁹⁰ componentes del marco de Beasley et al agregados o significativamente diferentes del marco de Beasley et al). COVID-19 indica enfermedad por coronavirus 2019.

Figura 8.:

RWE en el entorno perioperatorio. Los datos se recopilan una vez después del alta hospitalaria sobre el efecto potencial de la anestesia regional en la deambulación después de una artroplastia total de rodilla ambulatoria. ROM indica rango de movimiento; RWE, evidencia del mundo real.

Figura 9.:

Análisis FODA. Un análisis FODA es una herramienta utilizada para analizar aspectos internos de una organización o unidad. Un FODA a menudo se representa como una cuadrícula con 4 cuadrantes. TI indica Tecnología de la Información; FODA, Fortalezas, Debilidades, Oportunidades, Amenazas.

El futuro de la PHI en la informática de salud pública requerirá el descubrimiento de soluciones tecnológicas para mejorar la privacidad del individuo y aumentar el volumen y la granularidad de la información de salud relevante de manera oportuna para la salud pública. La tokenización y la cadena de bloques son tecnologías emergentes que se pueden aplicar a los datos de atención médica para este propósito específico. ⁸⁸ Es de vital importancia que los profesionales de la salud y aquellos que trabajan con PHI para la salud pública comprendan la aplicación adecuada de estas tecnologías.

PAPEL DE LOS MARCOS DE GESTIÓN DEL CONOCIMIENTO PARA LA TOMA DE DECISIONES

Así como John Snow desarrolló nuevas técnicas para mapear el brote de cólera de la década de 1850, los funcionarios de salud han adaptado la forma en que recopilan, analizan y piensan sobre los datos. Sin embargo, a diferencia de la década de 1850, los médicos y los informáticos de la salud pública de hoy están inundados de grandes volúmenes de datos y necesitarán nuevas habilidades para tomar decisiones rápidamente. Los marcos de gestión del pensamiento o del conocimiento no son avances recientes ni se limitan únicamente a la medicina, pero pueden ayudar en la toma de decisiones. Se presentan tres marcos útiles:

Datos-Información-Conocimiento-Sabiduría (DIKW): Russell L. Ackoff, un conocido científico de sistemas operativos, introdujo lo que ahora se conoce como jerarquía del conocimiento, o pirámide del conocimiento, en 1988. Esta jerarquía DIKW dio estructura a cómo manejamos conceptos en informatica. Los datos son símbolos que representan propiedades de objetos, eventos y sus entornos; son productos de la observación. La información se extrae de los datos mediante análisis y se ve en contexto.
Por tanto, la diferencia entre datos e información es funcional, no estructural. El conocimiento es saber hacer: es lo que hace posible la transformación de información en instrucciones. Dammann ⁸⁹ sugiere restar énfasis a la sabiduría en el marco e insertar evidencia entre información y conocimiento (DIEK, Datos, Información, Evidencia, Conocimiento). Este marco define los datos como símbolos sin procesar, que se convierten en información cuando se ven en contexto. La información alcanza el estatus de evidencia en comparación con los estándares relevantes. Finalmente, la evidencia se utiliza para probar hipótesis y se transforma en conocimiento mediante el éxito y el consenso (revisión por pares).
Caos informativo: la pandemia de COVID-19 cambió aún más la dinámica de la informática en salud pública. La urgencia de la situación, el gran volumen de múltiples fuentes de datos y la velocidad a la que llegan los datos requirieron nuevas estrategias en informática de salud pública. Monkman et al actualizaron el marco de caos de información ⁹⁰ de Beasley et al para comprender el contexto de las experiencias de las personas con la información durante la pandemia de COVID-19 ( Figura 7 ). Este marco adaptado se puede utilizar para caracterizar los desafíos asociados a la información observados durante este tiempo y el posible impacto del caos de la información en la cognición y los comportamientos de las personas.
Evidencia del mundo real (RWE): Todo anestesiólogo en ejercicio probablemente sintió el impacto de la pandemia de COVID-19 a medida que evolucionó a principios de 2020. La incógnita inicial, seguida de la sobrecarga de información, afectó profundamente la especialidad de la anestesia. Muchos probablemente pensaron que los anestesiólogos eran inmunes a las implicaciones de los problemas de salud pública, o al menos los pasaban por alto. Sin embargo, los anestesiólogos rápidamente se encontraron revisando grandes cantidades de información y experiencias anecdóticas de colegas de todo el mundo. La pandemia también nos presentó a muchos de nosotros el concepto y la realidad de RWE.
La Ley de Curas del Siglo XXI (Ley de Curas) fue diseñada para acelerar el desarrollo de productos médicos y llevó a la Administración de Alimentos y Medicamentos de EE. UU. (FDA) a crear un marco para evaluar el uso potencial de RWE. La FDA define RWE como «datos sobre el uso, o los posibles beneficios o riesgos, de un medicamento derivado de fuentes distintas a los ensayos clínicos tradicionales». Los datos del mundo real (RWD) son datos relacionados con el estado de salud del paciente o la prestación de atención médica recopilados de forma rutinaria de una variedad de fuentes. RWE es la evidencia clínica sobre el uso y los posibles beneficios o riesgos de un producto médico derivada del análisis de RWD. ⁹¹ Los informáticos conocen los beneficios de RWD y RWE desde hace algún tiempo, y es muy probable que todos los médicos pronto vean su impacto en sus carreras clínicas ( Figura 8 ). El comisionado de la FDA, Scott Gottlieb, afirma: «A medida que aumenta la amplitud y confiabilidad de RWE, también aumentan las oportunidades para que la FDA haga uso de esta información». ⁹¹
Análisis de fortalezas, debilidades, oportunidades y amenazas (FODA): a medida que surjan necesidades y oportunidades para nuevas políticas, tecnología e investigación dentro de la informática de salud pública, siempre habrá una necesidad de una estrategia de implementación sólida en PHI ( Figura 5 ). Al igual que los marcos de conocimiento anteriores, existen herramientas de evaluación de marcos estratégicos para ayudar con la evaluación de nuevas ideas desde múltiples perspectivas. El análisis FODA es una herramienta de estrategia empresarial común para evaluar cómo se compara una organización con su competencia ( Figura 9 ). El concepto de ajuste estratégico, un objetivo omnipresente buscado por todas las organizaciones, puede explicarse por qué tan bien encajan los factores relacionados internamente con los factores relacionados externamente. El FODA puede extenderse a las organizaciones informáticas de salud pública y a los informáticos perioperatorios a medida que implementan intervenciones. Un ejemplo relacionado con las debilidades en el contexto de una herramienta de salud digital es que muchos estándares de datos superpuestos obstaculizan la interoperabilidad e impiden la agregación de datos.

ESTÁNDARES DE DATOS Y PROCESOS DE AGREGACIÓN

Existen importantes desafíos técnicos inherentes al intercambio de datos entre organizaciones. Un desafío importante se relaciona con los requisitos de estandarización de datos, donde todas las partes deben aceptar usar el mismo lenguaje al describir un elemento (por ejemplo, historial del paciente, un signo vital, un elemento de examen físico, un medicamento, aspectos de un procedimiento, etc.). Las diferencias menores y mayores entre cómo se almacenan y representan los datos en los registros médicos electrónicos (EMR) de cada institución no son infrecuentes, ya sea que 2 instituciones hayan adoptado diferentes EMR o utilicen diferentes implementaciones del mismo EMR. Considere una comparación entre un hospital infantil independiente y un centro de traumatología multiespecializado que atiende principalmente a adultos. El hospital infantil puede capturar de forma rutinaria elementos de datos (p. ej., tipo de inducción anestésica) que no se registran en el centro de traumatología, y viceversa (p. ej., puntuación de Mallampati). Incluso si cada elemento de datos coincidiera exactamente 1:1 entre los 2 centros, prácticamente se garantiza que la representación subyacente será diferente.

Afortunadamente, existe un alto grado de madurez en el desarrollo de vocabulario estandarizado que representa conceptos médicos. Estos vocabularios incluyen representaciones de drogas y medicamentos (Código Nacional de Medicamentos [NDC]), observaciones clínicas y de laboratorio (Nombres y códigos de identificadores de observación lógica [LOINC]), condiciones de enfermedades (Clasificación Internacional de Enfermedades [ICD]), servicios y procedimientos médicos ( Terminología Procesal Actual [CPT]). La Nomenclatura Sistematizada de Medicina (SNOMED) es otro vocabulario capaz de representar todo lo mencionado anteriormente y más. ⁹² Algunos de estos vocabularios son de uso muy amplio. Por ejemplo, el uso de códigos NDC para medicamentos es un estándar de la industria, y el código de barras en cada vial, frasco y paquete de medicamento recetado representa el código NDC para esa marca y formulación específica de ese medicamento.

Por supuesto, los vocabularios por sí solos son sólo el comienzo. Así como las palabras deben organizarse en oraciones y párrafos para que tengan sentido, los vocabularios médicos deben organizarse en modelos de datos específicos para que los datos puedan agregarse y compararse entre instituciones y entidades. Ejemplos de modelos de datos disponibles públicamente incluyen aquellos desarrollados específicamente para la agregación de datos para investigación observacional (Observational Medical Outcomes Partnership [OMOP]; Informatics for Integrating Biology & the Bedside [i2b2]) y aquellos para compartir datos y para una interoperabilidad más general tanto a nivel individual como nivel de paciente y en conjunto (Nivel de salud siete internacional versión 2 [HL7v2]). ⁹³ Un testimonio de la madurez de estos sistemas es que el National COVID Cohort Collaborative (N3C), patrocinado por los NIH, se desarrolló en poco tiempo y facilitó una gran cantidad de generación y prueba de hipótesis utilizando grandes conjuntos de datos multiinstitucionales al comienzo de la pandemia. . ⁹⁴

Si bien la anestesiología ciertamente puede beneficiarse de esta madurez, no existe un enfoque estándar para compartir un registro completo de anestesia entre instituciones. Un grupo de HL7 continúa desarrollando un modelo de datos común para el registro de anestesia y, una vez que se publique el estándar, los proveedores deberán implementarlo para marcar una diferencia significativa en la interoperabilidad y el intercambio de datos de anestesiología ( Figura 10 ). Otras áreas críticas de desarrollo futuro para los estándares y la agregación de datos incluyen el desarrollo de técnicas para desidentificar y compartir datos de imágenes y videos (incluidos datos radiológicos); desarrollo continuo de los llamados sistemas de modelo a datos que permiten probar modelos transmitidos públicamente en datos de propiedad privada sin la necesidad de compartir los datos en sí; desarrollo de conjuntos de datos sintéticos estandarizados generados con técnicas de aprendizaje automático que permiten compartir conjuntos de datos que imitan estrechamente la PHI, pero que en realidad no lo son. ⁹⁵

CONCLUSIONES

Se ha producido un alargamiento sin precedentes de la esperanza de vida de la población. Para 2034, los adultos mayores de 65 años superarán en número a los niños en los Estados Unidos. Una vigilancia acelerada de la salud pública y conocimientos sobre los determinantes de las enfermedades, tanto a nivel personal como poblacional, podrían ser fundamentales para informar y dar forma a las políticas de salud pública y su implementación efectiva a medida que nuestra población continúa envejeciendo.

Un posible estado futuro ideal…

Idealmente, durante los próximos 10 años, la popularización e implementación de la telesalud y el monitoreo remoto a escala recopilarán datos con definiciones estandarizadas de una variedad de fuentes en todo el proceso de atención médica ( Figura 11 ). Los datos de atención médica ahora se fusionan con datos que respaldan la informática urbana: “un estudio de los fenómenos urbanos para abordar desafíos urbanos de dominios específicos, como la respuesta a una pandemia, a través de un marco de ciencia de datos y técnicas computacionales que incluyen detección, extracción de datos, integración de información, modelado, análisis y visualización” con un contexto esencial que incluye personas, lugar y tiempo. Los canales de datos entregarán esta gran cantidad de datos contextuales de manera contemporánea y automática a nivel local, regional y nacional a HIE, que siguen los mismos estándares de datos. La tensión y el equilibrio entre la privacidad del paciente y la protección de la salud pública se resuelven, y los HIE otorgan acceso a estos datos para proteger la salud pública y utilizan tokenización de próxima generación para que la privacidad, la seguridad y la confidencialidad de los pacientes no se vean comprometidas.

Utilización de tecnologías médicas innovadoras en la atención hospitalaria alemana: ¿importan las pruebas?

Eckhardt, H., Felgner, S., Dreger, M. et al. Utilization of innovative medical technologies in German inpatient care: does evidence matter?. Health Res Policy Sys 21, 100 (2023). https://doi.org/10.1186/s12961-023-01047-w

El progreso tecnológico relacionado con la salud desempeña un papel importante en la mejora de los resultados sanitarios. Sin embargo, las nuevas tecnologías también pueden conllevar riesgos para los pacientes y usuarios [1, 2]. Desde el escándalo de Contergan (talidomida) en la década de 1950 [3], el acceso al mercado de los productos farmacéuticos está altamente regulado y, por lo general, requiere una evaluación clínica exhaustiva.

El proceso de aprobación de nuevos productos sanitarios en el contexto europeo está descentralizado e implica la verificación de la conformidad de un producto con el marco normativo de la Unión Europea (UE), principalmente en lo que respecta a su uso previsto y su seguridad.

En 2007 se introdujo la necesidad de realizar investigaciones clínicas para determinar la eficacia y la seguridad de los nuevos productos sanitarios implantables o de alto riesgo para su aprobación en el mercado (Directiva 2007/47/CE [4]). A raíz de los reiterados informes de daños a los pacientes, el Reglamento sobre productos sanitarios (MDR) [Reglamento (UE) 2017/745 [5]), cuyo objetivo era reformar el marco regulador de la UE sobre productos sanitarios (Directiva 93/42/CEE [6] y Directiva 90/385/CEE [7]), introdujo por primera vez el término «beneficio clínico» como criterio para la aprobación de productos sanitarios [8]]. Por el contrario, el proceso de aprobación previa a la comercialización por parte de la Administración de Alimentos y Medicamentos (FDA) en los Estados Unidos (EE. UU.) ha requerido evidencia de ensayos clínicos para determinar la efectividad y seguridad de los dispositivos médicos innovadores de alto riesgo desde principios de la década de 1990 [9,10,11].

Una vez que han sido aprobadas para su comercialización, el camino hacia el reembolso de las tecnologías médicas en los sistemas sanitarios europeos suele variar [12,13,14]. Si bien la evaluación de tecnologías sanitarias (ETS) para determinar la (coste)eficacia comparativa de las nuevas tecnologías suele ser un requisito previo para los productos farmacéuticos en el sector ambulatorio, no siempre es así para otras tecnologías o para el entorno hospitalario [13]. Sin embargo, los productos sanitarios innovadores, de alto riesgo y alto coste son objeto con mayor frecuencia de ETS vinculadas al reembolso [15].

Este no es siempre el caso en Alemania, donde tradicionalmente todas las nuevas tecnologías para el diagnóstico o el tratamiento (Neue Untersuchungs- und Behandlungsmethode, NUB) han sido reembolsables en la atención hospitalaria, a menos que el Comité Mixto Federal (FJC; § 137c Libro V del Código Social Alemán [SGB V]). Cuando los costes de estos NUB aún no pueden ser suficientemente contabilizados por un grupo relacionado con el diagnóstico (GRD) existente, los hospitales pueden solicitar al Instituto Alemán del Sistema de Remuneración Hospitalaria (InEK) el permiso para negociar pagos extrapresupuestarios de un año para cada hospital (también denominados «pagos por innovación») con las aseguradoras de salud [16, 17]. Una vez que estas nuevas tecnologías han sido incluidas en la Clasificación de Procedimientos Alemana [16], su financiación adecuada basada en los costes se consigue a través de pagos suplementarios (fijos o negociables) considerados en las negociaciones presupuestarias anuales entre los hospitales y las aseguradoras de salud, la división de un GRD existente o la creación de uno nuevo. Los pagos suplementarios fijos conllevan un precio nacional uniforme por caja publicado en el apéndice del catálogo DRG; Cuando no se puede determinar un precio nacional uniforme, los hospitales pueden obtener pagos suplementarios negociables individuales (confidenciales) con un importe mínimo de 600 euros por caso [17].

En el contexto de la falta de requisitos de HTA antes del reembolso y de los incentivos financieros descritos, es importante para la calidad de la atención y la relación calidad-precio indagar si la implementación de tecnologías innovadoras en la atención hospitalaria alemana se basa en la evidencia clínica. Las investigaciones previas sobre la influencia de la evidencia o los mecanismos de financiación en la implementación y difusión se han centrado en gran medida en tecnologías individuales [17,18,19] o en decisiones de cobertura [20].

El objetivo general de este trabajo era doble: en primer lugar, investigar el tipo de evidencia que estaba disponible en el momento de la introducción de tecnologías innovadoras seleccionadas en la atención hospitalaria alemana y cómo evolucionó esta evidencia a lo largo del tiempo. En segundo lugar, se buscó explorar el vínculo entre la evidencia científica disponible, como ensayos clínicos, revisiones sistemáticas o informes de evaluación de tecnologías sanitarias, y la difusión de estas tecnologías.

Este análisis exploratorio constó de tres etapas: (i) la identificación sistemática de la evidencia científica con respecto a la seguridad y eficacia/efectividad de cada tecnología, (ii) la descripción del conjunto de evidencia disponible para cada tecnología en el momento de su introducción y su desarrollo a lo largo del tiempo; y (iii) la investigación de la relación estadística entre la evidencia identificada y la utilización de tecnologías por parte de los hospitales. Además, se investigó el impacto potencial de las guías clínicas, los mecanismos de financiación y los avisos de seguridad (advertencias y retiros) en la utilización de estas tecnologías en función del paso (ii) anterior, para facilitar una interpretación más contextualizada.

Métodos

Tecnologías seleccionadas y datos sobre la utilización

El conjunto de tecnologías admisibles comprendía aquellas para las que se concedieron entre 2005 y 2012 permisos solicitados para pagos extrapresupuestarios a personas hospitalarias. Esta ventana de tiempo garantizó la disponibilidad de datos durante al menos cinco años antes del inicio de esta investigación en 2018 (es decir, el período de observación de este estudio: 2005-2017). Las curvas de utilización de cada tecnología se trazaron sobre la base de los datos identificados a través de los respectivos códigos de procedimiento del conjunto de datos estadísticos de DRG. Este conjunto de datos es puesto a disposición por el Centro de Datos de Investigación (RDC) de la Oficina Federal de Estadística y las Oficinas de Estadística de los Estados Federados [21] previa solicitud formal y acuerdo previo. A los efectos de este análisis, el financiador proporcionó datos sobre el número de procedimientos de hospitalización por tecnología, por hospital y por año. Se incluyó una tecnología en el análisis si cumplía los siguientes criterios: entre 2005 y 2012, al menos diez hospitales solicitaron y obtuvieron autorización para recibir pagos extrapresupuestarios entre hospitales y personas durante un mínimo de un año, el número de procedimientos y el número de hospitales que utilizaban la tecnología estaban disponibles durante al menos cuatro años, y se habían realizado al menos 100 procedimientos durante un mínimo de un año. Sobre la base de estos criterios, se preseleccionaron 59 tecnologías y se aplicó un análisis cuantitativo de conglomerados para reducir los diferentes tipos de perfiles de utilización. Finalmente, 25 tecnologías fluyeron en el análisis (este proceso se describe en detalle en otra parte [22]). Este enfoque tenía como objetivo garantizar que la muestra final incluyera tanto tecnologías con grandes volúmenes de utilización como aquellas con inconsistencias en los patrones de utilización. Los códigos de procedimiento para las 25 tecnologías y sus descripciones figuran en el apéndice 1 del fichero adicional 1.

Búsqueda de información sobre financiamiento, retiros del mercado y advertencias de seguridad

Las fuentes de información sobre la financiación, las retiradas y las advertencias de seguridad por tecnología se enumeran en el Apéndice 2 del Archivo Adicional 1.

Búsqueda de evidencia clínica

En 2019 se realizó una búsqueda bibliográfica sistemática en PubMed, Medline (vía OVID), Embase (vía OVID) y la Biblioteca Cochrane. El desarrollo de estrategias de búsqueda para cada tecnología incluida se basó en el marco PICO (población, intervención, comparación, resultados). Para definir los términos de búsqueda, se consultaron las evaluaciones del Servicio Médico de la Asociación Nacional de Cajas de Seguro de Salud y la Clasificación de Procedimientos, centrándose en la intervención (términos específicos de la tecnología, nombres de productos y fabricantes) y la indicación (las estrategias de búsqueda específicas de la tecnología están disponibles a pedido). Se realizaron búsquedas suplementarias en las listas de referencias de las revisiones sistemáticas incluidas, los registros de ensayos clínicos, las bases de datos de ETS y las bases de datos de guías clínicas (detalles en el Archivo adicional 1, Apéndice 2). Los archivos EndNote X9 se crearon por tecnología y se utilizaron para la eliminación de duplicados [23], después de importar los resultados de la búsqueda y para la documentación del proceso de selección.

Selección de la evidencia

Se elaboraron criterios generales de inclusión y exclusión basados en el marco PICO para seleccionar las pruebas pertinentes para cada tecnología (todos los detalles figuran en el Archivo adicional 1, Apéndice 3, cuadro S3.1). Los estudios publicados y no publicados pertenecientes a los niveles de evidencia (LoE) 1-4 según la definición del FJC (2. Se incluyó el Capítulo §11 [3], reglas de procedimiento de FJC) [24], mientras que los estudios pertenecientes a LoE 5 fueron documentados, pero no analizados más a fondo:

1a Revisiones sistemáticas de ensayos controlados aleatorizados
1b Ensayos controlados aleatorizados (ECA)
2a Revisiones sistemáticas de ensayos controlados no aleatorizados
2b Ensayos controlados prospectivos no aleatorizados (N-ECA)
3 Ensayos controlados retrospectivos
4 Series de casos y otros ensayos de un solo grupo
5 Informes de casos, etc.

Las publicaciones que comenzaron dos años antes de la primera documentación de los procedimientos hospitalarios (más temprano en 2003) y hasta 2017 fueron elegibles para su inclusión.

La evidencia se seleccionó de acuerdo con los métodos de revisión rápida de la Colaboración Cochrane [25]. Después de la eliminación de duplicados, se extrajo una muestra aleatoria del 10% de las citas (mín. 100) por tecnología a través de RStudio (versión 1.4.1717). Dos investigadores examinaron de forma independiente la muestra y seleccionaron las citas relevantes. En caso de discrepancias, se discutieron y ajustaron los criterios de inclusión y exclusión, involucrando a un tercer investigador si fuera necesario. Las citas restantes fueron examinadas por una persona en función de los criterios ajustados. Cada paso de la revisión se documentó según lo recomendado por la declaración PRISMA [26].

La selección de la evidencia identificada en los registros de ensayos, las guías y las bases de datos de HTA, y el proceso de extracción de datos y la evaluación del riesgo de sesgo (RoB) se describen en los apéndices 4, 5 y 6 del archivo adicional 1, respectivamente.

Categorización de los resultados del estudio

Para cada publicación, las conclusiones de los autores se extrajeron del resumen y del texto principal y se clasificaron en «positivas», «negativas», «neutrales» o «no concluyentes» de acuerdo con el esquema de categorización descrito en la Fig. 1. En caso de que no se dispusiera de una sección de conclusiones en el texto principal, la categorización se realizó con base en el resumen de resultados de la sección de discusión y del resumen.

Síntesis y análisis estadístico

Para explorar (a) las características del cuerpo de evidencia disponible para cada una de las tecnologías incluidas en el momento de su introducción y a lo largo del tiempo y (b) la posible relación entre la evidencia y los patrones de utilización, se realizó un análisis descriptivo y estadístico.

Análisis descriptivo: El cuerpo de evidencia identificado fue analizado descriptivamente. Cada publicación se consideró como un punto de datos independiente. Las recomendaciones de las guías clínicas, la información sobre la financiación y los avisos de seguridad se sintetizaron narrativamente para cada tecnología y se discuten en combinación con otros hallazgos.

Evaluación empírica de la relación entre la utilización y los resultados de la evidencia: Para evaluar si la utilización de una tecnología a lo largo del tiempo sigue la evidencia clínica disponible, se agregó una nueva variable X, «resultados del cuerpo de evidencia disponible» en el año t y la tecnología j. La variable incorpora todos los análisis comparativos identificados (LdE 1-3) de una tecnología publicada hasta el año t inclusive, ponderados por categoría de resultados del estudio (positivos, negativos, neutros) y SdE (LdE 1-3). La variable representa los resultados predominantes del conjunto de pruebas disponibles a partir de dos años antes del inicio de la utilización en Alemania, acumuladas a lo largo de todos los años de utilización hasta el año t. Los datos de la variable de resultado «utilización» están representados por el número de procedimientos hospitalarios en el año t y la tecnología j.

Debido a la estructura de datos agrupados y para tener en cuenta los efectos específicos de la tecnología, se aplicó un modelo de efectos mixtos (modelo multinivel) para dos niveles de datos [29, 30]. Se describe con más detalle en el Archivo adicional 1, Apéndice 7. El objetivo de la función de regresión es estimar si el desarrollo de la utilización sigue la dirección de los resultados del estudio, pero no explicar toda la varianza; Esto no sería posible si se incluyera solo una variable explicativa, pero la mayoría de los otros factores potencialmente influyentes [31] son difíciles de cuantificar. El análisis de regresión se realizó utilizando Rstudio (versión 1.4.1717) y el paquete lme4.

Resultados

Resultados de la búsqueda de evidencias

Todas las búsquedas arrojaron números de citas en el rango de cuatro dígitos. El número de publicaciones incluidas en el análisis final (LoE 1-4) oscila entre dos (catéter balón farmacológico en vasos abdominales, DCB-AV) y 498 (implante de válvula aórtica transcatéter, TAVI) (Fig. 2). Archivo adicional 1, Apéndice 8, tabla 8.1 muestra los resultados de las búsquedas y selección por tecnología, base de datos bibliográfica y etapa dentro del proceso de selección.

Los resultados de las búsquedas de literatura gris (guías clínicas, informes de ETS, entradas en el registro de ensayos y notificaciones de seguridad) se presentan en el Archivo adicional 1, Apéndice 8, tabla 8.2. A través de tecnologías y años, se identificaron 40 informes de HTA y 40 guías clínicas. El número de informes de HTA por tecnología varía entre cero y 12. Se identificaron recomendaciones de guías clínicas para 19 tecnologías; el número de guías (y sus actualizaciones) varía entre cero y 13 (resección transuretral asistida por fluorescencia, guía clínica F-TUR con 12 actualizaciones anuales entre 2006 y 2017). Otros resultados sobre las guías clínicas se presentan en el Archivo Adicional 1, Apéndice 12.

Se identificó al menos una notificación de seguridad para 12 tecnologías en Alemania y para otras dos tecnologías a nivel internacional. El número de notificaciones de seguridad en Alemania oscila entre una (asistencia pulmonar extracorpórea sin bomba/asistencia pulmonar intervencionista, PECLA/iLA) y 12 (TAVI). A nivel internacional, el TAVI y el andamio vascular biorreabsorbible en vasos coronarios (BVS) son las tecnologías con más notificaciones (74 notificaciones para TAVI y 48 para BVS). Se identificó al menos un retiro del mercado para siete tecnologías en Alemania y para seis tecnologías adicionales a nivel internacional.

Características del acervo probatorio

La composición del conjunto de pruebas por tecnología se muestra en la Fig. 2A. Para casi todas las tecnologías, la mayor parte de la evidencia consiste en series de casos y otros estudios no comparativos; estos diseños constituyen más de la mitad de todas las publicaciones identificadas en todas las tecnologías (943/1840) (Fig. número arábigoB y C). Sólo 213/1840 (12%) de las publicaciones incluidas informan resultados de 130 ECA individuales. No se identificó ningún ECA para seis de las 25 tecnologías. Para las 19 tecnologías restantes, el número de ECA con al menos una publicación por tecnología varía de una (p. ej., PECLA/iLA) a 19 (catéter balón recubierto de fármaco en vasos coronarios; DCB-CV). La mayoría de los ECA identificados muestran un RoB alto. Solo para cinco tecnologías, se identificó al menos un ECA con RoB bajo (Archivo adicional 1, Apéndice 9, Fig. S9.1).

El número de revisiones sistemáticas e informes de HTA oscila entre cero (p. ej., desviador de flujo en los vasos de la parte superior de la pierna, FD-ULV) y 37 (TAVI). El número de revisiones sistemáticas es mayor que el número de ECA para la mayoría de las tecnologías. Para algunas tecnologías, hubo varias revisiones sistemáticas que analizaron el mismo grupo de ECA (p. ej., trombectomía mecánica endovascular intracraneal, MT). Se pueden encontrar más detalles sobre las características del estudio en el Archivo adicional 1, Apéndice 9.

Evolución del acervo probatorio a lo largo del tiempo

En los primeros años de utilización documentada, el número de publicaciones disponibles es bajo para casi todas las tecnologías de la muestra. Los resultados de los diseños de estudios no comparativos (LoE 4) suelen dominar el panorama. A pesar del aumento de la proporción de pruebas de la LoE 1-3 a lo largo del período de observación (Archivo adicional 1, Apéndice 10, Fig. S10.1), el número de tales publicaciones sigue siendo inferior al del Nivel 4 para la mayoría de las tecnologías (Archivo adicional 1, Apéndice 10, Fig. S10.2). Se puede observar un desfase sustancial (hasta 9 años) entre el primer año de utilización y la publicación de los primeros resultados de los ECA para varias tecnologías (Archivo adicional 1, Apéndice 9, Fig. S9.1).

Resultados de la evidencia sobre tecnologías innovadoras

La Figura 3 muestra la proporción de publicaciones con resultados positivos, negativos, neutrales y no concluyentes por tecnología. En el caso de algunas tecnologías, la proporción de publicaciones no concluyentes es relativamente alta; en particular, las series de casos y otros estudios de un solo grupo no siempre cayeron en la categoría positiva, negativa o neutra debido a la ambigüedad de las conclusiones (p. ej., mejor eficacia pero menor seguridad) (Archivo adicional 1, Apéndice 11, Fig. S11.1). En el Archivo Adicional 1, Apéndice 11, Figs. S11.2 y 11.3 (A-C). Los resultados negativos tendieron a observarse con mayor frecuencia entre los estudios con un grupo de comparación. Por el contrario, los estudios de LoE 4 tendieron a concluir positivamente con más frecuencia.

Utilización de tecnologías innovadoras

La utilización observada de las tecnologías en la muestra de estudio, medida por el número facturado de procedimientos por año, se muestra en la Fig. 4. El número máximo de procedimientos por año oscila entre 138 (2014, stents metálicos autoexpandibles en vasos coronarios, SE-BMS) y 42.203 (2017, anticoagulación con citrato durante la diálisis, ACD). El número de años con procedimientos hospitalarios reembolsados identificados a través de códigos de procedimiento específicos en el período de observación varió de cuatro (SE-BMS) a 13 (Cardiac event recorder after ablative measures for atrial fibrillation/atrial tachycardia—ER-ABL), con una mediana de 10 (2008).

Financiación de tecnologías innovadoras

Como se muestra en la Fig. 4, el comienzo de la utilización está vinculado a la autorización para negociar pagos extrapresupuestarios con los fondos del seguro médico para la mayoría de las tecnologías. Las excepciones son ER-ABL, F-TUR y anuloplastia de la válvula mitral con pinza (MVAC), para las cuales la utilización comienza antes. En el caso de la mayoría de las tecnologías, el fin de la autorización para negociar pagos extrapresupuestarios coincide con el comienzo de la siguiente etapa de reembolso. Al final del período de observación, se aplicaban pagos suplementarios negociables o fijos para 12 de las 25 tecnologías, mientras que siete estaban incluidas en un DRG. El cambio de reembolso se produjo después de uno a siete años. Para las cinco tecnologías restantes (oclusión endoaórtica con balón con circulación extracorpórea, EABO, FD-ULV, espirales bioactivas para el tratamiento de aneurismas intracraneales, IABC, MVAC, SE-BMS), la financiación no cambió durante el período de observación.

Relación entre la utilización y otros factores

La regresión multinivel mostró una relación estadísticamente significativa entre la dirección de la evidencia y la dirección de utilización (Tabla 1). Los diferentes órdenes de magnitud en la utilización de las distintas tecnologías, como resultado principalmente de la prevalencia variable de las afecciones subyacentes, pueden explicar la gran varianza. La alta correlación intraclase (CCI) confirma la idoneidad del enfoque agrupado [30, 32].

Tabla 1 Relación entre el conjunto de pruebas disponibles y la utilización: resultados de la regresión multinivel

La Figura 4 ilustra la concordancia entre la utilización anual observada y la utilización prevista sobre la base de la evidencia (valores ajustados) por tecnología. Para la mayoría de las tecnologías, el aumento de la utilización va acompañado de pruebas positivas (p. ej., TAVI) o la disminución de la utilización va acompañada de pruebas negativas (p. ej., BVS). Por el contrario, los valores pronosticados no están en línea con los valores observados para siete tecnologías (p. ej., reducción del volumen pulmonar mediante la inserción de espirales, LVRC); Esto implica que otros factores, además de la evidencia, tuvieron una mayor influencia en la utilización.

Como se puede ver en la Fig. 4, no se observan pautas coherentes en cuanto a la relación entre las tendencias de utilización y los cambios en la financiación.

El impacto de las notificaciones de seguridad y los retiros del mercado es difícil de analizar, sobre todo porque hay varios productos disponibles para la mayoría de las tecnologías de la muestra. En el caso de las tecnologías con un máximo de dos productos identificados y un recuerdo identificado (extracción con láser excimer de electrodos de marcapasos y desfibrilador, EL-P/ICD [33] en 2012, diálisis con membrana de diálisis de alto corte, HCO [34] en 2011, PECLA/iLA [35] en 2006), no se observa ninguna relación. En el caso de BVS, las advertencias de seguridad que restringían el uso a ciertos recipientes [36] y a instalaciones seleccionadas que participaban en registros clínicos [37] iban acompañadas de evidencia negativa seguida de una disminución en la utilización.

Discusión

Este trabajo evaluó la relación entre la utilización de 25 tecnologías para diferentes sistemas anatómicos en la atención hospitalaria alemana y la evidencia clínica disponible, los cambios en la financiación y la información de seguridad.

El número de publicaciones incluidas por tecnología osciló entre dos y 498, y las series de casos y otros diseños no comparativos constituyeron la mayor parte del cuerpo de evidencia. Aunque esto refleja el interés de los médicos en compartir su experiencia con una determinada tecnología en un entorno del mundo real, estos estudios no proporcionan una base adecuada para concluir sobre el valor comparativo de una tecnología. Para siete de las 25 tecnologías, se identificó un máximo de una publicación de cualquiera de los dos niveles de evidencia más altos (revisiones sistemáticas de ECA o ECA individuales) a pesar de las altas cifras de utilización. De hecho, para la mayoría de las tecnologías incluidas hubo pocos ECA, predominantemente con RoB alto. Un gran volumen de publicaciones no necesariamente supedita la solidez del cuerpo de evidencia en el beneficio de una tecnología. Del mismo modo, la disponibilidad de múltiples revisiones sistemáticas de estudios comparativos (LoE 1a/2a) para la misma tecnología no da lugar necesariamente a una ganancia de información. Por ejemplo, en este trabajo se identificaron varias revisiones/metaanálisis sistemáticos sobre recuperadores de stents para la trombectomía mecánica en el accidente cerebrovascular agudo, publicado en un plazo de dos años, y que combina los mismos seis ECA. Es más, los hallazgos de las revisiones sistemáticas son tan sólidos como lo permitan los estudios incluidos en la revisión.

La tendencia hacia una mayor LoE a lo largo del tiempo no siempre fue observable. En el caso de varias tecnologías, no se materializó un conjunto sólido de pruebas (p. ej., al menos un ECA con bajo riesgo de sesgo) durante varios años o incluso hasta el final del período de observación. De una tecnología a otra, varió el número de años y el número de procedimientos realizados antes de que se dispusiera de pruebas científicas adecuadas. El tipo de aprobación de la FDA, que está vinculado a los requisitos de generación de evidencia posterior a la comercialización y, por lo tanto, podría haber influido en el número y tipo de estudios disponibles [38, 39], no se investigó más a fondo. Sin embargo, parece que la falta de una evaluación obligatoria de las prestaciones antes del reembolso puede exponer a los pacientes a un daño indebido (incluida la falta de prestaciones) y al sistema de salud a un gasto ineficiente. Otros países europeos, como Francia [40] y el Reino Unido [41], han establecido vías de evaluación comparativa de la eficacia de las nuevas tecnologías antes del reembolso. En 2016 se estableció una vía de evaluación para ciertas tecnologías innovadoras de alto riesgo en la atención hospitalaria alemana (§137h SGB V), que obliga a los hospitales que buscan negociar pagos extrapresupuestarios por primera vez a proporcionar al FJC la evidencia disponible sobre la efectividad. Esto no se aplicó a ninguna de las tecnologías de la muestra.

Podría demostrarse una relación entre la evidencia y la utilización para algunas tecnologías, pero no para todas. Hasta cierto punto, esto era de esperar, ya que hay muchos factores que influyen en la adopción de nuevas tecnologías en las organizaciones de atención médica que no podrían ser explicados en el modelo de regresión. El número disponible de tecnologías alternativas, la experiencia del operador, la facilidad de uso, la cultura organizacional, las creencias y preferencias individuales de los operadores, así como la demanda de los pacientes [42, 43] pueden desempeñar un papel en el proceso de difusión. También es pensable que los altos costos iniciales de adquisición conduzcan al uso continuo de la tecnología a pesar de la disponibilidad de mejores alternativas. Por último, incluso si una tecnología es reembolsable y tiene un perfil de evidencia positivo, es posible que las aseguradoras no estén dispuestas a aceptar pagos extrapresupuestarios o suplementarios que cubran todos los costos.

La relación entre la utilización y la financiación, así como la relación entre la utilización y las notificaciones de seguridad se exploraron de manera cualitativa, sin resultados claros. Sin embargo, esto no excluye totalmente la posibilidad de que tales relaciones existieran para cualquiera de las tecnologías. Este estudio no fue diseñado para predecir cómo podría haber sido la utilización si la financiación no hubiera cambiado con el tiempo, pasando de los tipos de financiación más inseguros (pagos extrapresupuestarios) a tipos de financiación más seguros (por ejemplo, una descripción adecuada en un GRD). Para al menos una tecnología, los avisos y restricciones de seguridad podrían haber fortalecido el efecto de la evidencia clínica, pero esta relación también resultó imposible de evaluar completamente con este diseño de estudio.

Para garantizar la calidad de la atención, es importante que las tecnologías reembolsadas sean seguras y eficaces. El primer paso para lograrlo es contar con procesos regulatorios que solo permitan que dichos dispositivos médicos ingresen al mercado. Los cambios introducidos por el MDR, que entraron en vigor en mayo de 2021 [5, 8], podrían reducir el número de años de utilización sin pruebas sólidas en la atención hospitalaria alemana y en el resto de Europa (y el desfase temporal entre la certificación CE y la aprobación de la FDA [44]), pero esto también dependerá de cómo se implemente la regulación.

El segundo paso consiste en evaluar la eficacia comparativa o incluso la rentabilidad de las nuevas tecnologías antes del reembolso. Todos los sistemas de salud deben equilibrar el acceso oportuno con la certeza sobre la seguridad y la eficacia de una innovación, al tiempo que distribuyen los recursos limitados de manera inteligente. En el caso de las nuevas tecnologías que se muestran prometedoras, pero que aún no están respaldadas por pruebas adecuadas, la cobertura con desarrollo de pruebas (CED) puede proporcionar una solución. El CED es utilizado por varios países europeos, como Bélgica, Inglaterra, Francia, Países Bajos, España y Suiza [45], y también se ha introducido en Alemania [46]. Es importante diseñar estos programas cuidadosamente, sobre todo porque las instituciones públicas a menudo no tienen experiencia en la planificación y realización de ensayos clínicos, lo que puede provocar retrasos y, dependiendo de la configuración del programa, problemas de acceso o ineficiencias [45]. Además, el CED tiene el potencial de apoyar la innovación de los pequeños y medianos fabricantes de dispositivos médicos, que de otro modo no podrían permitirse grandes ensayos clínicos.

Además, es importante dotar a los programas de CED de los mecanismos para detener el reembolso si la evidencia no es suficiente o desfavorable. En términos más generales, la implementación de enfoques de desinversión que eliminen efectivamente las tecnologías de bajo valor de la prestación de atención médica es crucial para permitir una atención óptima al paciente y una utilización óptima de los recursos, y (políticamente) difícil de lograr. Si bien las estrategias de desinversión de productos farmacéuticos en la atención ambulatoria se utilizan ampliamente en los países europeos [47], se necesitan enfoques adicionales para la desinversión de dispositivos médicos en la atención hospitalaria.

Las iniciativas destinadas a cambiar las recomendaciones de la práctica clínica, como «Choosing Wisely» y la directriz «do not do» del National Institute for Health and Care Excellence (NICE) en Inglaterra [48] podrían reducir el uso de dispositivos potencialmente ineficaces o ineficaces en función de los costes.

La eliminación de los dispositivos médicos potencialmente dañinos del mercado de la atención médica requiere mayores disposiciones de responsabilidad para los fabricantes. Con la introducción del MDR, la UE ha reforzado las disposiciones pertinentes: obliga a los fabricantes a supervisar continuamente la seguridad de los productos comercializados mediante el establecimiento de un sistema de vigilancia poscomercialización para detectar y controlar los problemas de seguridad y aplicar las medidas preventivas y correctivas necesarias (Reglamento (UE) 2017/745, art. 83) [5]. Sin embargo, la eliminación de una tecnología que ya está establecida en la práctica clínica suele enfrentarse a la resistencia de las partes interesadas relevantes [49].

Limitaciones

Este trabajo tiene varias limitaciones. Aunque la muestra de tecnologías incluidas se seleccionó con un enfoque sistemático [22], no es necesariamente representativa de todas las nuevas tecnologías. Por lo tanto, estos resultados siguen siendo indicativos.

El cálculo de la utilización se basa en la documentación del procedimiento disponible en RDC [21]. La validez de los datos está limitada por la calidad de las prácticas de codificación subyacentes, que depende tanto de la experiencia del codificador como de la medida en que los códigos utilizados sólo capturan las distintas tecnologías de la muestra (en lugar de capturar también tecnologías relacionadas para las que aún no existían códigos únicos). Además, el sistema de clasificación de procedimientos está sujeto a cambios regulares, y los códigos pueden cambiar con el tiempo a medida que la clasificación se vuelve más detallada. Esto podría haber dado lugar a una distorsión de la utilización observada para algunas tecnologías (por ejemplo, F-TUR).

Debido a la metodología de revisión rápida adoptada para identificar la evidencia, es posible que no se hayan identificado todas las citas relevantes o que se hayan excluido estudios potencialmente relevantes, por ejemplo, mediante la exclusión de idiomas distintos del alemán o el inglés, y la falta de disponibilidad de textos completos. Se eligieron fuentes adicionales para las guías clínicas y los informes de HTA desde la perspectiva del contexto alemán; Por lo tanto, estos resultados no son exhaustivos.

Por razones de viabilidad, los resultados por publicación se categorizaron basándose únicamente en las conclusiones de los autores. Esto significa que la consistencia de estas conclusiones con los resultados reportados en la sección de resultados de la publicación no se investigó más a fondo y no se ha tenido en cuenta la influencia potencial del espín [50]. Además, los estudios con resultados negativos tienen en general menos probabilidades de ser publicados [51], ya que este estudio no tuvo en cuenta el sesgo de publicación. Finalmente, diferentes autores participaron en la selección y categorización de la evidencia por tecnología. A pesar de las frecuentes reuniones y discusiones de consenso con todo el equipo de autores, no se puede excluir el sesgo del investigador.

La variable agregada que representa el conjunto de pruebas en el modelo de regresión multinivel tiene la ventaja de considerar todo el conjunto de datos disponibles hasta el momento de la utilización y evitar distorsiones, por ejemplo, debido a un único estudio negativo. Sin embargo, la desventaja es que se puede subestimar el impacto de un solo estudio crucial. Además, la consideración y ponderación de los diferentes diseños de estudio refleja una elección basada en jerarquías de evidencia y podría ser objeto de discusión. Por último, no se incorporaron al modelo otros factores observables (p. ej., financiación, advertencias de seguridad, incidencia de enfermedades) e inobservables.

Conclusiones

Este es el primer estudio que investiga la relación entre la evidencia y la utilización de una muestra de 25 nuevas tecnologías médicas en la atención hospitalaria alemana de manera descriptiva y empírica. El conjunto de pruebas clínicas por tecnología a menudo consistía principalmente en estudios no comparativos; Su robustez aumentó con el tiempo para muchas tecnologías, pero no para todas. Podría demostrarse una relación entre la evidencia y la utilización para algunas tecnologías, aunque no para todas. La influencia de la financiación y los avisos de seguridad requiere una investigación más profunda. Estos resultados revelan que podría estar justificada una reevaluación de las normas de aprobación del mercado y de las vías de ETS.

Desinvertir en tecnologías sanitarias de bajo valor en países de ingresos bajos y medianos: ¿entre una solución a la actual crisis fiscal y un costoso espejismo?

ADRIAN GHEORGHE · PETER BAKER

POLICY PAPER 327 • APRIL 2024

Introducción

Se prevé que muchos países de ingresos bajos y medianos gastarán menos en salud durante el resto de esta década que antes de 2020.

El adagio «más salud por el mismo dinero» es más significativo que nunca, pero ¿cómo actuamos en consecuencia rápidamente?

Una opción es desinvertir en tecnologías e intervenciones sanitarias de bajo valor. Sin embargo, la mayor parte de la investigación sobre la desinversión se ha basado en experiencias en entornos de altos ingresos, como se ilustra en una reciente revisión exploratoria. En este documento de política, resumimos lo que se sabe sobre la desinversión en atención médica y describimos las experiencias documentadas en los países de ingresos bajos y medianos para obtener información sobre lo que ha funcionado, en qué medida y en qué condiciones. Identificamos dos escenarios comunes en los que se intentaron iniciativas de desinversión («puntuales» y «sistemáticas») y concluimos que la desinversión es costosa, requiere mucho tiempo y rara vez es tan exitosa como pretenden los responsables de la formulación de políticas.

Los responsables de la formulación de políticas deben ser conscientes de estos desafíos antes de emprender este camino. Las consideraciones clave para el éxito de la desinversión incluyen hacer coincidir los planes con el nivel y la duración de la voluntad política, el objetivo de la política motivadora y los recursos disponibles.

Los sólidos sistemas de priorización preexistentes, como los organismos de evaluación de tecnologías sanitarias (ETS), pueden hacer que la desinversión tenga más probabilidades de éxito, como parecen sugerir los ejemplos de Brasil y China, pero los recursos suelen reinvertirse en servicios de mayor impacto, en lugar de liberarse.

Desinversión en atención médica: una breve introducción

La desinversión se refiere a la retirada parcial o total de recursos de salud de cualquier práctica, procedimiento, tecnología o producto farmacéutico de atención médica existente que se considere que proporciona poca o ninguna ganancia de salud por su costo y, por lo tanto, no son asignaciones eficientes de recursos de salud.

La desinversión puede incluir la eliminación total de tecnologías de un servicio de salud, o la restricción de las indicaciones para su uso, o su sustitución por otras tecnologías. La desinversión no se trata simplemente de reducir costos, porque, al menos en teoría, los recursos pueden reinvertirse en otros servicios de mayor impacto. De hecho, los objetivos de la desinversión pueden consistir en mejorar la calidad de la atención, maximizar el valor de los recursos disponibles a través de una asignación óptima y rendir cuentas sobre el uso de los recursos.

Artículos de revisión anteriores coinciden en que la desinversión en atención médica es difícil y costosa, técnica, organizativa y políticamente. Incluso cuando estas iniciativas llegan a la etapa de implementación, lo que se hace suele ser una fracción o simplificación de lo que se propuso inicialmente y, en consecuencia, los beneficios tienden a ser mucho menos impresionantes de lo esperado.

Por ejemplo, en un examen reciente de un programa de revisión integral de las prestaciones de salud en los países de ingresos bajos y medianos se llegó a la conclusión de que la aplicación de las desinversiones y reinversiones propuestas era limitada. Además, la promesa de reasignar los recursos liberados depende de que se tenga suficiente flexibilidad para reasignar los presupuestos de salud. Estas condiciones no son fáciles de cumplir, especialmente en entornos de bajos recursos.

Revisamos la bibliografía publicada sobre experiencias documentadas de intentos de desinversión en servicios de atención médica en países de ingresos bajos y medianos; consulte nuestra estrategia de búsqueda en el Apéndice.

Descubrimos que el éxito de una determinada estrategia de desinversión en atención médica está determinado por la alineación mutua de tres factores:

1. La naturaleza del objetivo de desinversión: ¿la iniciativa de desinversión se centra en un solo objetivo de política (por ejemplo, reducción de costos) o tiene múltiples objetivos de política explícitos, en cuyo caso a menudo se necesita un diseño más elaborado?

2. La voluntad política: ¿cuál es el alcance del mandato y el apoyo a la iniciativa de desinversión por parte de la alta dirección, y es probable que se mantenga?

3. Los recursos disponibles: ¿cuánto tiempo hay disponible antes de que sea necesario tomar una decisión? ¿Hay suficientes personas capacitadas, datos relevantes y recursos financieros disponibles? ¿Qué tan profunda es la conciencia de las partes interesadas del sistema de salud sobre el establecimiento de prioridades? ¿Qué tan aceptable es el establecimiento explícito de prioridades?

Escenario 1: Iniciativas puntuales

En el escenario 1, las iniciativas de desinversión en atención médica suelen centrarse en un solo tipo de objetivo de desinversión, tal vez desencadenado por una crisis presupuestaria. Por lo general, los recursos son limitados: puede haber poca experiencia en el establecimiento de prioridades y en la toma de decisiones sistemática basada en datos empíricos, el tiempo es escaso y también puede haber una capacidad técnica nacional limitada. La voluntad política puede ser alta en el momento, pero puede estar más relacionada con la superación de un obstáculo político inmediato que con la realización de mejoras sostenibles y de gran alcance en el sistema de salud. El proceso de desinversión lleva tiempo y, como resultado, la voluntad política puede desvanecerse, reduciendo así el impacto. Identificamos ejemplos de esto en Vietnam, Rumania, Irán y Malasia.

En 2011, el gobierno de Rumania solicitó asistencia técnica para revisar la lista de productos farmacéuticos incluidos en el paquete de beneficios de salud, que en ese momento formaba parte de un acuerdo financiero más amplio con instituciones financieras internacionales. El ejercicio, apoyado por el Banco Mundial y llevado a cabo por NICE International, incluyó una revisión de las indicaciones aprobadas para los 50 medicamentos principales por gasto en el año anterior (2010) y los 25 medicamentos principales en cada una de las sublistas del formulario. Una de las pocas recomendaciones implementadas fue la eliminación del ginkgo biloba de la lista de reembolso de medicamentos en octubre de 2015. 1 Rumanía es actualmente un país de renta alta, pero tenía una renta media-alta en el momento del caso documentado (2011).

En 2016, Vietnam solicitó asistencia técnica a la Iniciativa Internacional de Apoyo a la Toma de Decisiones (iDSI, por sus siglas en inglés) para llevar a cabo una revisión rápida de su paquete de prestaciones sanitarias, centrándose en los productos farmacéuticos de alto gasto. El estudio, de cuatro meses de duración, revisó las indicaciones aprobadas de 14 medicamentos basándose en la literatura internacional, consultas con expertos clínicos locales y análisis de los datos de prescripción hospitalaria. Como resultado, el Ministerio de Salud propuso y acordó una lista de indicaciones ajustada que ahorraría alrededor de USD 150 millones cada año al reducir la prescripción inadecuada, sin sacrificar los resultados de salud. Las recomendaciones se enviaron a los hospitales, pero se desconoce el alcance de su aplicación real.

También identificamos dos ejemplos nacionales de iniciativas de desinversión en relación con tecnologías sanitarias específicas o programas de enfermedades: uno para el programa de esclerosis múltiple (EM) en Irán y el otro para inhaladores respiratorios en Malasia. El ejemplo iraní describe un ejercicio piloto realizado en 2020-2021 para desarrollar un proceso deliberativo y basado en evidencia para revisar el paquete de beneficios del seguro de salud. Como parte del proyecto piloto, se evaluaron nueve tecnologías sanitarias para la EM con arreglo a criterios preespecificados. El grupo de trabajo técnico del proyecto propuso inicialmente la exclusión del paquete de beneficios de cuatro de estas tecnologías sanitarias, sin embargo, después de una nueva deliberación, la decisión final fue optar por condiciones de cobertura más estrictas a precios más bajos (basados en el precio de referencia del producto alternativo más barato). Sobre la base de la correspondencia con los autores del estudio, se entiende que este ejercicio de desinversión documentado ha sido parte de un proceso continuo de HTA que evalúa tanto las decisiones de inversión como las de desinversión y se encuentra actualmente dentro del Consejo Superior de Seguros de Salud. Desde 2020, el proceso también ha evaluado tecnologías sanitarias para la diabetes mellitus, la hipertensión y los servicios neurológicos, y continuará en los próximos años abordando sistemáticamente otras áreas de enfermedades, así como expandiéndose al Ministerio de Salud y Educación Médica.

El ejemplo de Malasia describe la aplicación de un marco de análisis de decisiones multicriterio (MCDA) a 27 inhaladores respiratorios, de los cuales 24 ya estaban incluidos en el Formulario de Medicamentos y se sabía que se adquirían en centros de salud pública. Tras el desarrollo y la aplicación del marco MCDA y la deliberación de los resultados de la evaluación, el grupo de trabajo técnico del proyecto recomendó que se retirara de la lista a una entidad (en una de las dos formas farmacéuticas enumeradas) y que no se recomendara la adquisición en instalaciones públicas de otras dos entidades, por lo que no llegó a recomendar la eliminación completa del formulario de ningún medicamento. Estos ejemplos sugieren que, incluso con restricciones sustanciales, puede ser posible lograr algunos resultados de desinversión, sin embargo, la implementación de las recomendaciones de desinversión suele estar por debajo de lo que se pretendía. Parece más eficaz centrar el ejercicio de desinversión en una tecnología sanitaria claramente identificable con un objetivo simple (por ejemplo, controlar el gasto farmacéutico), para la que se dispone de algunos datos locales y también se pueden utilizar razonablemente pruebas internacionales. Los enfoques rápidos (por ejemplo, examinar solo las 20 a 50 principales tecnologías sanitarias o solo un programa o área de enfermedades) pueden ser suficientes para identificar posibles ganancias rápidas. Sin embargo, esta rapidez

En el mejor de los casos, los ejercicios pueden ser soluciones rápidas y, por lo general, no fomentan la capacidad institucional, con la excepción positiva del caso iraní. Sin más inversión y compromiso, el escenario está destinado a repetirse cuando llegue la próxima crisis o iniciativa de reforma. Es probable que las iniciativas puntuales, como los pilotos, solo ganen impulso y sean pasos hacia la institucionalización cuando su despliegue siga los principios de buena gobernanza: rendición de cuentas, transparencia y ausencia de conflictos de intereses.

Escenario 2: Desinversión sistemática por parte de las agencias de ETS

En el escenario 2, cabría esperar encontrar países con sistemas de establecimiento de prioridades bien establecidos, basados en la evidencia y con un compromiso a largo plazo para mejorar la relación calidad-precio en el sistema de salud. Los propósitos de la desinversión suelen ser más complejos, ya que representan el mandato completo que tienen estas agencias dentro del sistema de salud. La voluntad política es alta y sostenida, y a menudo se refleja en una amplia conciencia y en un mandato institucional para evaluar sistemáticamente el valor de las tecnologías sanitarias. El alcance es amplio, las tecnologías se revisan sistemáticamente durante un largo período. Existe una amplia capacidad nacional para realizar esos ejercicios y los plazos suelen ser de carácter burocrático y no impuestos por la urgencia política. En términos generales, hay dos tipos de este proceso: en primer lugar, las agencias de ETS pueden tener procesos específicos de desinversión sistemática para identificar tecnologías de bajo valor o, en segundo lugar, la desinversión sistemática puede ocurrir como parte de su toma de decisiones rutinaria informada por HTA.

Identificamos dos ejemplos de procesos específicos de desinversión sistemática llevados a cabo por organismos de ingresos bajos y medianos. Los ejemplos mejor documentados provienen de Brasil, donde las iniciativas de desinversión en salud se han producido desde principios de la década de 2010 y han sido analizadas sistemáticamente. De las 47 tecnologías sanitarias reevaluadas por el Comité Nacional de Incorporación de Tecnologías Sanitarias (Conitec) entre enero de 2012 y noviembre de 2017, nueve fueron excluidas del sistema público de salud brasileño y siete tuvieron una indicación excluida, la mayoría de las veces basada en pruebas de eficacia.

En diciembre de 2016, las autoridades nacionales aprobaron una directriz para la «evaluación del desempeño de las tecnologías sanitarias» con el fin de fundamentar las decisiones sobre si continuar con el reembolso de las tecnologías sanitarias de bajo valor u obsoletas; Si bien el proceso de elaboración de la directriz está bien documentado, su aplicación no lo está tanto.

Un ejemplo documentado más profundo se refiere al proceso de desinversión del uso de interferón-beta intramuscular (IFN-β-1a-IM) en la EM.

En 2015 y 2016, dos rondas de evaluaciones técnicas mostraron que el IFN-β-1a-IM era inferior a los otros IFN-β. La decisión final, publicada en junio de 2016, fue excluir la presentación intramuscular de IFN-β de las directrices actuales de tratamiento de la EM, dando a los pacientes que actualmente están en este tratamiento la opción de continuar hasta el fracaso del tratamiento. Menos de un año después (octubre de 2017), la indicación restringida de IFN-β-1a-IM fue revocada tras una apelación del titular de la autorización de comercialización.

El otro ejemplo es el de China, donde las capacidades de HTA se han desarrollado gradualmente durante la última década. Desde 2019, la Administración Nacional de Seguridad Sanitaria (NHSA, por sus siglas en inglés) ha tratado de eliminar los medicamentos de bajo valor de su lista nacional de reembolso de medicamentos a nivel de todo el paquete de beneficios, con un enfoque particular en las medicinas tradicionales. Desde entonces, más de 160 medicamentos han sido retirados de la lista y más de 190 han sido considerados para renegociaciones de precios. Los detalles del proceso de desinversión utilizado para lograr estos resultados no están claros. Cabe destacar que la NHSA también comenzó a utilizar la HTA para las decisiones de reembolso farmacéutico en 2019.

El segundo enfoque es la desinversión sistemática a través de decisiones rutinarias de ETS, en las que las tecnologías sanitarias de mejor valor desplazan gradualmente, aunque durante un largo período de tiempo, a las tecnologías de menor valor.

Tailandia ha sido reconocida durante mucho tiempo como un líder mundial en el uso de la ETS de esta manera para informar las decisiones de política de salud; a modo de ejemplo, la atorvastatina se retiró de la Lista Nacional de Medicamentos Esenciales después de que una evaluación económica concluyera que ya no era rentable en relación con la simvastatina.

Países como India y Ghana están desarrollando rápidamente sus propios sistemas de ETS. La creación de instituciones sólidas que establezcan prioridades requiere tiempo y recursos, pero el esfuerzo da sus frutos; trabajos empíricos recientes de Tailandia y la India sugieren un rendimiento positivo de la inversión y mejoras de la eficiencia a largo plazo. Por lo tanto, en términos generales, parece eficaz poner en práctica la desinversión a través de los procesos de ETS, ya sea como parte de procesos específicos de desinversión sistemática o como parte de la toma de decisiones rutinarias de ETS. Sin embargo, la evidencia documentada sobre la mejor manera de hacer que esto funcione en la práctica sigue siendo limitada. Tanto en Brasil como en China, la desinversión fue llevada a cabo por la institución con la capacidad y el mandato de realizar evaluaciones con fines de reembolso (Conitec y NHSA, respectivamente), lo que sugiere que existen posibles sinergias entre la desinversión y la ETS «para reembolso».

El factor de éxito es quizás el compromiso a largo plazo con el desarrollo de instituciones de ETS con el mandato de establecer prioridades basadas en datos empíricos, sobre todo por razones que van más allá de la desinversión.

Conclusiones y recomendaciones

En general, encontramos cuatro ejemplos documentados de iniciativas de desinversión puntuales, de las cuales una parece avanzar hacia la institucionalización condición por condición: Irán. También identificamos dos ejemplos documentados —Brasil y China— de iniciativas sistemáticas y específicas de desinversión por parte de agencias de ETS en países de ingresos bajos y medianos, así como una serie de países como Tailandia, India y Ghana que llevan a cabo desinversiones sistemáticas a través de procesos rutinarios de ETS. En todos los casos, tal vez con la excepción de Brasil, se disponía de poca información sobre el seguimiento tangible y el impacto de la decisión de desinversión en los servicios de salud. Por lo tanto, si bien los argumentos a favor de la desinversión son sólidos en teoría, los datos documentados sobre la aplicación y el impacto en los países de ingresos bajos y medianos siguen siendo bastante escasos, en general. La evidencia sugiere que la desinversión consume tiempo y recursos y resulta en menos beneficios de lo que se espera al principio. El costo de oportunidad debe sopesarse con otras reformas de las políticas de salud, especialmente en entornos de bajos recursos. También reconocemos un probable sesgo de publicación en este caso, con pocos incentivos para que los responsables políticos publiquen las iniciativas que no han tenido éxito. Esto significaría que es probable que la desinversión sea aún más difícil de lo que muestra la evidencia en este documento. Antes de iniciar un programa de desinversión, ofrecemos tres recomendaciones para los responsables de la toma de decisiones, basadas en la limitada evidencia disponible:

1. Considere en cuál de los dos escenarios se encuentra y asegúrese de que las expectativas y el enfoque coincidan bien con tres factores contextuales: el propósito de la desinversión, la voluntad política y los recursos. Si apuntas demasiado alto o bajo, desperdiciarás recursos, dañarás la credibilidad y generarás decepción; Apunte al nivel correcto y podrá lograr ganancias tangibles (aunque no necesariamente impresionantes a corto plazo) y ayudar a sentar las bases para promover una cultura de establecimiento de prioridades en todo el sistema.

2. Sea estratégico a la hora de restringir el alcance a los que la desinversión puede dar lugar a mejoras. Iniciativas piloto restringidas a programas verticales de enfermedades o tipos específicos de tecnologías sanitarias como trampolín hacia nuevos desarrollos. Esto puede encontrar menos resistencia, aunque hay que aceptar que pueden no producir un gran impacto a corto plazo. Los ejercicios a gran escala a nivel del paquete de beneficios de salud pueden tener un mayor impacto, pero requieren recursos sustanciales y una secuencia cuidadosa. 3. Tratar de invertir en el desarrollo y la dotación de recursos para procesos legítimos de establecimiento de prioridades como base para hacer concesiones difíciles, de forma rutinaria y sistemática. Existen sinergias sustanciales que deben compartirse entre las iniciativas de desinversión y el desarrollo de procesos y sistemas de ETS con el desarrollo de procesos y sistemas de ETS. El hecho de que este proceso dure años no debe ser un desaliento; el caso de la India demuestra que se pueden lograr progresos rápidos y consecuentes en menos de una década. Por último, se trata de un ámbito importante y de actualidad que adolece de una base empírica limitada para orientar a los responsables de la formulación de políticas en los países de ingresos bajos y medianos sobre lo que funciona y en qué condiciones. Los líderes de las iniciativas de desinversión deben tratar de compartir las evaluaciones de su trabajo para que otros países puedan aprender de su experiencia.

Eventos adversos: un problema hospitalario costoso y evitable

Diego San José Saras , José L. Valencia-Martín , Jorge Vicente Guijarro , Paloma Moreno Núñez , Alberto Pardo Hernández& Jesús M. Aranaz-Andrés

Introducción

Los eventos adversos relacionados con la atención sanitaria (EA) conllevan una reducción de la seguridad del paciente. Estimar su frecuencia, características, evitabilidad e impacto es un medio para identificar objetivos de mejora en la calidad de la atención.

Métodos

Se trata de un estudio observacional descriptivo realizado dentro del Estudio de Incidentes de Seguridad del Paciente en Hospitales de la Comunidad de Madrid (ESHMAD). El estudio se realizó en un hospital de alta complejidad en mayo de 2019 mediante una revisión de la historia clínica electrónica en dos fases: (1) cribado de EA y recopilación de datos epidemiológicos y clínicos y (2) revisión y clasificación de EA y análisis de su impacto, evitabilidad, y costos asociados.

Resultados

Se estudiaron un total de 636 pacientes. La prevalencia de EA fue del 12,4%. La muerte durante la estancia se asoció con la presencia de EA (OR [IC95%]: 2,15 [1,07 a 4,52]) versus ausencia e ingreso de emergencia (OR [IC95%]: 17,11 [6,63 a 46,26]) versus programado. Un total de 70,2% de los EA fueron evitables. Los EA evitables se asociaron con la presencia de úlceras por presión (OR [IC95%]: 2,77 [1,39 a 5,51]), catéter venoso central (OR [IC95%]: 2,58 [1,33 a 5,00]) y movilidad reducida (OR [IC95%] ]: 2,24[1,35 a 3,71]), versus ausencias. También se asociaron con las estancias en unidad de cuidados intensivos (OR [IC95%]: 2,75 [1,07 a 7,06]) versus servicio médico. Los EA fueron responsables de unos costes adicionales de 909.716,8 € por días extra de estancia y 12.461,9 € por paciente con EA.

Conclusiones

La prevalencia de EA fue similar a la encontrada en otros estudios. Los EA provocaron peores resultados en los pacientes y se asociaron con la muerte del paciente. Aunque los EA evitables fueron menos graves, su mayor frecuencia produjo un mayor impacto en el paciente y el sistema sanitario.

Los eventos adversos son uno de los principales problemas en la prestación de atención médica y los pacientes que sufren al menos un EA tienen el doble de probabilidades de morir durante la hospitalización.
Los eventos adversos evitables son los más frecuentes en el ámbito sanitario y son un buen objetivo donde conseguir áreas de mejora que permitan conseguir niveles óptimos de seguridad del paciente y calidad asistencial.
Los pacientes hospitalizados en UCI, con presencia previa de úlceras por presión, catéter venoso central o movilidad reducida se asociaron con el desarrollo de EA evitables, por lo que un manejo óptimo de estos pacientes reduciría el impacto de los EA.

Introducción

El Marco Conceptual para la Clasificación Internacional para la Seguridad del Paciente, publicado en 2009 por la Organización Mundial de la Salud (OMS), define los eventos adversos relacionados con la atención sanitaria (EA) como incidentes que ocurren durante la atención médica y dañan a un paciente, produciéndole una lesión, sufrimiento, discapacidad o muerte [Citación1 ]. Se encuentran entre los principales problemas de atención hospitalaria [Citación2 ], comprometiendo la calidad óptima de la atención y provocando un aumento innecesario de la mortalidad y los costes sanitarios [Citación3 ]. Los AA pueden ser la tercera causa principal de muerte en los Estados Unidos [Citación4 ]. Los EA son una de las áreas de mejora dentro del ámbito de la Seguridad del Paciente. Por su importancia, la realización de políticas encaminadas a combatir los AA y promover la cultura de seguridad son estrategias que permiten mitigar su impacto [Citación5 ].

El primer paso para conseguirlo es medir la frecuencia de EA para conocer la magnitud del problema. Con este fin, Brennan et al. Metodología de (Harvard Medical Practical Study [HMPS], 1991) [Citación6 ] es el más utilizado, replicado y validado, lo que permite una alta comparabilidad [Citación7 ] y generando un cuerpo de evidencia científica. Según los estudios realizados con esta metodología, la incidencia de EA oscila entre el 3,7 y el 37%, la mitad de ellos evitables.Citación8-13 ]. Trabajos posteriores han estimado una prevalencia del 11% [Citación13 ]. La alta frecuencia y el impacto de los AA impulsaron la publicación del libro To Err is Human [Citación14 ] informe en 2000 y el desarrollo de numerosos programas de prevención de errores médicos [Citación15 ,Citación 16 ].

Los EA evitables son particularmente significativos, ya que están asociados con la muerte del paciente al final de la hospitalización.Citación17 ]. La evitabilidad oscila entre el 30 y el 84% [Citación18 ] de AE, lo que significa que existe un potencial intrínseco para desarrollar medidas de mejora [Citación19 ,Citación20 ], y estudiar estos EA es un medio eficaz para mejorar la calidad de la atención.

Aunque se han realizado numerosos estudios centrados en los EA, falta evidencia de los factores de riesgo relacionados con los EA evitables. Además, muy pocos trabajos han analizado la relación entre los EA y la muerte del paciente. Bajo esta premisa, este estudio, que se incluyó en el Estudio de Incidentes de Seguridad del Paciente en Hospitales de la Comunidad de Madrid (ESHMAD) [Citación21 ,Citación22 ], surge con la intención de analizar de forma pionera los factores relacionados con EA evitables. Otros objetivos fueron medir la prevalencia de EA, su asociación con la muerte de los pacientes durante la hospitalización y el costo económico de los EA en un hospital de alta complejidad. Con ello se pretende mejorar el conocimiento de los EA y encontrar potenciales áreas de mejora en la Seguridad del Paciente.

Materiales y métodos

Diseño y selección de muestras.

Se trata de un estudio observacional, descriptivo, transversal. Se incluyeron todos los pacientes hospitalizados en un hospital de alta complejidad e identificados en un corte transversal dibujado al inicio de un día de atención en la segunda semana de mayo de 2019. Según la metodología, los pacientes debían ser hospitalizados durante la primera fase del estudio. Cada sala de hospitalización fue asignada a un revisor, de tal manera que debía realizar el corte transversal en uno de esos días de la semana. Se excluyeron los pacientes ingresados dentro de las 24 h previas o en el Servicio de Urgencias. El estudio se realizó de acuerdo con Brennan et al. metodología en el Estudio de Práctica Médica de Harvard (HMPS) [Citación6 ], en dos fases:

Detección de AE con la Guía de detección de AE, basada en el Formulario de revisión de detección de Brennan et al. [Citación6 ,Citación23 ], modificado tras la ENEAS [Citación12 ,Citación24 ], IBEAS [Citación13 ], y EPIDEA [Citación25 ] estudios, y adaptado para la realización simultánea del Estudio de Prevalencia de infecciones nosocomiales en España (EPINE) [Citación26 ]. El Formulario de Revisión de Cribado también está validado con alta sensibilidad para el cribado de EA, con un valor predictivo negativo del 99,5% [Citación23 ]. Se recogieron variables epidemiológicas de todos los pacientes incluidos en la muestra. Esta fase fue realizada por trabajadores de la salud.
Fase de verificación, clasificación y caracterización de EA aplicando la versión en español del Modular Review Form 2 (MRF2) [Citación12 ,Citación13 ,Citación24 ,Citación27 ]. Este es un formulario validado que se aplicó únicamente a aquellos seleccionados como positivos en la fase anterior y clasificados como EA (eventos calibrados) o falsos positivos (si no se detectaron EA potenciales o activos en el momento del estudio). Además, MRF2 permitió clasificar los EA y evaluar su impacto y evitabilidad. Profesionales sanitarios con formación específica realizaron una revisión por pares de todos los pacientes incluidos en esta fase. El grado de confiabilidad de esta herramienta estimado en estudios previos fue bueno (kappa = 0,61) [Citación6 ].

El estudio se realizó a partir de una muestra parcial de la base de datos del Estudio de Incidentes de Seguridad del Paciente en Hospitales de la Comunidad de Madrid (ESHMAD). El estudio ESHMAD quiso estimar la prevalencia de EA en 34 hospitales públicos de la Comunidad de Madrid [Citación21 ,Citación22 ]. La base de datos ESHMAD también se utilizó en otro trabajo, que se centró en cómo las intervenciones quirúrgicas podrían aumentar el riesgo de desarrollar un EA en los pacientes quirúrgicos de toda la muestra.Citación28 ].

Variables de estudio

Todas las variables se recopilaron en base a estudios previos realizados [Citación29 ], como edad, sexo del paciente, tipo de servicio de hospitalización (clasificado como especialidad médica, quirúrgica, unidad de cuidados intensivos [UCI], pediátrico y psiquiatría), presencia o ausencia de factores de riesgo intrínsecos (FRI) (insuficiencia renal, cardiovascular enfermedad pulmonar obstructiva crónica, inmunodeficiencia, neutropenia, cirrosis hepática, hipoalbuminemia, úlceras por presión, movilidad reducida, déficits sensoriales, obesidad y tabaquismo activo), presencia o ausencia de factores de riesgo extrínsecos (FER) (cirugía previa, catéter vascular periférico, catéter vascular central, intubación urinaria), motivo del alta, estancia previa al cribado y estancia total. También se calculó el índice de comorbilidad de Charlson para estimar el grado de comorbilidad antes del ingreso.Citación30 ].

Se registró el tipo de EA y se estudió el impacto en el paciente registrando el número de días de estancia y los tratamientos adicionales administrados como resultado. La gravedad de los EA se clasificó aplicando el Marco Conceptual para la Clasificación Internacional para la Seguridad del Paciente, publicado por la OMS en 2009.Citación1 ]: ‘leve’ para EA que no afectaron el tratamiento ni la duración de la hospitalización; «moderado», lo que lleva a un reingreso o días adicionales en el hospital y; «grave» si el paciente requirió más cirugía o contribuyó a una discapacidad permanente o la muerte.

También se analizó: (1) relación entre EA potencial y atención sanitaria y (2) grado de evitabilidad del EA. Se aplicó una escala validada y específica del MRF2 a ambos [Citación5 ,Citación23 ], (una escala de 1 a 6; siendo ‘1′ ‘relación/evidencia mínima’ y ‘6’ una ‘relación/evidencia casi segura’; los valores ≥4 se consideraron positivos).

Se estimó el coste asociado a los días adicionales de hospitalización derivados de los EA, tanto de forma global como desglosado según si los EA eran o no evitables. Para estos efectos, los costos atribuibles a los días adicionales de estadía de cada Unidad de Cuidado se calcularon utilizando los equivalentes monetarios proporcionados por el departamento de contabilidad del hospital para el año 2019. Se utilizó una equivalencia monetaria específica para cada Unidad de Cuidado.

análisis estadístico

En primer lugar se realizó un análisis descriptivo y bivariado por paciente. Para ello se utilizaron medidas centrales (media y mediana) y de dispersión (desviación estándar [s] y rango intercuartil [RI]) en las variables cuantitativas, y se estimaron proporciones para las variables cualitativas. Para el análisis bivariado con prueba de contraste de hipótesis: en variables cuantitativas se utilizó la t de Student o la U de Mann-Whitney después de evaluar su distribución normal; en variables cualitativas se utilizó la prueba de chi-cuadrado o de Fisher según fuera paramétrica o no paramétrica. Se consideraron estadísticamente significativos valores de p < 0,050.

En segundo lugar, se exploraron variables asociadas a la muerte de un paciente mediante un análisis de regresión logística multivariado predictivo. Después de explorar la asociación en un análisis bivariado, se utilizó una estrategia de modelado hacia atrás con un valor p de salida de 0,100. Para corregir el sobreoptimismo del modelo se utilizaron técnicas de remuestreo (Bootstrap) y se midió la bondad de ajuste con la prueba de Hosmer-Lemeshow. El índice de Charlson se mantuvo en el modelo porque se relacionaba con un mal pronóstico.Citación30 ].

Posteriormente se analizaron los registros con AE. Se realizó un análisis descriptivo y bivariado estratificando por evitación del EA. Se analizó el tipo de EA, tiempo de aparición del EA, gravedad, cuidados sanitarios directos derivados del EA y modificación de la estancia. El coste total de los EA se estimó a partir de los días de estancia sumados por unidad asistencial. Para el análisis bivariado con prueba de contraste de hipótesis: en variables cuantitativas se utilizó la prueba t de Student o U de Mann-Whitney después de evaluar su distribución normal; en variables cualitativas se utilizó la prueba de chi-cuadrado o de Fisher según fuera paramétrica o no paramétrica. Nuevamente, los valores de p < 0,050 se consideraron estadísticamente significativos.

Finalmente, se exploraron variables asociadas con registros de EA evitables mediante un análisis de regresión logística multivariado predictivo. En este modelo, se excluyeron los registros de EA no evitables para evitar posibles sesgos. Se utilizó una estrategia de modelado hacia atrás con un valor p de salida de 0,100. Para corregir el sobreoptimismo de los modelos se utilizaron técnicas de remuestreo ( Bootstrap ) y se midió la bondad de ajuste con la prueba de Hosmer-Lemeshow .

Para el análisis estadístico se utilizó el software STATA versión 16.Citación31 ].

Características de la muestra

Un total de 636 pacientes cumplieron los criterios de inclusión. La edad media fue 66,5 años y la edad mediana fue 70 años. No se encontraron diferencias relevantes en cuanto al sexo. El 66,3% de los ingresos fueron urgentes, y el área médica tuvo el mayor número de pacientes (46,4%). La estancia media y mediana previa a la selección fue de 12,5 y 5,0 días, respectivamente. Un 6,3% de los pacientes fallecieron durante el ingreso (tabla 1).

Factores asociados con EA

La mayor prevalencia de AA se produjo en la UCI (36,1%), seguida de los servicios quirúrgicos (11,6%), médicos (11,5%), pediatría (5,6%) y psiquiatría (0,0%; p <0,001). Al comparar a los pacientes con ≥ 1 EA versus aquellos sin EA se observó una mayor edad media (71,9 años, frente a 65,7; p = 0,021) y estancia previa (28,0 días, frente a 10,3; p < 0,001). Además, se detectó una mayor prevalencia de EA en los pacientes sometidos a cirugía (16,2% versus 10,1%; p = 0,025).

La prevalencia de EA aumentó con el número de IRF (2,3% para pacientes sin IRF; 10,2% para 1 IRF; 8,1% para 2 IRF; y 15,6% para ≥3 IRF; p = 0,014), con diferencias significativas para las úlceras por presión ( 39,4% versus 11,0%; p < 0,001), hipoalbuminemia (18,9% versus 9,5%; p < 0,001), movilidad reducida (18,4% versus 8,8%; p < 0,001), ACV (prevalencia 16,5% versus 7,5%; p < 0,001 ). ) y déficit sensorial (17,5% versus 11,0%; p = 0,040).

El aumento paulatino de los FER supuso un aumento en la prevalencia de EA (6,5% para pacientes sin FER; 10,9% para 1 FER; 21,1% para 2 FER; y 26,3% para ≥ 3 FER; p < 0,001), con diferencias significativas para la presencia de catéter urinario (20,9% versus 12,2%; p < 0,001), catéter venoso central (20,2% versus 10,9%; p = 0,008) y catéter venoso periférico (14,5% versus 8,7%; p = 0,039). En la Tabla S1 del Material complementario se proporciona información adicional sobre todos los IRF y ERF analizados .

Asociación entre muerte y EA

De los 636 pacientes, 40 fallecieron durante el ingreso. Como resultado, hubo una mayor prevalencia de EA (30,0% entre los pacientes fallecidos versus 11,2 en los no fallecidos; p < 0,001) (tabla 1).

Al ajustar por edad, sexo, índice de Charlson, tipo de ingreso y tipo de servicio, el ingreso urgente supuso un aumento del 17,1 en el riesgo de muerte (OR[IC95%]: 17,11[6,33 a 46,26] versus el ingreso programado), así como el La estancia en UCI (OR[IC95%]: 5,77[1,74 a 19,15], versus estancia en especialidad médica), ser hombre (OR[CI95%]: 2,16[1,01 a 4,64 versus mujer], la presencia de EA (OR[ IC95%]: 2,15[1,07 a 4,52], versus ausencia) y edad (OR[CI95%]: 1,04[1,01 a 1,07] por cada año de aumento) (Tabla 2).

La bondad de ajuste del modelo se evaluó con la prueba de Hosmer-Lemeshow, obteniendo un valor de p = 0,109, y no se observaron diferencias entre los hallazgos y lo esperado.

Impacto y evitabilidad de los EA

Se detectaron un total de 121 EA en los 79 pacientes. El tipo de EA más frecuente fueron las infecciones asociadas a la atención sanitaria (IACS; 44,6%), las complicaciones de un procedimiento (24,8%) y las complicaciones de la atención (19,8%). El 55,4% de los AA se produjeron durante la atención en planta, el 61,1% fueron moderados o graves y el 99,2% afectaron a cuidados sanitarios posteriores. Además, el 59,5% de los EA alargaron la estancia hospitalaria o provocaron el reingreso, sumando un total de 2.001 días de hospitalización y 206 días de estancia en UCI (17,3 y 1,7 días de media, respectivamente). El coste económico directo total de la ampliación de estancia por EA fue de 909.716,8 € y 12.461,9 € por paciente con EA.

La evitabilidad se evaluó en 117 EA; 83 fueron evitables (70,9%). Los tipos de EA evitables más frecuentes fueron las IAAS (42,2% del total de EA evitables), seguidos de las complicaciones de la atención (28,9%) y las complicaciones de un procedimiento (16,9%). Los 24 EA (100,0%) producidos por complicaciones asistenciales se consideraron evitables. El 49,4% de los EA evitables tuvieron un impacto moderado-grave (comparado con el 85,3% de los no evitables; p < 0,001) y el 47,0% prolongaron la estancia hospitalaria o el reingreso (comparado con el 85,3% de los no evitables; p < 0,001). El número total de días de hospitalización y estancia en UCI causados por EA evitables fue de 1.183 y 151 días, respectivamente. Los costes económicos directos de los EA evitables y no evitables fueron de 581.643,0 € y 328.083,8 €, respectivamente

El ajuste de los factores de riesgo asociados a los registros con EA evitables en un modelo multivariado reveló una asociación para su desarrollo con la presencia previa de úlceras por presión (OR[IC95%]: 2,77 [1,39 a 5,51]), con el ingreso a UCI (OR[IC95%] : 2,75 [1,07 a 7,06]), en comparación con el ingreso a la especialidad médica, el catéter venoso central (OR[IC95%]: 2,58 [1,33 a 5,00]) y la movilidad reducida (OR[IC95%]: 2,24 [1,35 a 3,71] ), en contraposición a su ausencia. Además, el modelo mostró bondad de ajuste óptima (Prueba de Hosmer-Lemeshow: p = 0,434) (Tabla 4).

Discusión

Se detectó una prevalencia de EA del 12,4%, siendo las más frecuentes las IAAS (44,6%). Aproximadamente la mitad tuvo consecuencias moderadas-graves para los pacientes, y el 59,5% supuso una estancia hospitalaria prolongada, con 2.093 días adicionales de hospitalización y un coste asociado de 909.716,8 €. Además, el 99,2% de los EA requirieron atención sanitaria adicional. El aumento gradual de IRF y ERF resultó en un aumento dosis-respuesta en la prevalencia de EA, asociados con enfermedades cardiovasculares, hipoalbuminemia, movilidad reducida y úlceras por presión en IRF y catéter urinario, catéter venoso periférico y catéter venoso central en ERF. El 30% de los pacientes fallecidos tuvieron EA y la evitabilidad global fue del 70,9%.

En primer lugar, interesa el diseño metodológico para dar contexto. Como parte de la medición de EA, Brennan et al. El estudio realizado en Nueva York, Estados Unidos, en 1991 marcó el inicio del desarrollo de estudios utilizando la metodología HMPS, permitiendo la comparabilidad de los resultados [Citación6 ]. Este estudio y los realizados posteriormente por Thomas et al. en Utah y Colorado en 1992 [Citación8 ], Wilson et al. en Australia en 1995 [Citación9 ] y Vicente et al. en el Reino Unido en 2001 [Citación10 ] evaluó el impacto de los errores médicos y los EA a partir de diseños longitudinales. Si bien establece relaciones de causalidad e identifica un mayor número de EA, esta metodología consume más recursos y dificulta la evaluación de tendencias en el tiempo. Adaptando la metodología HMPS [Citación6 ] a un diseño transversal permite una vigilancia eficiente de los EA hospitalarios. Identificar EA más largos a partir de una revisión más breve de la EMR y permitir comparar los resultados del Hospital en cortes transversales realizados en diferentes momentos [Citación32 ,Citación33 ].

La frecuencia estimada de AA en otros estudios oscila entre el 3% de Brennan et al. [Citación6 ] y Thomas et al. [Citación8 ] – que sólo analizaron los episodios para encontrar un EA por paciente – al 34,0% de Larsen et al. en UCI pediátricas en 2007 [Citación34 ]. Posteriormente, en España, en 2005, el estudio ENEAS detectó una incidencia de EA del 9,3% y fue el primero en analizar el total de EA por episodio.Citación12 ]. En un metaanálisis realizado por Schwendimann et al. en 2018 [Citación35 ], la frecuencia de EA fue del 10,0%, y el tipo de EA más frecuente fueron las complicaciones de un procedimiento, seguido de los efectos adversos de los medicamentos y las IAAS. Esta diferencia en los tipos de EA más frecuentes detectados en nuestro estudio se explica por dos motivos. Por un lado, existe una falta de consenso en la clasificación de los tipos de EA. En este estudio hemos utilizado el criterio establecido por el estudio EPINE, que pretende ser sensible en su detección [Citación26 ]. La segunda razón es la metodología transversal. Las IAAS tienden a prolongar la estancia hospitalaria en comparación con otros EA, por lo que su proporción en un área transversal posiblemente esté sobreestimada. Sin embargo, esto no tiene ningún impacto en el estudio.

En nuestro estudio, una prevalencia de AA del 12,4% es un valor intermedio para hospitales de alta complejidad. Debe contextualizarse con otros estudios de diseño transversal, como el IBEAS, realizado en 2009 en 58 hospitales de media y alta complejidad en Argentina, Colombia, Costa Rica, México y Perú [Citación13 ]. Este estudio mostró una prevalencia del 10,5% y casi del 12,0% en hospitales de alta complejidad. Las IAAS también fueron el tipo de EA más frecuente (37,1%), y más del 60,0% tuvieron un impacto moderado-grave en el paciente. Se observó una menor frecuencia de EA entre los pacientes pediátricos, lo que coincide con los hallazgos de Requena et al. en 2011 [Citación36 ]. Los pacientes que llevaban más tiempo en el hospital cuando fueron examinados tenían una mayor prevalencia de EA, lo que podría deberse a que los EA prolongaban la estancia hospitalaria en el 50% de los casos. Esta proporción de AA que prolongaron la estancia hospitalaria es consistente con los hallazgos de Sousa et al. en 2018 [Citación37 ].

Un 15,2% de los pacientes con EA fallecieron durante su estancia hospitalaria. Esta relación fue estudiada originalmente por Brennan et al. descriptivamente, con el 13,6% de los EA asociados con la muerte del paciente [Citación6 ]. En 2004, Baker et al. en Canadá encontró 15,9% [Citación11 ]. Estudios más recientes, como el de Tartaglia et al. en Italia en 2012 [Citación38 ], y Sousa et al. en Portugal, en 2014 [Citación39 ], encontraron 10,6% y 10,8%, respectivamente. Estas cifras son ligeramente inferiores a las de nuestro estudio, aunque longitudinales.

Por otro lado, el diseño transversal tiende a sobrerrepresentar los EA con consecuencias más graves para el paciente, sobreestimando así la proporción de EA asociados con la muerte.Citación33 ]. En el estudio IBEAS, el 5,7% de los EA se asociaron con la muerte, pero la muestra es de comparabilidad limitada, ya que se trata de una población más joven (edad media de 45 años frente a 70 años en este estudio).Citación13 ]. Este estudio estimó una medida ajustada de asociación sobre cuánto aumenta el riesgo de morir por EA. Este valor fue más del doble (OR[IC95%]: 2,15[1,07 a 4,52]) ajustado por edad, sexo, tipo de ingreso, Índice de Charlson y tipo de servicio, siendo la asociación congruente con lo encontrado en el estudio de Martins et al. en Brasil, en 2011, que estimó un OR de más de 9 [Citación17 ].

Un total de 70,9% de los EA identificados fueron evitables. El valor de evitabilidad fue mayor que el observado por Lessing et al. y Panigioti et al. en sus metaanálisis de 2010 y 2019, respectivamente (50,0%, independientemente del tipo de área asistencial), con un impacto similar en el paciente (la mitad de los EA con impacto moderado-grave) [Citación18 ,Citación40 ]. Además, se ha encontrado que el 100% de los AA relacionados con complicaciones de la atención fueron clasificados como evitables. Estos datos son variables en la literatura científica, pero la tendencia es consistente con este resultado.

El metaanálisis de Panigioti et al. encontró que los efectos adversos de los medicamentos (25%) y las complicaciones en la atención (24%) eran los más evitables [Citación18 ]. y un estudio de D’amour et al. en Canadá en 2014 se estimó que la atención inadecuada era responsable del 76,8% de los EA, que eran, por tanto, los más evitables [Citación41 ]. Las IAAS fueron clasificadas como evitables en un 66%, algo más que el 60% encontrado por Corrales-Fernández et al. en 2011 [Citación42 ].

En cuanto a los días de hospitalización, en este estudio los EA evitables provocaron más días de estancia adicional que los inevitables (1.203 días adicionales de estancia, frente a 819 días de EA inevitables), lo que se tradujo en mayores costes económicos directos asociados (581.643,0 €, frente a 328.083,8 €). , respectivamente). Si se extrapola esta estimación a los 70 hospitales que hay en España con más de 500 camas [43 ], los EA evitables que sufren los pacientes hospitalizados derivados de un corte transversal supondrían unos costes extra de 40,7 millones de euros.

Definición de valor en: la «atención médica basada en el valor»

El histórico informe de la OCDE de 2017 sobre «Gasto innecesario en salud» [1] presentó datos alarmantes sobre la atención inadecuada y el desperdicio de recursos. El informe subraya que una cantidad significativa del gasto sanitario es «en el mejor de los casos ineficaz y, en el peor, derrochador». Las estimaciones del desperdicio de recursos sanitarios oscilan entre un conservador 10% [1] y un 34% en los EE. UU. [2]. Por otro lado, las necesidades de atención de muchos pacientes siguen sin ser satisfechas: se estima que a uno de cada tres pacientes no se le ofrece la atención que necesita [3]. Sin intervenciones políticas, los sistemas sanitarios europeos corren el riesgo de ofrecer una cantidad cada vez mayor de cuidados de bajo valor, mientras que no se destinan recursos suficientes a los cuidados de alto valor. Muchas iniciativas regionales o nacionales europeas han comenzado a abordar el problema del gasto innecesario mediante la identificación de cuidados de bajo valor, pero solo unas pocas (si es que hay alguna) han comenzado a tomar medidas para reorientarlos hacia cuidados de alto valor.
Hoy en día, todos los sistemas sanitarios están sometidos a la presión de adaptarse a la presión al alza de los costes asociados a los nuevos desarrollos tecnológicos, a los pacientes cada vez más complejos con múltiples enfermedades crónicas, al aumento de las expectativas del público y a los cambios en la práctica clínica. En este contexto, es cada vez más importante que los sistemas de salud gasten los recursos de los que disponen de manera inteligente y eficiente. En consecuencia, algunos consideran que los sistemas de salud basados en el valor son un cambio de sistema que podría mejorar la calidad de la atención sanitaria para los pacientes y, al mismo tiempo, hacer que la atención sanitaria sea más rentable. Sin embargo, no existe una definición única de la atención sanitaria basada en el valor, ni siquiera de lo que significa el valor en el contexto de la salud. Lo que un paciente considera valioso puede no ser lo mismo que lo que un médico considera valioso. Además, los intereses y valores de las diferentes partes interesadas, como los pagadores, los proveedores de asistencia sanitaria o los productores de medicamentos y productos sanitarios, no estarán alineados. Se pide al Grupo de Expertos sobre Formas Eficaces de Invertir en Salud que presente su análisis sobre los siguientes puntos: a) ¿Cómo se define el valor de la «atención sanitaria basada en el valor»? ¿Qué aspectos de los sistemas de salud podrían abarcar las diferentes definiciones? b) ¿Cómo puede la «asistencia sanitaria basada en el valor» informar la toma de decisiones, contribuir a la transformación de los sistemas sanitarios y ayudar a los sistemas sanitarios de toda la Unión Europea a ser más eficaces, accesibles y resilientes?

2. ANTECEDENTES DE POR QUÉ ES ESENCIAL EL NUEVO PARADIGMA DE LA ATENCIÓN SANITARIA BASADA EN EL VALOR

La medicina ha avanzado enormemente en los últimos cuarenta años como consecuencia de dos tendencias. En primer lugar, se han producido notables avances tecnológicos como la prótesis de cadera, el trasplante de órganos, la quimioterapia, la resonancia magnética (RM) y, cada vez más, nuevos tratamientos para enfermedades raras basados en avances genómicos. En segundo lugar, se ha producido un aumento constante de la inversión en asistencia sanitaria, ya sea a través de los impuestos o indirectamente a través de los sistemas de seguros, por lo que ahora alrededor del 10 % del PIB de la UE –aunque con notables diferencias entre países (el 4,95 % del PNB en Rumanía y el 11,15 % en Alemania [4])– se invierte en asistencia sanitaria y social. Todas las naciones europeas están comprometidas con la cobertura sanitaria universal (CSU) y esto se ha reforzado mediante la adopción de los Objetivos de Desarrollo Sostenible (ODS) de las Naciones Unidas (ONU), el Objetivo 3 sobre salud y la meta de la CSU en el mismo. Si bien existe un acuerdo sobre la cobertura sanitaria universal, existen diferencias importantes en cuanto a quién está cubierto, qué servicios están cubiertos (por ejemplo, existen diferencias importantes en la cobertura de los cuidados de larga duración), los niveles de protección financiera y la participación en los costos, así como la calidad de los servicios. A pesar de la aceptación generalizada de la cobertura sanitaria universal, ahora consagrada como una meta en los Objetivos de Desarrollo Sostenible, se reconoce que este compromiso plantea un desafío debido a tres tendencias. El primero es el envejecimiento de la población y los correspondientes desafíos organizativos para atender a los pacientes con enfermedades multimórbidas y crónicas. El segundo es el desarrollo de nuevas intervenciones para la prevención y el tratamiento de enfermedades que han demostrado ser eficaces y rentables mediante la investigación, pero que requieren que se inviertan recursos adicionales o que se adopten en la práctica sin detener las intervenciones de menor valor a las que pretendían sustituir. El tercero se ha denominado un aumento incesante en el volumen y la intensidad de la práctica clínica. Por ejemplo, una revisión de las tendencias temporales de las pruebas de laboratorio en los entornos de atención primaria del Reino Unido (véase la Figura 1) demostró un aumento de tres veces entre 2000 y 2015, y cada médico de cabecera (GP) dedica ahora 70 minutos al día a analizar los resultados de diagnóstico (laboratorio, radiología, etc.) [5, 6].

Los recursos disponibles, no solo financieros sino también en términos de tiempo, son finitos, por lo que es esencial que los pacientes y los médicos obtengan el mayor valor de lo que está disponible. Atención sanitaria basada en el valor 11 Figura 1: Tendencias temporales en el uso total de pruebas (diagnósticas) por tipo Fuente: O’Sullivan 2018 [5] Se prevé que la necesidad y la demanda de atención sanitaria derivadas de estas tendencias aumenten a un ritmo más rápido que la inversión, por lo que está claro que se habrán tomado medidas para cerrar la brecha entre la necesidad y la demanda, por un lado, y los recursos, por otro, para lograr y garantizar la sostenibilidad financiera de la cobertura de salud. La cobertura sanitaria universal tiene por objeto proporcionar asistencia sanitaria y protección financiera a todos los residentes de un país o región determinados, pero el reto es que la demanda de satisfacer todas las necesidades percibidas (de los pacientes individuales) en materia de atención sanitaria debe equilibrarse con otros objetivos y necesidades sociales (por ejemplo, la educación).

El primer brazo de una estrategia para aumentar el valor en la atención sanitaria es continuar e incrementar los procesos de mejora que han sido tan importantes en los últimos veinte años, a saber:

1. Prevención, no solo la prevención primaria de la enfermedad, sino también la prevención terciaria, por ejemplo, la aparición de demencia y fragilidad para reducir la necesidad de tratamiento.

2. Mejorar los resultados proporcionando solo intervenciones costo-efectivas evaluadas por un proceso de Evaluación de Tecnologías Sanitarias (ETS) y análisis de costo-beneficio, eventualmente financiadas por la interrupción de intervenciones de menor valor.

3. Mejorar los resultados mediante el aumento de la calidad y la seguridad de los procesos.

4. Aumento de la productividad. 12

Estas iniciativas sanitarias han sido muy importantes, pero a pesar de que se han aplicado ampliamente, tres problemas se han desarrollado, persistido o incluso aumentado en todos los países:

1. Uno de estos problemas es la variación injustificada, es decir, la variación en la inversión, el acceso, la actividad o el resultado, que no puede explicarse ni por la variación de la necesidad ni por la elección explícita de las poblaciones atendidas. Es importante reconocer que esto es diferente de la variación en la calidad y la seguridad, en la que existe un acuerdo claro sobre lo que constituye un buen o mal nivel de rendimiento, por ejemplo:

• Un alto porcentaje de pacientes con ictus que ingresan en una unidad de ictus es bueno, y

• Un bajo porcentaje de personas que se han sometido a una prótesis articular que necesitan cirugía correctiva es bueno. Sin embargo, no hay acuerdo sobre la tasa correcta en una población de, por ejemplo, la prescripción de antidepresivos; resonancias magnéticas y otros exámenes radiológicos; artroplastia de rodilla; operación de cataratas; Pruebas de PSA; intervenciones paliativas domiciliarias o el monto de la inversión para personas con problemas musculoesqueléticos. Se pueden encontrar variaciones injustificadas en todos los países y esto revela los otros dos desafíos principales: 2. Infrautilización de intervenciones efectivas que resulta en la falta de detección, tratamiento o prevención de las enfermedades y discapacidades que la atención médica puede detectar, abordar (tratar) y que también pueden agravar … o inequidad, por ejemplo, «inequidad por enfermedad», en pacientes con el mismo estado funcional pero diferente «diagnóstico», especialmente cuando el diagnóstico está condicionado al reembolso de las intervenciones. 3. Uso excesivo que siempre resulta en a. desperdicio, es decir, cualquier cosa que no agregue valor al resultado para los pacientes o utilice recursos que podrían dar mayor valor si se usaran para otro grupo de pacientes y también puede resultar en … b. el daño al paciente en términos de sobrediagnóstico, ansiedad, tratamiento excesivo y efectos secundarios de la atención innecesaria, incluso cuando la calidad de la atención es alta Para hacer frente al reto de garantizar la sostenibilidad financiera de la cobertura sanitaria universal y encontrar recursos para financiar innovaciones de probada eficacia en función de los costos, es esencial identificar el uso excesivo y el despilfarro y cambiar los recursos de la atención sanitaria de menor valor a la de mayor valor. El alcance de la atención de menor valor y, por lo tanto, el margen de reinversión Atención médica basada en el valor 13 Las estimaciones de la OCDE sugieren que al menos el 10% de todos los recursos invertidos en atención médica no ofrecen un buen retorno de la inversión. Esto puede deberse a que la inversión en, por ejemplo, altos niveles de cirugía electiva, cirugía asistida por robot, equipos de imagen, pruebas de laboratorio o prescripción de ciertos tipos de medicamentos ha ido más allá del punto de optimalidad en el que se maximiza el valor (la diferencia entre los beneficios de los pacientes y los costes de los proveedores). El aumento de los recursos más allá de este punto sigue generando beneficios adicionales para la salud (hasta cierto punto), pero estos están por debajo de los costes adicionales.

Además, hay una deriva hacia nuevas actividades de menor valor, estimadas por el Programa Rightcare del NHS de Inglaterra que representan alrededor del 2% del presupuesto sanitario anual, lo que refleja dos tendencias:

• Nueva tecnología que puede ser rentable pero que se introduce sin desviar recursos de la actividad de menor valor para financiar la innovación,

• El aumento inexorable del volumen y la intensidad de la práctica clínica, ilustrado por el crecimiento de las pruebas de laboratorio y las imágenes médicas. Por lo tanto, necesitamos obtener más valor de los recursos disponibles, no solo continuando con los cuatro procesos que han sido tan importantes en los últimos veinte años: prevención, toma de decisiones basada en la evidencia, mejora de la calidad y aumento de la productividad, sino también …

• Identificar los residuos, por ejemplo, minimizando los costes innecesarios.

• Trasladar los recursos de una actividad de menor valor a una de mayor valor.

• Evitar la deriva hacia la práctica de actividades de bajo valor,

• Garantizar que las personas que son tratadas por los servicios clínicos sean las que más se beneficiarían de esos servicios, es decir, tratar a las personas adecuadas en el momento adecuado y en el lugar adecuado. Atención sanitaria basada en el valor 15

• Y, por último, como consecuencia de todo lo anterior, encontrar un equilibrio entre la asistencia sanitaria que contribuya a mejorar los resultados y la consecución de objetivos que sean importantes para los pacientes individuales y que apoyen el valor subyacente de la solidaridad en las sociedades europeas. Este es el nuevo paradigma de la «atención sanitaria basada en el valor1», que es mucho más amplio que el término cada vez más utilizado «fijación de precios basada en el valor». Esta última es una cuestión importante que se examinará con más detalle más adelante, pero incluso cuando se ha utilizado la fijación de precios basada en el valor para determinar el precio y, por tanto, el coste para el pagador de la asistencia sanitaria, los que pagan por los servicios sanitarios siguen teniendo que comparar el valor relativo de la inversión necesaria con lo que podría lograrse si se utilizaran los mismos recursos para financiar otras innovaciones. para pagar otras intervenciones o incluso para hacer más de algo que ya existe.

Acceso y calidad de la atención electiva: un estudio de cohorte prospectivo que utiliza la cirugía de hernia como condición trazadora en 83 países

Unidad de Investigación de Salud Global del NIHR sobre Cirugía Global

La atención médica electiva oportuna y segura facilita el regreso de los pacientes a sus actividades normales y previene las admisiones de emergencia. La cirugía es una piedra angular de la atención electiva y se basa en vías complejas. Este estudio tuvo como objetivo adoptar un enfoque de sistema completo para evaluar el acceso y la calidad de la atención médica electiva a nivel mundial, utilizando la hernia inguinal como condición trazadora.

Métodos

Este fue un estudio de cohorte internacional prospectivo realizado entre el 30 de enero y el 21 de mayo de 2023, en el que cualquier hospital que realizara reparaciones de hernia inguinal era elegible para participar. Se incluyeron pacientes consecutivos de cualquier edad sometidos a reparación primaria de hernia inguinal. Se definió un conjunto de mediciones asignado a los atributos de los componentes básicos del sistema de salud de la OMS para evaluar el acceso (tasas de cirugía de emergencia, tasas de resección intestinal y tiempos de espera) y la calidad (uso de mallas, tasas de casos ambulatorios y complicaciones postoperatorias). Estos se compararon entre los grupos de ingresos del Banco Mundial (países de ingresos altos, de ingresos medianos altos, de ingresos medianos bajos y de ingresos bajos), ajustados por hospital y país. Los factores asociados con las complicaciones posoperatorias se exploraron con un modelo de regresión logística multinivel de tres niveles.

Recomendaciones

Se incluyeron 18.058 pacientes de 640 hospitales de 83 países, de los cuales 1.287 (7,1%) fueron sometidos a cirugía de urgencia. Las tasas de cirugía de emergencia aumentaron desde los países de altos ingresos a los de bajos ingresos (6,8%, 9,7%, 11,4%, 14,2%), acompañadas de un aumento en las tasas de resección intestinal (1,2%, 1 ·4%, 2,3%, 4,2%).

Los tiempos de espera generales para la cirugía electiva fueron similares en todo el mundo (mediana de 8,0 meses desde los síntomas hasta la cirugía), en gran parte debido a los retrasos entre la aparición de los síntomas y el diagnóstico en lugar de esperar el tratamiento.

En 14.768 operaciones electivas en adultos, el uso de mallas disminuyó desde los países de altos ingresos a los de bajos ingresos (97,6%, 94,3%, 80,6%, 61,0%). En los pacientes elegibles para cirugía ambulatoria (n = 12 658), las tasas de casos ambulatorios fueron bajas y variables (50,0%, 38,0%, 42,1%, 44,5%).

Las complicaciones ocurrieron en 2415 (13,4%) de 18 018 pacientes y fueron más comunes después de la cirugía de emergencia (odds ratio ajustado 2,06, IC 95% 1,72–2,46) y resección intestinal (1,85, 1, 31–2,63), y menos común después de la cirugía ambulatoria (0,39, 0,34–0,44).

Interpretación

Este estudio demuestra que la atención médica electiva es esencial para prevenir la dependencia excesiva de los sistemas de emergencia. Identificamos objetivos viables para fortalecer el sistema: vías de derivación claras y aumento de la reparación de mallas en entornos de bajos ingresos, e impulso de la cirugía ambulatoria en todos los entornos de ingresos. Estas medidas también podrían fortalecer las vías no quirúrgicas, reduciendo la carga para la sociedad y los servicios de salud.

Introducción

La atención sanitaria optativa sigue siendo la piedra angular del buen funcionamiento de los sistemas de salud,¹con ejemplos comunes que incluyen diagnóstico, cirugía y optimización de enfermedades cardiovasculares.²En una gama muy amplia de sistemas de atención de salud, la atención electiva permite una rápida recuperación de las actividades normales, reduce la necesidad de atención de emergencia compleja y reduce los costos de atención médica.

¹Durante y después de la pandemia de COVID-19, la atención electiva perdió prioridad y continúa luchando por recuperarse, particularmente en términos de acceso y volumen.^3, ⁴La continua despriorización está conduciendo a una espiral descendente de crecientes admisiones de emergencia y mayor estrés sobre la capacidad electiva restante, mientras que la gestión de crisis de las condiciones de emergencia se está convirtiendo rápidamente en la norma.^5, ⁶La atención médica electiva es un amplio espectro que incluye una amplia gama de enfermedades, diagnósticos y tratamientos, lo que significa que cualquier investigación debe estar enfocada.

¹Una afección trazadora es una afección común en la que se establecen el diagnóstico y el tratamiento, y la falta de tratamiento puede causar daño.⁷Una condición de seguimiento que sea común a países de todo el mundo y capaz de describir una vía de todo el sistema, podría evaluar la atención electiva posterior a la COVID-19 e identificar objetivos de mejora. Las hernias inguinales son una afección quirúrgica común y global y son adecuadas para tal tarea.⁸El Paquete de Cirugía Esencial del Banco Mundial identifica la hernia inguinal como una afección que genera una carga global sustancial, el tratamiento representa una necesidad quirúrgica sustancial y su reparación es rentable.⁹Los sistemas de salud de todo el mundo ofrecen reparaciones de hernia inguinal y existen pautas aceptadas para el tratamiento.¹⁰ ¹¹No ofrecer una reparación oportuna puede afectar la capacidad de los pacientes para realizar las actividades diarias, limitar su capacidad para realizar trabajos pesados, lo que genera costos sociales y puede aumentar la tasa de cirugía de emergencia.¹² ^13, ¹⁴

Investigación en contexto

Evidencia antes de este estudio La atención electiva es rentable, garantiza que los pacientes regresen rápidamente a sus actividades normales y previene las admisiones de emergencia. En parte debido a los cierres de la atención electiva por la COVID-19 y la posterior lenta recuperación, la atención médica se enfrenta a una crisis internacional, y la atención de emergencia se está convirtiendo en la norma. Está creando una espiral descendente que está reduciendo aún más la capacidad electiva. Planeamos utilizar la atención de la hernia inguinal como una condición de seguimiento (es decir, una condición para la cual existen definiciones aceptadas y tratamientos probados y rentables) para evaluar la atención médica electiva. Se buscaron en PubMed estudios globales que vincularan la evaluación de la atención médica y los datos a nivel de paciente. Utilizamos los términos de búsqueda «atención sanitaria electiva», «cirugía electiva» y «reparación de hernia inguinal», así como términos relacionados. No encontramos ningún estudio con datos recopilados de pacientes con hernias inguinales y evaluación del sistema de salud. Tampoco encontramos ningún estudio que evaluara los tiempos de espera para cirugía electiva a escala global antes de la pandemia. Sin embargo, identificamos la hernia inguinal como parte del Paquete de Cirugía Esencial del Banco Mundial y las pautas de colaboración HerniaSurge 2023, que establecen estándares aceptables y alcanzables en todo el mundo. Identificamos el Índice de Preparación Quirúrgica, que ayuda a los hospitales a establecer sistemas electivos resilientes, pero mostró una amplia variación global en la preparación. Revisamos la Comisión

Lancet de Cirugía (2015) y la Comisión

Lancet de Diagnóstico (2021), las cuales abogan por sistemas electivos más sólidos y pidieron investigaciones prácticas.

Valor añadido de este estudio

Este estudio utilizó la reparación de hernia como condición trazadora para la atención médica electiva. Demostró que las hernias inguinales son principalmente una enfermedad de pacientes en edad laboral en todo el mundo y, cuando se limitan a la región inguinal, se pueden tratar con cirugía ambulatoria, electiva y simple. Si se descuida, la necesidad de una cirugía de emergencia más compleja aumenta sustancialmente, al igual que las principales complicaciones de la resección intestinal que ponen en peligro la vida, lo que lleva a un retraso en la recuperación y a costos totales de atención médica mucho más altos. Los retrasos mostrados fueron en el diagnóstico, no en la espera de tratamiento. Además, se podría mejorar el acceso a la malla en entornos de bajos ingresos y promover la cirugía ambulatoria para hernias simples. Esto nos permitió identificar objetivos viables: mejorar el conocimiento de los trabajadores comunitarios y las vías de derivación es necesario en entornos de bajos ingresos, combinado con un programa global de mejora de la calidad para aumentar la disponibilidad de malla. La falta de malla en entornos de bajos ingresos expone las desigualdades en los dispositivos médicos asequibles y puede resolverse con la colaboración de la industria y un programa de capacitación global. Las tarifas por día para los pacientes elegibles todavía estaban lejos de los objetivos deseados en la mayoría de los entornos de ingresos, por lo que establecer vías específicas reducirá los costos generales, aumentará la capacidad y mejorará la resiliencia del sistema.

Implicaciones de toda la evidencia disponible

Si no se corrigen las espirales descendentes de dependencia de la atención de emergencia, la gestión de crisis se convierte en la norma en una amplia gama de condiciones, como se está viendo actualmente a nivel mundial. El fortalecimiento de las vías electivas también aliviará la carga de las vías de emergencia al evitar la presentación de emergencia por afecciones que pueden solucionarse en una etapa temprana con tratamientos simples. Puede promover una presentación más temprana para una cirugía de emergencia, como la cirugía de apendicitis, evitando también la necesidad de atención de emergencia compleja. Los formuladores de políticas pueden utilizar este estudio como indicador de otras condiciones electivas, que probablemente adolezcan de las mismas debilidades pero que son demasiado numerosas para estudiarlas individualmente. La detección oportunista y la optimización de trastornos no quirúrgicos (por ejemplo, aumento de la presión arterial, aumento del azúcar en la sangre) integrarían la cirugía en el sistema más amplio de atención primaria y preventiva de la salud en lugar de dejarla como una entidad independiente. Este enfoque de fortalecimiento del sistema también se aplicará en el tratamiento de la multimorbilidad. Todos estos factores, respaldados por una atención electiva oportuna, reducirán la carga sanitaria para la sociedad y los servicios de atención sanitaria.El estudio tuvo como objetivo adoptar un enfoque de sistema completo para evaluar el acceso y la calidad de la atención médica electiva en todo el mundo, utilizando la hernia inguinal como condición de seguimiento. Nos propusimos recopilar datos tanto a nivel de paciente como a nivel de sistema de salud, cerrando la brecha entre ambos. Diseñamos el análisis para identificar objetivos procesables directamente relevantes para la reparación de la hernia inguinal, pero con características que también podrían fortalecer vías de atención electiva más amplias. Aceptamos desde el comienzo de la planificación que una sola medida de resultado no sería apropiada para la evaluación de todo el sistema, por lo que nos propusimos diseñar el estudio de manera que informara de manera uniforme en todos los sistemas de salud.

Métodos

Diseño del estudio y participantes.

Realizamos un estudio de cohorte prospectivo, multicéntrico e internacional de pacientes sometidos a cirugía de hernia inguinal (HIPPO). Solo recopilamos datos de rutina y anonimizados, sin realizar ningún cambio en las vías de atención clínica existentes dentro de cada hospital. El estudio se registró de forma prospectiva en

ClinicalTrials.gov ( NCT05748886 ) y el protocolo completo está disponible en línea. Los investigadores principales locales eran responsables de buscar las aprobaciones de acuerdo con las normas vigentes. En algunos hospitales participantes, se obtuvo el consentimiento informado del paciente, mientras que en otros hospitales los comités de ética de investigación locales lo renunciaron. Cualquier hospital que realizara reparación de hernia inguinal era elegible para participar. Los líderes nacionales identificaron los hospitales elegibles y los invitaron a participar. Los hospitales participantes identificaron e incluyeron pacientes consecutivos de cualquier edad sometidos a reparación primaria de hernia inguinal como procedimiento principal durante un período de inclusión de 4 semanas, entre el 30 de enero y el 21 de mayo de 2023, con un período de seguimiento de 30 días después de la fecha de la cirugía. . Se incluyeron indicaciones tanto electivas como de emergencia. Se incluyeron todos los abordajes quirúrgicos, excepto las cirugías abiertas realizadas mediante incisión en la línea media, ya que representan operaciones más complejas, a menudo asociadas con otros procedimientos.

Conjunto de medidas

El Grupo de Gestión del Estudio identificó que ningún resultado único tendría validez aparente para evaluar con precisión el rendimiento de sistemas quirúrgicos completos, según la revisión de la literatura y las discusiones. Para tener una evaluación más completa del desempeño del sistema de cirugía electiva, necesitábamos considerar múltiples medidas diferentes. Por lo tanto, definimos un conjunto de mediciones a través de un proceso de consenso de múltiples etapas dentro del Grupo de Gestión del Estudio ( apéndice 1, p. 36 ). Las medidas que utilizamos fueron diseñadas para alinearse con los atributos de los componentes básicos del sistema de salud de la OMS: (1) acceso, incluidas medidas de acceso y cobertura, y (2) calidad, incluidas medidas de calidad y seguridad.¹⁵El conjunto de mediciones se organizó en seis medidas clave de desempeño y siete medidas descriptivas adicionales ( apéndice 1, p. 38 ). Utilizamos criterios de inclusión y exclusión por etapas para determinar la muestra en la que se evaluaría cada medida. Para abordar el acceso medimos: (1) tasa de emergencia: la proporción de pacientes sometidos a cirugía de emergencia (medible en todos los pacientes incluidos); (2) tasa de resección intestinal: la proporción de pacientes en los que se produjo la resección intestinal (todos los pacientes); y (3) tiempo de espera: tiempo entre la fecha de la cirugía y el inicio de los síntomas para pacientes sintomáticos y la fecha del diagnóstico para pacientes asintomáticos (solo cirugía electiva). Para abordar la calidad medimos: (1) tasa de uso de malla: la proporción de pacientes en los que se utilizó una malla de todos los pacientes en los que estaría indicada una malla según las directrices internacionales

¹¹(solo adultos sometidos a cirugía electiva); (2) tasa de casos ambulatorios: la proporción de pacientes que fueron dados de alta el mismo día de todos los pacientes para quienes se recomendaría la cirugía ambulatoria (adultos menores de 90 años, Sistema de Clasificación del Estado Físico de la Sociedad Estadounidense de Anestesiólogos [ASA] grado I-II, sometidos a cirugía electiva); y (3) complicaciones posoperatorias: definidas por la clasificación de Clavien-Dindo e incluyendo todos los grados I a V (todos los pacientes). Para evaluar mejor la seguridad, creamos un modelo de complicaciones teniendo en cuenta las características de la vía del paciente. La justificación detallada de las medidas clave de desempeño se describe en el apéndice 1 (pág. 39 ).También se definieron siete medidas descriptivas adicionales. Para describir mejor el acceso, utilizamos medidas a nivel hospitalario (vías estandarizadas para los pacientes, gestión de la lista de espera, disponibilidad de una unidad quirúrgica ambulatoria y métodos de financiación). Para describir la calidad, utilizamos medidas intraoperatorias que incluyen el operador principal (una variable autoidentificada de cirujano experimentado, cirujano en formación y médico no cirujano), anestesia utilizada (bloqueo local, regional, espinal y general) y abordaje quirúrgico. abierto, mínimamente invasivo y mínimamente invasivo convertido a abierto).

Gestión de datos

Los datos se recopilaron y almacenaron en línea a través de un servidor seguro que ejecuta la aplicación web Research Electronic Data Capture (REDCap).

El servicio fue administrado por el sistema REDCap de Global Surgery alojado en la Universidad de Birmingham, Reino Unido, y su seguridad se rige por las políticas de la Universidad de Birmingham. Los colaboradores recibieron detalles de inicio de sesión del servidor del proyecto REDCap, lo que permitió la entrada y el almacenamiento seguros de datos. Para obtener más información sobre la recopilación de datos, consulte

Validación de datos

Anteriormente hemos validado nuestra metodología de recopilación de datos en términos de determinación de casos y precisión de los datos.¹⁷ ¹⁸Cada líder del hospital era responsable de la precisión y la integridad de los datos recopilados y cargados por sus equipos. Los datos se verificaron de forma centralizada y cuando faltaban datos o no eran válidos, se contactaba al líder del hospital para completar y corregir los datos ingresados antes del bloqueo de datos. Después de esto, se excluyeron los hospitales participantes con una integridad de los datos inferior al 95%.

Tamaño de la muestra

Para garantizar la generalización global de los resultados y justificar los recursos invertidos en el estudio, estimamos un número mínimo de 300 hospitales que aportan datos a nivel de pacientes de 70 países, según estudios de cohortes anteriores (es decir, GlobalSurg, COVIDSurg).¹⁷ ¹⁸Suponiendo un promedio de 30 pacientes por hospital, predijimos un tamaño de muestra mínimo de 10 000 pacientes. Una muestra de 10 000 equivale a márgenes de error entre 0,2% y 0,85% dependiendo del resultado binario y una amplitud de 0,39 para el resultado continuo (consulte el apéndice 1 p. 40 para obtener detalles completos).

análisis estadístico

Los datos se asignaron a grupos de ingresos de países, que fueron definidos según el Banco Mundial en cuatro categorías: países de ingresos bajos (LIC), países de ingresos medianos bajos (PIBM), países de ingresos medianos altos (UMIC) y países de ingresos altos (PIA), ya que se ha reconocido ampliamente la importancia del nivel de ingresos del país en relación con el acceso y la calidad de la atención médica.⁶Las características continuas del hospital, del paciente y del intraoperatorio se presentaron como media y DE si estaban distribuidas normalmente y mediana y RIC si no estaban distribuidas normalmente. Las variables categóricas se describieron mediante frecuencias y porcentajes. Las tasas de medidas clave de desempeño por grupo de ingresos se presentaron con tasas ajustadas de modelos de regresión logística multinivel de tres niveles (hospital anidado dentro del país) e IC del 95%. Los tiempos de espera transformados logarítmicamente entre grupos de ingresos se resumieron utilizando medias geométricas e IC del 95 % de modelos de regresión lineal multinivel de tres niveles con una estructura similar a la anterior. Se utilizó un modelo de regresión logística multinivel de tres niveles para explorar la asociación de factores que describen la trayectoria del paciente con las complicaciones. Se incluyeron como covariables factores clínicamente plausibles acordados por el Grupo de Gestión del Estudio: grupos de ingresos, grupos de edad, grupos ASA, urgencia de la cirugía, tipo de anestesia, contaminación, resección intestinal, uso de malla y cirugía ambulatoria. Los hospitales ubicados dentro del país se incluyeron como efectos aleatorios. Para los análisis anteriores, se verificaron diagnósticos de ajuste del modelo apropiados para confirmar que la validez y los supuestos del modelo se cumplen para los datos. Todos los análisis estadísticos se realizaron utilizando R (versión 4.0.2). Se consideró estadísticamente significativo un valor de p inferior a 0,05.

Papel de la fuente de financiación

Los financiadores del estudio no tuvieron ningún papel en el diseño del estudio, la recopilación de datos, el análisis de los datos, la interpretación de los datos o la redacción del informe.

Resultados

Se recopilaron datos de 18.465 pacientes en 642 hospitales de 83 países que participaron en este estudio. De ellos, se excluyeron 407 pacientes y se analizaron datos de 18.058 pacientes, en 640 hospitales. Los motivos de exclusión, las proporciones dentro de cada grupo de ingresos y la distribución entre países se muestran en el apéndice 1 (págs. 48 y 49 ). La selección de pacientes, incluido el grupo de pacientes en el que se evaluó cada medida clave de desempeño, se presenta en la figura 1 .

En general, la mayoría de los pacientes eran hombres (16.205 [89,8%] de 18.044), con una mediana de edad de 57,0 años (RIQ 39,0–69,0;
tabla ). Hubo más pacientes con síntomas relacionados con su hernia inguinal (15.119 [83,8%] de 18.042) que pacientes sin síntomas. La mayoría de las hernias estaban limitadas en tamaño a la región inguinal (13 694 [75,9%] de 18 045), y el resto se limitaba al escroto. La mayoría de las operaciones se clasificaron como limpias (17 350 [96,2%] de 18 041). Otras características preoperatorias e intraoperatorias se describen en el apéndice 1 (págs. 41-43 ).

La mayoría de los pacientes incluidos se sometieron a cirugía en hospitales de nivel terciario (11.645 [65,1%] de 17.887; apéndice 1, p. 44 ). De los hospitales incluidos, la mayoría fueron financiados con fondos públicos (500 [80,1%] de 624; apéndice 1, p. 45 ). Además, la mayoría pudo realizar una cirugía de emergencia en 24 h (565 [90,5%] de 624).La tasa general de cirugía de emergencia fue del 7,1 % (1287 de 18 041 pacientes), que aumentó de los HIC a los LIC, como se muestra en la figura 2 . Esto estuvo acompañado por un aumento en la tasa de resección intestinal, de tasas ajustadas del 1,2% (105 de 9798 pacientes) en los países de ingresos altos al 4,2% (36 de 932) en los países de ingresos bajos.

Miniatura de figura gr2 — **Figura 2** Medidas clave de desempeño para evaluar el acceso y la calidadMostrar título completo Ver imagen grande Visor de figuras Descargar imagen de alta resolución Descargar (PPT)

La media geométrica del tiempo de espera global para la cirugía electiva fue de 8,0 meses (IC del 95%: 7,8–8,1). Los tiempos de espera generales para los pacientes electivos fueron ligeramente más largos en los países de ingresos altos (media geométrica de 8,2 meses) y más cortos en los países de ingresos bajos y medianos (media geométrica de 5,9 meses). Al observar con más detalle los componentes del tiempo de espera global, aparecieron diferencias importantes, particularmente después de que se estableció el contacto con el sistema de salud. Después del diagnóstico, el tiempo de espera para la cirugía fue de 3,6 meses en los países de ingresos altos, pero solo de 1,2 meses en los países de bajos ingresos (

figura 3 ).

Miniatura de figura gr3 — **Figura 3** Componentes de los tiempos de espera para la cirugía electiva en todos los grupos de ingresosMostrar título completo Ver imagen grande Visor de figuras Descargar imagen de alta resolución Descargar (PPT)

La tasa general de uso de malla fue del 94,8% (13 995 de 14 768 pacientes), que disminuyó de los HIC (tasa ajustada del 97,6%; 8842 de 8916) a los LIC (tasa ajustada del 61,0%; 457 de 635).Las tarifas por día eran bajas y variables según los grupos de ingresos. La mayor adopción de la cirugía ambulatoria se produjo en los países de ingresos altos y bajos, con tasas ajustadas del 50,0% (4464 de 7182) y el 44,5% (368 de 605), respectivamente. De los 18.058 pacientes incluidos, 14.580 (80,7%) tuvieron una cita de seguimiento dentro de los 30 días posteriores a la cirugía. Un total de 18.018 pacientes tenían datos de seguimiento disponibles, ya que para algunos pacientes también había datos disponibles del departamento de urgencias o de registros clínicos no planificados. La tasa global de complicaciones postoperatorias a los 30 días fue del 13,4% (2.415 de 18.018 casos). De estos 2.415 casos, 1.808 (74,9%) fueron de grado I-II de Clavien-Dindo, y sólo 16 (0,7%) fueron de grado V de Clavien-Dindo (muerte; apéndice 1, p. 46 ). Un grado ASA de III-V, cirugía limpia, contaminada, contaminada o sucia, cirugía de emergencia y resección intestinal se asociaron con un mayor riesgo de complicaciones posoperatorias ( figura 4 ).

Miniatura de figura gr4 — **Figura 4** Modelo de regresión logística multinivel para probar factores asociados a complicaciones a los 30 díasMostrar título completo Ver imagen grande Visor de figuras Descargar imagen de alta resolución Descargar (PPT)

Las vías estandarizadas de pacientes, la gestión de la lista de espera y la disponibilidad de unidades quirúrgicas ambulatorias fueron variables entre los diferentes grupos de ingresos ( figura 5 ). Todos fueron sistemáticamente más altos en los países de ingresos altos ( apéndice 1, p. 47 ).

Miniatura de figura gr5 — **Figura 5** Panel de medidas descriptivas adicionalesMostrar título completo Ver imagen grande Visor de figuras Descargar imagen de alta resolución Descargar (PPT)

El seguro proporcionado por el gobierno fue el tipo de pago utilizado por la mayoría de los pacientes en todos los grupos de ingresos (14.297 [79,9%] de 17.887). En cuanto a los demás métodos de pago, los pagos directos fueron más elevados en los países de ingresos bajos y medianos (1.081 [27,4%] de 3.948) y los de bajos ingresos (189 [20,8%] de 908).Los cirujanos experimentados estuvieron presentes en 12.752 (70,7%) de 18.042 casos en general, lo que fue similar en los diferentes grupos de ingresos ( figura 5 ). El tipo de anestesia mostró una amplia variación. La anestesia general se utilizó más en los países de ingresos altos y medianos (5867 [59,9%] de 9798 y 1920 [57,0%] de 3366, respectivamente) en comparación con la anestesia espinal, que se usó más comúnmente en los países de ingresos bajos y medianos (1890 [ 47,9%] de 3944 y 548 [58,8%] de 932, respectivamente). Se describen más detalles sobre otras prácticas anestésicas en la figura 5 y el apéndice 1, p. 47.En general, la cirugía abierta se utilizó en la mayoría de los pacientes (14.117 [78,2%] de 18.041), con una disminución en la cirugía mínimamente invasiva de mayores a menores ingresos (HIC 2723 [27,8%] de 9798, UMIC 759 [ 22,6%] de 3365, LMIC 433 [11,0%] de 3946, LIC 9 [1,0%] de 932). La cirugía laparoscópica representó 3.769 (96,0%) de los 3.924 casos de cirugía mínimamente invasiva, utilizándose el abordaje robótico en los 155 restantes (4,0%).

Discusión

Este estudio muestra que las hernias inguinales son principalmente una enfermedad de pacientes en edad laboral en todo el mundo y, cuando son pequeñas, se pueden tratar con una cirugía ambulatoria simple. Si se descuida, la cirugía de emergencia más compleja, que podría requerir resección intestinal, conduce a una recuperación lenta y costos totales de atención médica mucho más altos.¹⁹También encontramos que la mayor parte del tiempo de espera fue antes de que se hiciera el diagnóstico, especialmente en entornos de bajos ingresos, en lugar de esperar el tratamiento después de consultar a un cirujano. Al utilizar la hernia inguinal como condición trazadora para la atención electiva, este estudio mostró múltiples debilidades en el acceso y la calidad en los sistemas de atención de salud actuales, con una desventaja particular en entornos de bajos ingresos. Como resultado, hubo una mayor demanda de emergencia, lo que redujo aún más la capacidad electiva y podría crear espirales descendentes. Sin abordar estas espirales, la atención de emergencia y la gestión de crisis se convierten en la norma con resultados potencialmente peores para los pacientes.^6, ¹²Los formuladores de políticas pueden utilizar este estudio como indicador de otras condiciones electivas, que probablemente adolezcan de las mismas debilidades.²Si el acceso y la calidad débiles persisten en varias afecciones tratables electivamente, tanto quirúrgicas como no quirúrgicas, también puede establecerse multimorbilidad, lo que dificulta la atención electiva futura y complica aún más la atención de emergencia.²⁰Demostramos que la hernia inguinal es un procedimiento de bajo riesgo que puede ser realizado por una variedad de profesionales y con una variedad de tipos de anestésicos, manteniendo al mismo tiempo la seguridad. La mayoría de las complicaciones fueron menores. Sin embargo, la cirugía de emergencia se asoció con más complicaciones. No capturamos la cirugía de emergencia más compleja realizada a través de incisiones más grandes en la línea media, ya que estas operaciones requieren una captura de datos diferente.¹³Por tanto, es probable que este estudio subestime la verdadera carga de la cirugía de emergencia.¹²Este estudio también muestra un claro desequilibrio global en el acceso a la reparación de mallas, lo que probablemente refleja un acceso deficiente a dispositivos médicos simples en entornos de bajos ingresos.²¹Está bien demostrado que la malla reduce la recurrencia de hernia a largo plazo.¹⁰ ¹¹es fácil de colocar, tiene un bajo costo y debe ampliarse. Los siguientes objetivos viables respaldados por nuestros hallazgos son relevantes para los equipos de primera línea y los responsables políticos. En algunos entornos de bajos ingresos, mejorar los sistemas de derivación y aumentar el uso de reparación con malla mejorará el acceso y la calidad. Educar a las comunidades y a los trabajadores de salud comunitarios sobre los síntomas de las hernias y establecer vías de derivación podría facilitar la evaluación oportuna por parte de un cirujano. Se justifica un programa global de mejora de la calidad en la colocación de mallas para hernias. Esto implicaría fortalecer las cadenas de suministro industriales, hacer que las mallas sean asequibles para los pacientes y aumentar la capacitación para garantizar una colocación segura y eficaz. En todos los entornos de ingresos, impulsar la cirugía ambulatoria mejorará la capacidad para realizar cirugías simples y rentables y, al mismo tiempo, hará que los sistemas sean resilientes contra amenazas externas.²²La colocación de la malla y el uso de los recursos anestésicos disponibles se ajustarían a las últimas directrices de HerniaSurge Collaborative y para futuros estudios de carga global de enfermedades centrados en las hernias inguinales, el uso de mallas y anestésicos podría tenerse en cuenta durante los ejercicios de modelado.¹⁰Estos objetivos también podrían fortalecer otras áreas de atención médica electiva simple y común, como se identifica a través de la Comisión²¹ La vía de evaluación y derivación podría combinarse con un conjunto de evaluaciones simples para detectar otras enfermedades comunes que se beneficiarían de un diagnóstico y tratamiento oportunos para reducir la multimorbilidad. En el momento de la primera cita, los controles de la presión arterial, los controles de azúcar en la sangre y los controles del VIH son todos entregables y efectivos, lo que hace que la cirugía sea parte de una vía integrada en lugar de una especialidad independiente.²³

Las fortalezas de este estudio incluyen su naturaleza prospectiva y dedicada, que crea un conjunto de datos único, lo que nos permite informar un conjunto de mediciones que evalúa de manera integral todo el sistema, en lugar de centrarse en una única medida de resultado. Al hacerlo, proporcionamos evidencia más holística y relevante para todas las partes interesadas, desde los equipos de primera línea hasta los responsables de la formulación de políticas. El diseño también nos permite identificar varios objetivos viables y, por lo tanto, soluciones a los problemas globales relacionados con la atención médica electiva.

Este estudio tiene limitaciones importantes. El uso de la hernia inguinal como condición trazadora es una limitación en sí misma, considerando que los ensayos controlados aleatorios realizados hasta ahora han demostrado que el riesgo individual de cirugía de emergencia parece ser bajo.²⁴No capturamos a los pacientes que no se sometieron a cirugía, lo que significa que la carga social de una hernia no tratada podría ser mucho mayor de lo que podemos estimar.²⁵Como se mencionó, no capturamos la reparación de la hernia a través de una incisión en la línea media, que a menudo se usa para las situaciones de emergencia más complejas, subestimando la verdadera carga de la cirugía de emergencia. Podría haber una representación insuficiente de algunos países donde las tasas de cirugía mínimamente invasiva son actualmente muy altas (por ejemplo, Dinamarca, Noruega y Suecia), lo que distorsiona los resultados para esas partes del mundo.²⁶La interpretación de los hallazgos en el contexto de los hospitales de nivel primario y secundario debe realizarse con cuidado, ya que la mayoría de los hospitales participantes eran de nivel terciario. No exploramos la variación de los procesos de aprobación realizados ni las diferencias detalladas en el operador principal entre países, y reconocemos que podría haber sesgos ocultos relacionados con estas diferencias. Es posible que algunos datos capturados a nivel hospitalario (p. ej., mecanismo de pago) no describan completamente el recorrido de cada paciente individual. No nos comunicamos con los pacientes de forma rutinaria 30 días después de la cirugía, lo que puede ser imposible en algunos entornos, pero es probable que los pacientes con eventos importantes vuelvan a presentarse en sus hospitales dentro de los 30 días y sean capturados por este estudio. Existe el riesgo de una sobrerrepresentación de algunos países, lo cual es inherente a un estudio de cohorte global como el HIPPO. Se debe tener cierta cautela a la hora de sacar conclusiones sobre todo el sistema, ya que los resultados podrían no ser completamente representativos de todos los países incluidos en cada grupo de ingresos.Este estudio ha reconocido temas para futuras investigaciones. La hernia inguinal es una de las muchas afecciones trazadoras potenciales, tanto para la atención electiva como para la cirugía. Los futuros investigadores pueden seleccionar sus propias condiciones de trazador y utilizar estas medidas clave de rendimiento para proporcionar una evaluación de todo el sistema. Se necesitarán más investigaciones para evaluar los tiempos de espera en la cirugía de emergencia, ya que pueden resaltar problemas ocultos. Los estudios cualitativos serían útiles para comprender la variación en pacientes asintomáticos sometidos a una operación. Finalmente, desde una perspectiva metodológica, sería útil aclarar las diferencias en los procesos de aprobación de estudios en diferentes países para ver si, en entornos limitados, están sujetos a algún sesgo. Este estudio ha identificado áreas de intervención por parte de los responsables políticos. Financiar estas vías será un desafío, especialmente si la atención electiva debe competir con la atención de emergencia. Las medidas descriptivas adicionales en este estudio muestran la importancia de un seguro médico asequible (ya sea financiado por el gobierno o financiado individualmente), que debería aumentarse para las condiciones comunes en todo el mundo. Es probable que depender de pagos directos limite la atención electiva a quienes tienen ahorros o sumerja a las familias en gastos catastróficos.²⁷ ²⁸

Editorial. Problemas pendientes en Nuestro Sistema de Salud. Porqué no baja la mortalidad Materna en Argentina.

La mortalidad materna en toda la región de América Latina y el Caribe muestra un serio enlentecimiento para su descenso, por varias razones, entre las predominantes están los determinantes sociales, la educación de las embarazadas, la indigencia monetaria y las que residen en hogares NBI, que sella las diferencias geográficas. Con la implementación de la legalización del aborto las muertes maternas bajaron de 21 a 10 muertes en un año. Pero el total de las muertes en el 2022 último año publicado fue de 3,4 por 10000 nacimientos, en el 2004 fue de 3,9 por diez mil, en 2021, por la epidemia de COVID 19 fue de 7,4 por diez mil. Es necesario señalar que las causas obstétricas directas no descendieron significativamente a pesar de haberse legalizado el aborto, por ello debemos analizar en profundidad la calidad de atención de la mujer embarazada.

Si no bajamos la indigencia monetaria, no mejoramos la atención primaria, ni la calidad de atención en las maternidades de los hospitales, el acceso a los controles y a una atención adecuada de la emergencia obstétrica no lograremos bajar este indicador. Porque disminuyeron el número de partos, pero no la proporción de muertes. Aumentaron los nacimientos de las clases sociales más postergadas. Disminuyeron los partos en la adolescencia.

Durante la última década, no se han registrado avances significativos en la merma de la Tasa de mortalidad materna en el país, quitando el incremento significativo de la misma en el contexto de la pandemia por Covid-19.
Las disparidades geográficas son muy notables. Mientras que, en 2022, se registraron 8,6 muertes maternas cada 10.000 nacidos vivos en Santiago del Estero, y 8,3 en el Chaco; apenas se registró 1,2 y 1,3 en la Ciudad de Buenos Aires y en Neuquén, respectivamente. Por ejemplo, Formosa, Santiago del Estero y Salta, registran tasas de mortalidad materna elevadas por encima del promedio y adicionalmente registran elevados niveles de pobreza por NBI. Lo cual es indicativo de la relevancia que tienen las condiciones de vida de las poblaciones en la oportunidad de sostener la vida

Este último gráfico evidencia las disparidades geográficas.

Se observó un descenso significativo de la tasa de fecundidad en las niñas y adolescentes, los porcentajes de embarazos no intencionales en niñas que disminuyeron en ocho provincias pero aumentaron en doce. ¿es que se utiliza el IVE o el ILE, como método anticonceptivo?. Es un desafío que nos interpela, sobre lo que está ocurriendo en el mundo real.

El número de abortos realizados en el subsector público ha aumentado considerablemente.
En 2021 se registraron 73.487 interrupciones del embarazo en estos establecimientos. Esta cifra aumentó a 96.664 en 2022, lo que representa un incremento de aproximadamente un tercio. Esta tendencia de aumento en el número de abortos es similar al observado en otros países durante la implementación de políticas públicas de acceso al aborto.

Conclusión:

Si no se mejoran los determinantes sociales, si no se regionaliza adecuadamente la atención de los partos de mayor riesgo, si no se capacita al recurso humano de los equipos de maternidad en la emergencia obstétrica, el descenso de la mortalidad materna no se producirá, es un desafío que nos interpela como ciudadanía, como gestores de la atención, debiendo disminuir las barreras de accesibilidad, mejorar la calidad de atención, la evaluación del periodo gestante, y los partos de alto riesgo obstétrico.

NEWS. Puntuación nacional para el alerta temprana en el Reino Unido: ¿todos deberían utilizarlo?. Una visión narrativa.

Holland M Kellet J.

Esta revisión critica, expresa los beneficios y desventajas del Puntaje Nacional de Alerta Temprana (NEWS) del Reino Unido. Se consideran los posibles desarrollos para el futuro, así como el papel de NEWS en un departamento de emergencias (DE). La capacidad de NEWS para predecir la muerte en 24 h ha sido bien validada en múltiples entornos clínicos. Proporciona un lenguaje común para la evaluación de la gravedad clínica y puede utilizarse para desencadenar intervenciones clínicas. Sin embargo, no debe utilizarse como única métrica para la estratificación del riesgo, ya que su capacidad para predecir la mortalidad más allá de las 24 h no es confiable y está muy influenciada por otros factores. Los principales inconvenientes de NEWS son que medirlo requiere profesionales capacitados, lleva mucho tiempo y es propenso a errores de cálculo. Se recomienda el uso de NEWS en hospitales de enfermedades agudas del Reino Unido, donde está vinculado a una política de escalada que refleja la experiencia de posgrado; los pacientes con NEWS más bajos son evaluados primero por un médico junior y aquellos con puntuaciones más altas por personal de mayor experiencia. Esta política se basó en la opinión de expertos que no consideraron las implicaciones de la carga de trabajo. Sin embargo, se ha demostrado que su implementación mejora el registro eficiente de los signos vitales. Cómo y quién debe responder a los diferentes niveles de NEWS es incierto y puede variar según el entorno clínico y los recursos disponibles. En el servicio de urgencias, las puntuaciones de clasificación simples, que son más rápidas y fáciles de usar, pueden ser determinantes más apropiados de la agudeza. Sin embargo, cualquier alternativa a NEWS debería ser más fácil y económica de usar y proporcionar evidencia de mejora de los resultados.

Introducción:

En 1997, Morgan et al. propuso el primer puntaje agregado ponderado de alerta temprana (EWS) basado en el APACHE II [ 1 ]. Estos sistemas asignan puntos ponderados según el nivel de alteración de cada signo vital u otro parámetro incluido en la puntuación y se basan en el razonamiento de que el riesgo de muerte aumenta con el número de signos vitales anormales [ 2 ]. Por lo tanto, combinar todos los signos vitales en una sola puntuación simplifica el proceso de trabajar con múltiples cambios fisiológicos, y los puntos totales aumentan en línea con la gravedad de la enfermedad del paciente y el correspondiente riesgo de muerte, paro cardíaco e ingreso a cuidados intensivos [ 1 ]. .

Las puntuaciones APACHE recopilan datos durante 24 h y se utilizan para comparar el rendimiento de la unidad de cuidados intensivos, pero no para predecir los resultados de los pacientes individuales [ 3 ]. Por el contrario, un EWS se utiliza para seguir el progreso clínico de un paciente y desencadenar intervenciones. El EWS de Morgan et al. nunca tuvo la intención de ser una puntuación predictiva, sino que se diseñó únicamente para garantizar la presencia oportuna de ayuda clínica calificada al lado de la cama de aquellos pacientes que exhiben signos fisiológicos compatibles con una enfermedad crítica establecida o inminente. Por tanto, el rendimiento del EWS:

“no debe basarse en su predicción de resultados como muerte, ingreso en cuidados intensivos, ‘no intentar reanimación’ o reanimación cardiopulmonar, sino en el número de pacientes cuyo curso clínico se vio influenciado positivamente a nivel de sala y que, como resultado del uso de EWS, no fueron admitidos en cuidados intensivos y no sufrieron paro cardíaco ni muerte”. (Morgan y Wright, 2007)

La mayoría de los SAR se han desarrollado empíricamente a partir de la opinión de expertos [ 5 ]. Sin embargo, en 2011, Prytherch et al. publicó un EWS derivado matemáticamente de 198.755 conjuntos de observación de signos vitales recopilados electrónicamente utilizando el sistema VitalPAC™ en 35.585 pacientes médicos agudos consecutivos. Esta puntuación de alerta temprana de VitalPAC (ViEWS) tuvo una alta discriminación para la mortalidad hospitalaria en 24 h y superó a otros 33 EWS en ventanas de predicción que oscilaban entre 12 y 120 h. ViEWS también fue el disparador más eficiente para establecer umbrales de intervención, es decir, identificó a la mayoría de los pacientes que se pronosticaba que tendrían un mal resultado dentro de un grupo de pacientes por encima de una puntuación elegida, el número necesario para evaluar (NNE) [ 6 ].

En 2012, los Royal Colleges of Physicians del Reino Unido adoptaron una versión ligeramente modificada de ViEWS como NEWS [ 7 ], que vincularon a un protocolo de escalada de intervenciones basado en la opinión de expertos (Fig. 1). NEWS se actualizó en 2017 (NEWS2) para incorporar ajustes para pacientes con enfermedad pulmonar crónica (Fig. 2) [ 8 ]. Estos cambios aumentaron la complejidad de la puntuación, redujeron su sensibilidad [ 9 ], redujeron su rendimiento predictivo general y no proporcionaron ningún beneficio para los pacientes con insuficiencia respiratoria tipo 2 [ 10 ]. Aunque estaba previsto que NEWS2 se implementara en todo el Reino Unido, en 2021 solo el 64,5% de los hospitales lo habían adoptado [ 11 ], y los hospitales restantes prefirieron seguir utilizando diferentes EWS. Sin embargo, NEWS es, con diferencia, el EWS mejor validado en uso clínico [ 12 ]. Se han informado evaluaciones del desempeño de NEWS por parte de grupos de investigación independientes, en pacientes indiferenciados, en enfermedades definidas y en una variedad de entornos de atención en todo el mundo, en diferentes entornos prehospitalarios y hospitalarios, y para el tratamiento de la sepsis y otras afecciones. [ 13 ]. La discriminación de NEWS parece ser menor en pacientes con EPOC [ 14 ], mientras que la medicación también puede cambiar el rendimiento de NEWS; El área bajo la curva del operador receptor (AUROC) de NEWS para la mortalidad hospitalaria fue menor en pacientes con sospecha de sepsis que tomaban medicación para la hipertensión que aquellos que no tomaban medicación [ 15 ]. A pesar de estos y otros posibles factores de confusión, NEWS sigue siendo la puntuación de mejor rendimiento y/o la más práctica clínicamente a la hora de evaluar a los pacientes en cuanto al riesgo de un mal resultado en 24 h [ 13 , 14 , 16 ].

NEWS original.

NEWS2

Figura 2

El actual sistema de puntuación NEWS2 [ 8 ]. Esta es la versión recomendada actualmente por el Royal College of Physicians del Reino Unido para su uso en la práctica clínica

Uso Previsto del Score News 2

La razón por la que NEWS se diseñó para identificar a los pacientes en riesgo de muerte dentro de las 24 h fue para garantizar que los pacientes que necesitan ser atendidos y revisados con urgencia por un médico debidamente capacitado sean identificados de manera eficiente. NEWS es un predictor poco fiable de mortalidad más allá de las 24 h [ 13 ]. Sin embargo, la predicción precisa y absoluta del resultado no era su propósito y, tal vez de manera contraria a la intuición, si NEWS impulsa una intervención efectiva, se evitará un resultado adverso, lo que reducirá el rendimiento predictivo de la puntuación [ 17 ]. Por otro lado, si NEWS se mide demasiado tarde para impulsar una intervención preventiva, o si tal intervención no existe, su desempeño predictivo mejorará. Por lo tanto, NEWS debe considerarse análogo a una alarma de incendio y debe juzgarse por la cantidad de incendios que ayuda a prevenir o apagar, no por la cantidad de edificios que se predice con precisión que se quemarán hasta los cimientos.

Aunque no estaba destinado a detectar o diagnosticar condiciones específicas, se ha demostrado que un valor NEWS ≥ 5 detecta la sepsis mejor que los criterios del síndrome de respuesta inflamatoria sistémica (SIRS) o la evaluación rápida secuencial de insuficiencia orgánica (qSOFA) [ 18 ]. La introducción de NEWS fomentó la medición de conjuntos completos de signos vitales, en lugar de observaciones ocasionales únicas de uno o dos. Proporciona un lenguaje común y una métrica para la gravedad de la enfermedad en todos los entornos de atención, «faculta a las enfermeras para buscar más fácilmente asistencia médica superior» y evita conflictos al derivar pacientes para su revisión [ 19 ]. El uso de un estándar en todo el sistema sanitario tiene ventajas obvias. Si los médicos se comunican utilizando la misma puntuación, la gravedad de la enfermedad, la priorización, el transporte y la ubicación de los pacientes se vuelven más claros. El seguimiento de NEWS desde una línea de base establecida muestra si los pacientes están mejorando o empeorando, lo que requiere una revisión clínica inmediata y un aumento de la atención [ 20 ]. Sin embargo, el seguimiento de los valores NEWS en pacientes postoperatorios es cuestionable, ya que se correlaciona mal con el estado clínico del paciente dentro de las primeras 24 h después de la cirugía y no puede usarse como reemplazo de la perspicacia de enfermería [ 19 ]. No debe usarse solo para la estratificación del riesgo, ya que su capacidad para predecir la mortalidad más allá de las 24 h no es confiable porque la mortalidad a más largo plazo está muy influenciada por otros factores, como la edad, la comorbilidad y la reserva funcional y fisiológica del paciente [ 21 ].

Registrar NEWS, por muy precisa que sea su capacidad de predicción, no mejorará los resultados a menos que se lleve a cabo una intervención correctiva dentro de un marco de tiempo efectivo. Aunque NEWS y puntuaciones de alerta temprana similares identifican de manera confiable a los pacientes en riesgo de muerte inminente [ 13 ], no brindan información sobre lo que puede estar mal con el paciente y qué hacer al respecto [ 22 ]. Por lo tanto, cuando se llama a un médico a la cabecera de un paciente con un NEWS elevado, debe deconstruir el puntaje para intentar descubrir por qué está elevado. En el Reino Unido, NEWS está vinculado a una política de escalada que refleja la jerarquía de formación de posgrado; los pacientes con elevaciones leves son atendidos por aquellos con menor entrenamiento y experiencia, y aquellos con las puntuaciones más altas son atendidos por los más experimentados (Tabla(Tabla 1).1). Esta escalada se basó en la opinión de expertos y no consideró sus implicaciones en la carga de trabajo ni proporcionó ninguna explicación de su justificación. Por ejemplo, ¿cuál es la evidencia de que explicar y manejar los cambios leves de los signos vitales requiere menos habilidad clínica que los cambios importantes de los signos vitales? Se ha refutado la suposición inicial de que aquellos con un trastorno importante de un signo vital requerirían más atención que aquellos con cambios menores en varios signos; un cambio importante en un signo, como un ritmo cardíaco rápido, a menudo es causado por dolor y/o ansiedad y se maneja fácilmente [ 23 ]. Es posible que un solo médico, independientemente de su experiencia, no siempre posea las habilidades necesarias para reanimar a un paciente gravemente enfermo, aunque si no se ha discutido y documentado el límite máximo de atención deseado para el paciente, es posible que un alto responsable de la toma de decisiones deba confirmar cuántos cuidados críticos adicionales necesita. el cuidado es el adecuado.

tabla 1

Protocolo de escalada de NOTICIAS del Royal College of Physicians [ 8 ]

puntos de NOTICIAS	Frecuencia de monitoreo	Respuesta clínica
0	Mínimo 12 horas	Continuar el seguimiento rutinario de NEWS con cada conjunto de observaciones.
1–4	Mínimo de 4 a 6 horas	Informar a la enfermera titulada que debe evaluar al paciente.Enfermero registrado para decidir si se requiere una mayor frecuencia de monitoreo y/o intensificación de la atención clínica.
≥ 5 o 3 en un parámetro	Mínimo 1 hora	Enfermera titulada para informar urgentemente al equipo médico que atiende al paciente Evaluación urgente por parte de un médico con competencias básicas para evaluar a pacientes con enfermedades agudas Atención clínica en un entorno con instalaciones de seguimiento.
≥ 7	Monitorización continua de signos vitales.	Una enfermera registrada informará inmediatamente al equipo médico que atiende al paciente; esto debe ser al menos a nivel de registrador especializado. Evaluación de emergencia por parte de un equipo clínico con competencias en cuidados críticos, que también incluye profesionales con habilidades avanzadas en vías respiratorias. Considerar la transferencia de la atención clínica a un establecimiento de nivel 2 o 3, es decir, una mayor dependencia de la UIT.

Si bien el protocolo de escalada propuesto por el Royal College of Physicians es empírico, arbitrario y no se basa en evidencia, dos revisiones sistemáticas recientes encontraron que cuando se implementó mejoró el registro de los signos vitales [ 24 , 25 ]. Además, Haegdorens et al. [ 26 ] encontró que aunque el protocolo se cumplió en menos del 50% del tiempo recomendado, se realizaron más observaciones en pacientes clínicamente inestables y menos en pacientes estables.

En 2004, la Campaña 100.000 Vidas del Instituto para la Mejora de la Atención Médica (IHI) recomendó el despliegue de equipos de respuesta rápida para ser llamados a un paciente antes de que ocurriera un paro cardíaco [ 27 ]. Esta promoción se basó en los ensayos de Equipos de Emergencia Médica (MET) publicados en el Reino Unido y Australia. En 2006, el concepto MET se perfeccionó hasta convertirlo en un sistema de respuesta rápida (RRS) que incluye dos componentes principales, uno para reconocer que se necesita ayuda (miembro aferente) y otro que llama a un equipo de respuesta (miembro eferente) para brindar la asistencia requerida. Además, el RRS debe proporcionar actividades de mejora de procesos post hoc (miembro de mejora de la calidad) y una infraestructura de administración (miembro administrativo) para respaldar todo el sistema [ 28 ].

Sólo se han realizado dos ensayos controlados aleatorios [ 29 , 30 ] de RRS y ambos tuvieron resultados ambiguos. Sin embargo, debido a que la RRS tiene sentido intuitivo, es poco probable que alguna vez se otorgue aprobación ética para un ensayo aleatorio definitivo. En 2007 se publicó una revisión sistemática de RRS [ 31 ] y una segunda en 2015 [ 32 ]. Ambos concluyeron que la SRR reducía las paradas cardiorrespiratorias en alrededor de un 40% en niños y adultos, y la mortalidad hospitalaria entre un 12 y un 18%.

La eficacia de RRS no parece verse muy influenciada por la composición o estructura de su personal [ 33 ]. Sin embargo, en comparación con un SRR dirigido por enfermeras, la intubación temprana, la colocación de una vía central y la activación de protocolos de transfusión masiva por parte de un SRR dirigido por intensivistas en el departamento de urgencias (SU) y las salas de cuidados intensivos pueden reducir los paros cardíacos posteriores tanto dentro como fuera de los centros críticos. cuidado. Por lo tanto, evitar retrasos en estas y otras intervenciones de cuidados intensivos mientras se espera una cama de cuidados intensivos puede ser clave para mejorar los resultados. Cada hora de retraso en el ingreso a cuidados críticos se ha asociado con un aumento del 1,5% en el riesgo de muerte en cuidados críticos [ 34 ]. Por lo tanto, cualquier sistema que mejore el acceso rápido a cuidados intensivos probablemente resulte beneficioso.

En el Reino Unido, la Facultad de Medicina de Cuidados Intensivos ha propuesto una atención mejorada como una posible solución para brindar atención a los pacientes enfermos [ 35 ]. Los pacientes que podrían ser adecuados incluyen aquellos que reciben ventilación no invasiva u oxígeno nasal de alto flujo. La atención mejorada proporciona un puente entre la atención de sala estándar y la atención de alta dependencia, con una mejor comunicación entre la sala y los equipos de cuidados críticos. Se describe como una solución «pragmática» para pacientes que requieren más que atención básica en sala pero que no llegan a ser admitidos en cuidados intensivos [ 35 ]. A primera vista, este enfoque tiene un atractivo obvio; sin embargo, se requiere más evidencia de su eficacia.

Aunque múltiples cambios de signos vitales capturados por un EWS, como NEWS, proporcionan criterios de llamada más efectivos para el SRR que una sola anomalía de los signos vitales [ 33 ], también se han sugerido varios otros parámetros como desencadenantes del SRR. Por ejemplo, los cambios en la respiración, la circulación, la mentalidad, la movilidad y el dolor se incluyen en la puntuación del indicador holandés de preocupación temprana de las enfermeras [ 36 ]. Estos factores también pueden identificar el deterioro clínico y la necesidad de intervención antes de que ocurran cambios significativos en los signos vitales. Por lo tanto, sigue existiendo un debate sobre qué debería desencadenar una llamada RRS y, si se utiliza NEWS, qué valor es el más eficiente y efectivo.

¿Cuál es el Limite óptimo de NEWS?

i bien el riesgo de muerte aumenta a medida que aumenta el valor de NEWS, el punto de corte óptimo para la intervención no está claro. En ausencia de evidencia inequívoca del beneficio de EWS y RRS, la selección del mejor punto de corte de NEWS aún debe ser arbitraria y basarse en medidas de su desempeño predictivo, como la estadística de Youden más alta (es decir, sensibilidad + especificidad − 1), que identifica el punto más cercano a la esquina superior izquierda de la curva característica operativa del receptor (ROC). Los valores de NEWS más bajos tendrán una sensibilidad más alta y una especificidad más baja y, por lo tanto, una tasa de falsas alarmas más alta, mientras que los valores más altos tendrán una sensibilidad más baja y una especificidad más alta, lo que producirá una tasa de falsas alarmas más baja. Lamentablemente, los artículos publicados sobre la mortalidad en 24 h sugieren una variación considerable en la estadística de Youden de NEWS en diferentes valores de corte, con poca diferencia en los valores promedio para los puntos de corte entre 3 y 5 puntos [ 13 ]. La literatura disponible muestra que si se selecciona un punto de corte de ≥ 7 puntos, sólo el 4% de los pacientes desencadenaría una intervención y el 44% de los pacientes que mueren se pasarían por alto [ 13 ]. Además, muchas de las intervenciones que se ponen en marcha pueden ser inútiles, ya que algunos pacientes se habrán vuelto insalvables. Alternativamente, un punto de corte ≥ 1 punto desencadenará una evaluación y/o una intervención en el 83% de los pacientes, lo que probablemente no beneficiaría a la mayoría de ellos. NEWS ≥ 5 puntos es el punto de corte más adoptado y el 91% de los pacientes tienen un NEWS por debajo de él; La mortalidad global de 24 h de estos pacientes es sólo del 0,06%, pero una cuarta parte de todas las muertes en 24 h y más del 40% de todas las muertes hospitalarias ocurren en pacientes con un NEWS < 5 [ 13 ]. Aunque se ha recomendado NEWS ≥ 5 como indicador de sepsis [ 18 ], podría no ser la puntuación óptima para comenzar con antibióticos [ 37 ] u otras intervenciones urgentes. Muchas intervenciones que salvan vidas, como la anticoagulación para la embolia pulmonar, la trombólisis para el accidente cerebrovascular, la cirugía de emergencia y la rehidratación para prevenir la lesión renal aguda, deben administrarse lo antes posible y mucho antes de que NEWS llegue a 5. Por lo tanto, usar un nivel más bajo el límite podría estar asociado con mejores resultados.

Los pacientes con un NEWS < 3 puntos tendrán un estado mental normal y, en promedio, solo tendrán un 0,07% de posibilidades de morir en 24 h; ningún estudio ha informado que tengan una mortalidad superior al 0,35% en 10 días y, en la mayoría de los estudios, su riesgo de muerte hospitalaria se mantuvo por debajo del 1%. Por lo tanto, se ha sugerido que no es necesario medir un conjunto completo de signos vitales en pacientes con NEWS < 3 con más frecuencia que una vez al día [ 38 ]. Sin embargo, estos pacientes de bajo riesgo todavía necesitan algún tipo de seguimiento continuo, ya que representaron el 9% de todas las muertes en 24 horas y el 16% de todas las muertes hospitalarias en términos absolutos [ 13 ].

La facilidad de uso, la discriminación predictiva y la precisión pueden ser métricas engañosas para un EWS, ya que en la práctica clínica el rendimiento de un EWS depende del equilibrio entre la detección temprana de resultados y el número de alertas de falsos positivos. Cuando la prevalencia de un evento es baja, incluso un EWS que tenga una alta sensibilidad y especificidad tendrá una alta tasa de falsos positivos [ 39 ]. La mayoría de las puntuaciones predictivas son mucho mejores para predecir la supervivencia que la muerte. Aunque es muy poco probable que mueran los pacientes con una puntuación NEWS < 3 puntos [ 13 ], muchos pacientes con una puntuación alta también sobrevivirán. Esto se debe a que nuestra fisiología se esfuerza por mantenernos vivos, por lo que al intentar predecir el momento de la muerte, el paciente más enfermo a menudo confunde la mejor puntuación y sorprende al médico más inteligente. Aunque el número de falsas alarmas depende de la población de pacientes y su probable mortalidad, la probabilidad de muerte dentro de las 24 h en cualquier población de pacientes es muy baja, por lo que las falsas alarmas son inevitables.

Se ha argumentado que los sistemas de respuesta rápida exitosos deben ofrecer consistentemente una “dosis” de respuesta alta (> 25 llamadas por 1000 admisiones) [ 40 ], ya que un aumento en la dosis de respuesta se asocia con una reducción progresiva de las tasas de paro cardíaco y madura. Los sistemas deben tener al menos 40 llamadas por cada 1.000 admisiones [ 41 ]. La NNE puede ser la medida más útil de utilidad clínica y rentabilidad, ya que proporciona la cantidad de pacientes que necesitan ser evaluados más a fondo para detectar un resultado adverso. El NNE es el recíproco del valor predictivo positivo [ 42 ]; Aunque los informes en la literatura sobre el valor predictivo positivo de la mortalidad en 24 h varían considerablemente, en general para pacientes con NEWS ≥ 3 el NNE es 1/0,018 o 55,6, y para pacientes con NEWS ≥ 7, es 1/0,059 o 16,9 [ 13 ]. Prytherch y cols. [ 6 ] han propuesto una curva de eficiencia, que traza el número de activadores que serían generados por diferentes valores de NEWS. Como ejemplo, según el análisis de todos los resultados publicados en la literatura [ 13 ], una NOTICIA de ≥ 3 generaría un desencadenante en el 27% de las observaciones, lo que detectaría el 88% de todas las muertes en 24 h. Por el contrario, un NEWS de ≥ 5 generaría un desencadenante en el 9% de las observaciones, lo que detectaría el 73% de todas las muertes en 24 h, y un NEWS de ≥ 7 generaría un desencadenante en el 4% de las observaciones, lo que detectaría el 56%. de todas las muertes en 24 h (Fig. 3). El valor de corte seleccionado dependería del manejo requerido de las condiciones que probablemente estén presentes para cada puntuación, según la población de pacientes y su entorno clínico, y los recursos disponibles. Sin embargo, es probable que las muertes en pacientes con puntuaciones más altas tengan menos probabilidades de prevenirse y, por lo tanto, seleccionar una puntuación más baja como punto de corte puede salvar más vidas.

Un archivo externo que contiene una imagen, ilustración, etc. El nombre del objeto es 11739_2022_3189_Fig3_HTML.jpg

Aunque la medición NEWS requiere profesionales capacitados, requiere mucho tiempo [ 43 ] y es propensa a errores de cálculo [ 44 ], se ha demostrado que mejora la documentación de los signos vitales y la comunicación entre los médicos [ 19 , 45 ], tanto en papel como electrónicamente [ 44 , 46]. ]. Sin embargo, existe la preocupación de que el EWS pueda perjudicar a los profesionales al eliminar la necesidad de conocer a sus pacientes, inhibiendo así el desarrollo del juicio profesional [ 47 ]. También existe la preocupación de que el uso de EWS haya alentado la delegación de la monitorización de signos vitales a personal de apoyo no calificado y haya socavado la atención holística y el juicio clínico [ 48 ]. NEWS es una puntuación única que puede no ser apropiada para todas las condiciones. Requiere la medición de cinco signos vitales y un cálculo, lo que requiere mucho tiempo y es propenso a errores. Puede activar demasiadas alarmas y, por lo tanto, las alarmas deben ajustarse a pacientes y condiciones específicas. Por ejemplo, ligeros cambios en la temperatura, la presión arterial, la frecuencia cardíaca y la frecuencia respiratoria, que podrían totalizar un aumento en NEWS de tres o cuatro puntos, pueden ser una respuesta fisiológica completamente apropiada a una enfermedad y perjudicial para corregir mediante un manejo demasiado entusiasta [ 49 – 52 ].

Dado que NEWS no considera la producción de orina, puede pasar por alto la lesión renal aguda [ 53 ] y, al no incluir la presión arterial diastólica, podría pasar por alto el shock distributivo temprano. Es posible que no detecte un accidente cerebrovascular o un aumento de la presión intracraneal (es decir, la tríada de Cushing de un patrón de respiración irregular, bradicardia e hipertensión). No considera la presión arterial, la frecuencia cardíaca, la frecuencia respiratoria o la saturación de oxígeno habituales del paciente y, por lo tanto, puede causar un tratamiento insuficiente de la hipotensión relativa en un hipertenso [ 54 ], o el uso excesivo de oxígeno suplementario en una enfermedad pulmonar crónica [ 55 ]. Las enmiendas de NEWS a NEWS2 se introdujeron para tratar de abordar el oxígeno suplementario en pacientes respiratorios [ 8 ].

La medición de NEWS está muy influenciada por el registro preciso de la saturación de oxígeno y la frecuencia respiratoria, y el juicio clínico necesario para determinar la necesidad de oxígeno suplementario, que puede basarse en una opinión subjetiva mal definida [ 56 ]. Esto presenta peligros inherentes; por ejemplo, si se retira oxígeno por error a pacientes con un NEWS de 4, su puntuación bajaría a 2 pero su riesgo de muerte aumentaría. La frecuencia respiratoria puede ser el signo vital que predice con mayor precisión el resultado [ 57 ], pero los valores manuales suelen ser inexactos [ 58 ] y se correlacionan mal con los valores medidos por máquina [ 59 ]. Aunque los valores medidos por máquina deberían ser los mejores predictores del deterioro y la mortalidad [ 59 , 60 ], otros han descubierto que los registros manuales pueden ser mejores porque están sesgados por el juicio intuitivo más preciso de una enfermera sobre qué tan enfermo está el paciente [ 61 ]. La evaluación del estado mental requerida por NEWS también puede ser inadecuada y se ha sugerido una detección más exhaustiva del delirio [ 62 ].

En la práctica, a los pacientes con un NEWS elevado que desencadene una revisión clínica se les puede ajustar una o más puntuaciones de signos vitales para evitar que se desencadenen continuamente. Esto tiene la ventaja de reducir las alertas mientras se espera que funcione un plan de gestión, o cuando se considera poco probable que una intervención corrija el parámetro fisiológico. La desventaja de este enfoque es que no se produce un mayor deterioro.

¿Si y cómo debería adoptarse NEWS?

Si se debe adoptar NEWS en la práctica clínica y cómo depende del entorno clínico y de los recursos y la experiencia disponibles. NEWS discrimina eficazmente a los pacientes que están enfermos y que necesitan evaluación y tratamiento inmediatos de aquellos que podrían enfermarse si no se toman medidas preventivas. Una NOTICIA de 3 puntos indica que ya está en juego un proceso fisiopatológico; En este nivel, la evaluación del paciente puede no ser urgente, pero identificar la fisiopatología precisa puede requerir habilidad y experiencia considerables. Sin embargo, la necesidad de intervención se vuelve urgente una vez que NEWS ≥ 5 puntos, aunque estos pacientes pueden no requerir tanta experiencia. Aunque es poco probable que un paciente con NEWS < 3 esté en peligro inmediato, es necesario evaluar a estos pacientes para detectar eventos adversos potencialmente prevenibles que puedan ocurrirles.

El protocolo de escalada del Reino Unido, que refleja la jerarquía de formación médica del país, no sería apropiado para muchos hospitales no académicos atendidos por médicos totalmente capacitados. Es casi seguro que ningún médico que trabaje en un hospital de este tipo agradecería que lo llamaran hasta que el NEWS de su paciente fuera ≥ 7 puntos. Por otro lado, no querrían que les llamaran cada vez que un paciente con EPOC supere una puntuación ≥ 3, por ejemplo. Por lo tanto, se deben desarrollar y modificar posteriormente protocolos locales acordados sobre cómo responder a la puntuación y cuándo anularla a la luz de la experiencia. Si un hospital ya cuenta con un RRS, la respuesta a NEWS probablemente debería calificarse de acuerdo con los recursos y la experiencia disponibles. A diferencia de NEWS ≥ 7, la capacidad de intubar y ventilar inmediatamente a un paciente generalmente no será necesaria si los criterios de llamada son tan bajos como una puntuación ≥ 3.

¿Debería utilizarse NEWS en el servicio de urgencias?

La predicción precisa de muerte inminente, ingreso en UCI y paro cardíaco puede no ser la forma más adecuada de desencadenar una intervención necesaria en todas las situaciones clínicas. En el servicio de urgencias, muchos pacientes sin afecciones que pongan en peligro su vida, como aquellos que sufren dolor, pueden necesitar intervenciones inmediatas. Las puntuaciones de clasificación simples, que son más rápidas y fáciles de usar que NEWS y menos propensas a errores de cálculo, pueden ser determinantes de agudeza más apropiados [ 63 ].

La discriminación de NEWS parece ser menor si se mide antes de iniciar el tratamiento (es decir, en el entorno prehospitalario o de urgencias) [ 13 ]. Es mucho más probable que las mediciones posteriores, realizadas después de haber hecho todo lo posible para salvar al paciente, predigan con precisión el resultado que las realizadas antes de que comenzara el tratamiento. Esto no significa que el uso de NEWS en el servicio de urgencias sea inapropiado, ya que el propósito de NEWS es desencadenar intervenciones, no hacer predicciones precisas.

La evaluación de rutina contemporánea en el servicio de urgencias de pacientes con enfermedades agudas siempre incluirá un ECG, hemograma completo, urea, electrolitos y probablemente pruebas de función hepática. Otros biomarcadores como el lactato, la troponina, la proteína C reactiva y los dímeros D también están disponibles tanto para la estratificación del riesgo como para el diagnóstico [ 64 , 65 ]. Sin embargo, la medición rutinaria de un conjunto completo de signos vitales en todos los pacientes debe considerarse un estándar básico de atención, y NEWS los convierte en una métrica única que se puede seguir durante toda la hospitalización del paciente. Desafortunadamente, se sabe poco sobre los cambios y tendencias de los signos vitales y las NOTICIAS durante todo el curso de una enfermedad aguda en el hospital [ 66 ]. La poca evidencia que existe sugiere que las trayectorias de los pacientes ingresados con una puntuación baja son diferentes de las de los ingresados con una puntuación alta, y que los pacientes deben ser observados durante 12 a 24 h antes de que se pueda predecir de manera confiable su resultado [ 67 ]. Se deben considerar otras cosas, además de los signos vitales, al monitorear el progreso de los pacientes tanto en el servicio de urgencias como después del ingreso hospitalario, como su movilidad [ 68 ], cómo se sienten , si su piel está caliente o fría y húmeda, así como como dificultad para respirar, debilidad o fatiga y presencia de sangrado [ 36 ].

¿Hay alternativas?

Aunque NEWS es la puntuación de riesgo de muerte en 24 h más ampliamente validada, esto no debería detener la búsqueda de una alternativa mejor. Es poco probable que cualquier mejora adicional en la discriminación de la mortalidad en 24 h tenga un beneficio clínico. Las comparaciones de NEWS con otros EWS ahora deberían concentrarse en demostrar mejoras de valor clínico, como facilidad de uso y/o automatización, facilidad de implementación, ahorro de recursos y otros costos, y/o mejora de resultados [ 69 – 71 ]. Un algoritmo derivado del aprendizaje automático (eCART-lite) que utiliza la edad, la frecuencia cardíaca y la frecuencia respiratoria y sus tendencias de 24 horas predice resultados ligeramente mejores que NEWS [ 72 ]. La manipulación de la saturación de oxígeno, la concentración de oxígeno inspirado y la frecuencia respiratoria puede predecir un resultado inminente [ 73 ]. Recientemente, se ha informado que el índice ROX, que solo requiere la medición de la frecuencia respiratoria, la saturación de oxígeno y el porcentaje de oxígeno inspirado, predice el deterioro de los pacientes con COVID-19, medido mediante resultados compuestos, antes que NEWS [ 74 ] y con una calibración más alta [ 75 ].

Si bien la mayoría de las muertes ocurren en pacientes con signos vitales anormales y probablemente son el resultado de un proceso fisiopatológico que ya ha comenzado, las muertes que ocurren en pacientes con signos vitales casi normales y estado mental normal (es decir, NEWS < 3 puntos) tienen más probabilidades de ocurrir. resultan de un evento o proceso que aún está por suceder (p. ej., rupturas o bloqueos, accidentes mecánicos, arritmias cardíacas o desventuras iatrogénicas). Por lo tanto, es más probable que la evaluación de la comorbilidad, la capacidad de ejercicio y otras medidas de reserva fisiológica anticipen estos eventos y predigan la capacidad del paciente para resistirlos que sus signos vitales [ 21 ].

La monitorización automática continua de las tendencias de los signos vitales y el aprendizaje automático prometen predicciones más precisas y menos falsas alarmas [ 76 ], y los algoritmos de aprendizaje automático basados en las tendencias de los signos vitales registrados electrónicamente pueden identificar rápidamente a los pacientes que se han recuperado y cuyo alta es seguro [ 77 ]. Hasta la fecha, no existen estudios amplios, bien controlados y de alta calidad sobre la monitorización continua de los signos vitales que demuestren que tiene beneficios clínicos o es rentable [ 78 ]. Sin embargo, el rendimiento clínico y el valor de esta tecnología se verán influenciados por la intensidad y frecuencia del seguimiento. Por ejemplo, es probable que los datos recopilados cada 5 segundos tengan una ventana de predicción diferente y un uso clínico diferente de los datos recopilados de forma intermitente cada 12 a 24 h. Las puntuaciones complejas con algoritmos derivados de la regresión logística o el aprendizaje automático a partir de grandes conjuntos de datos están comenzando a incorporarse a la práctica clínica. Estos EWS más nuevos operan en segundo plano, analizando variables de registros médicos electrónicos con análisis patentados para la detección temprana del deterioro del paciente. Lamentablemente, hasta el momento, su rendimiento clínico sigue sin estar probado o es decepcionante [ 79 ].

Conclusión

NEWS es el EWS más utilizado y su capacidad para predecir la muerte en 24 h ha sido bien validada en múltiples entornos clínicos en todo el mundo. Proporciona un lenguaje común para la evaluación de la gravedad clínica, que puede utilizarse para desencadenar intervenciones clínicas y evaluar la respuesta a ellas. No debe utilizarse como única métrica para la estratificación del riesgo, ya que su capacidad para predecir la mortalidad más allá de las 24 h no es confiable y está muy influenciada por otros factores. No es posible un protocolo de escalada universal para todos los pacientes en cualquier lugar basado en NEWS y se requiere un enfoque más flexible y personalizado para diferentes entornos clínicos, dependiendo de la experiencia y los recursos disponibles [ 80 ].

Gran parte de las críticas a las news en la literatura no están dirigidas tanto a las NEWS sino a cómo responder a ellas. No es posible un protocolo de escalada universal para todos los pacientes en cualquier lugar basado en NEWS y se requiere un enfoque más flexible y personalizado para diferentes entornos clínicos, según la experiencia y los recursos disponibles. Los principales inconvenientes de NEWS son que medirlo requiere profesionales capacitados, requiere mucho tiempo y es propenso a errores de cálculo.

Seguridad de pacientes. Prevención de caídas. Ahorro de costos.

Costo de las caídas de pacientes hospitalizados y análisis de costo-beneficio de la implementación de un programa de prevención de caídas basado en evidencia

Patricia C. Dykes, PhD, MA, RN^1,2; Mica Curtin-Bowen, Licenciatura en Licenciatura¹; Stuart Lipsitz, doctor en ciencias^1,2; et al Calvino Franz, PhD³; Jason Adelman, MD⁴; Lesley Adkison, PhD, enfermera registrada⁵; Michael Bogaisky, MD⁶; Diane Carroll, PhD, enfermera registrada⁷; Eileen Carter, PhD, enfermera registrada^4,8; Lisa Herlihy, enfermera registrada, MSN⁹; Mary Ellen Lindros, EdD, RN¹⁰; Virginia Ryan, enfermera registrada, MSN¹¹; Maureen Scanlan, MSN, enfermera registrada¹⁰; Mary-Ann Walsh, BSN, RN⁷; Matthew Wien, MS¹; David W. Bates, MD, MSc^1,2

Health forum JAMA. 2023;4(1):e225125. doi:10.1001/jamahealthforum.2022.5125

Pregunta ¿Cuáles son los costos de las caídas de pacientes hospitalizados y los beneficios de costos asociados con el programa Fall TIPS (Intervenciones adaptadas para la seguridad del paciente)?

Hallazgos En esta evaluación económica utilizando una cohorte grande (900.635 pacientes; 7.858 caídas no perjudiciales; 2.317 caídas perjudiciales), el costo total promedio de una caída fue de $62.521 ($35.365 costos directos), y las lesiones no se asociaron significativamente con mayores costos. El programa TIPS de otoño se asoció con $22 millones en ahorros en los sitios del estudio durante el período de estudio de 5 años.

Significado Los hallazgos de este estudio indican que la implementación de programas de seguridad rentables y basados en evidencia se asoció con menores costos y cargas de atención asociadas con las caídas de pacientes hospitalizados y son un paso hacia una atención al paciente más segura y asequible.Abstracto

Importancia No hay investigaciones suficientes sobre los costos de las caídas de pacientes en los sistemas de atención médica, una fuente importante de eventos adversos no reembolsables.

Objetivo Informar los costos de las caídas de pacientes hospitalizados y los ahorros de costos asociados con la implementación de un programa de prevención de caídas basado en evidencia.

Diseño, entorno y participantes En esta evaluación económica, un estudio de casos y controles emparejado utilizó los hallazgos de un análisis de series de tiempo interrumpido que evaluó los cambios en las tasas de caídas después de la implementación de un programa de prevención de caídas basado en evidencia para comprender el costo de las caídas de pacientes hospitalizados. Luego se realizó un análisis económico para evaluar los costos-beneficios asociados con la implementación del programa en 2 sistemas de atención médica de EE. UU. desde el 1 de junio de 2013 hasta el 31 de agosto de 2019, en Nueva York, Nueva York y Boston, Massachusetts. Se incluyeron en el análisis todos los adultos hospitalizados en las unidades participantes. El análisis de datos se realizó desde octubre de 2021 hasta noviembre de 2022.

Intervenciones Programa de prevención de caídas basado en evidencia implementado en 33 unidades médicas y quirúrgicas en 8 hospitales.

Principales resultados y medidas El resultado primario fue el costo de las caídas de pacientes hospitalizados. El resultado secundario fueron los costos y los ahorros de costos asociados con el programa de prevención de caídas basado en evidencia.

Resultados En el estudio de casos y controles y en el análisis económico se incluyeron un total de 10.176 pacientes que sufrieron un episodio de caída (con o sin lesión) con 29.161 controles emparejados (sin episodio de caída) (51,9% tenían entre 65 y 74 años de edad, El 67,1% eran blancos y el 53,6% eran hombres). Antes de la intervención, había 2.503 caídas y 900 heridos; Tras la intervención, hubo 2.078 caídas y 758 lesiones. Basado en una reducción del 19% en las caídas y del 20% en las caídas perjudiciales desde el principio hasta el final del período posterior a la intervención, el análisis económico demostró que las caídas no perjudiciales y perjudiciales se asociaron con aumentos de costos de $35 365 y $36 776, respectivamente. La implementación del programa de prevención de caídas basado en evidencia se asoció con $14 600 en costos netos evitados por 1000 días-paciente.

Conclusiones y relevancia Esta evaluación económica encontró que los eventos adversos relacionados con las caídas representaban una carga clínica y financiera para los sistemas de atención médica y que la política actual de Medicare limita el reembolso. En este estudio, los costos de las caídas sólo difirieron marginalmente según el nivel de lesión. Las políticas que incentivan a las organizaciones a implementar estrategias basadas en evidencia que reduzcan la incidencia de todas las caídas pueden ser efectivas para reducir tanto los daños como los costos.

Introducción

Los errores médicos evitables y los eventos adversos en los hospitales estadounidenses están bien documentados, ¹^– 4 y los costos estimados totalizan $17 mil millones al año. ³^, 5^, 6 Las caídas comprenden la categoría más grande de eventos adversos prevenibles en los hospitales, ⁷^– 9 y se estima que los costos asociados por paciente oscilan entre $ 351 y $ 13 616, ¹⁰^– 12 , pero se necesitan investigaciones que validen los costos.

Muchas caídas hospitalarias se pueden prevenir mediante la implementación de un programa basado en evidencia que identifique los factores de riesgo de caídas de cada paciente, desarrolle planes de prevención individualizados e implemente consistentemente los planes a través de la participación del personal y del paciente. ^{8 , 13 , 14} Sin embargo, la adopción de tales programas es limitada. El propósito de este estudio fue utilizar datos de registros médicos electrónicos (EHR) para estimar el costo de las caídas y lesiones relacionadas y analizar los costos y beneficios asociados con la implementación del programa Fall TIPS (Tailoring Interventions for Patient Safety), un programa basado en evidencia. , programa de prevención de caídas disponible gratuitamente asociado con una reducción del 15 % al 25 % en las caídas de pacientes hospitalizados y una reducción del 0 % al 34 % en las caídas perjudiciales. ^8 , 15

Evaluamos los costos de las caídas de pacientes hospitalizados (dólares estadounidenses de 2021) antes, durante y después de la implementación del programa Fall TIPS en 2 grandes sistemas de atención médica. Clasificamos la gravedad de las caídas en una escala que va desde no perjudiciales hasta graves o mortales ¹⁶ para comprender cómo se asocian los grados de lesión con los costos. Finalmente, evaluamos los costos-beneficios asociados con la implementación del programa.MétodosDiseño del estudio y participantes

En esta evaluación económica, realizamos un análisis de costo-beneficio de la implementación del Programa Fall TIPS con el resultado principal del costo de las caídas de pacientes hospitalizados. Un análisis secundario cuantificó los costos y ahorros asociados con el programa de prevención de caídas basado en evidencia. Nuestro modelo base estimó el ahorro de costos total de los efectos de la intervención (es decir, la reducción de los costos totales directos y totales de la estancia hospitalaria). El modelo se enmarcó desde la perspectiva del sistema de atención médica, y los datos sobre costos y resultados se obtuvieron de un estudio de series de tiempo interrumpido (ITS) no aleatorio realizado en 2 grandes sistemas de atención médica en el Bronx, Nueva York (sitio 1; 3 hospitales ) y Boston, Massachusetts (sitio 2; 5 hospitales). Todos los hospitales implementaron el Programa TIPS de Otoño en unidades médicas y quirúrgicas. La evaluación ITS se realizó entre el 1 de junio de 2013 y el 31 de agosto de 2019 para evaluar los resultados del programa Fall TIPS y comparar las tasas de caídas y lesiones por caídas (apéndice electrónico y figuras electrónicas 1 y 2 en el Suplemento 1 ). También realizamos un estudio de casos y controles para estimar los costos directos y totales adicionales asociados con el nivel de caídas y lesiones. Este estudio siguió las pautas de informes de los Estándares consolidados de informes de evaluación económica de la salud ( CHEERS ) y del Fortalecimiento de los informes de estudios observacionales en epidemiología ( STROBE ). Las juntas de revisión institucional de Montefiore y Mass General Brigham Healthcare Systems aprobaron el estudio. Debido a la naturaleza de mejora de la calidad de la intervención, las juntas de revisión institucional de Montefiore y Mass General Brigham Healthcare Systems otorgaron una exención del consentimiento informado.Diseño e intervención del estudio.

Todos los sitios tuvieron un período previo a la intervención de 15 meses desde junio de 2013 hasta septiembre de 2014. En colaboración con el liderazgo del hospital, el equipo del estudio asignó el período de implementación entre septiembre de 2014 y mayo de 2018 según las fechas de implementación de EHR y otros proyectos competitivos ( Figura ).

Todos los hospitales implementaron las herramientas de planificación de atención y evaluación de riesgos Fall TIPS en sus EHR. Los sitios de Boston también implementaron el cartel laminado de TIPS de otoño. ^8 , 14 sitios de Nueva York implementaron el cartel de TIPS de otoño generado por EHR. ^8 , 14 Ambas modalidades son efectivas para facilitar la participación del paciente en la prevención de caídas. ¹⁷ El cumplimiento del protocolo se midió con auditorías de participación del paciente realizadas por líderes de las unidades. ⁸ Todos los sitios completaron la recopilación de datos en agosto de 2019.Resultados

Los resultados primarios fueron los costos totales y directos de caerse en comparación con no caerse. Los resultados secundarios fueron los costos y los ahorros de costos asociados con el programa de prevención de caídas basado en evidencia.Análisis estadísticoEstudio de casos y controles

Evaluamos los costos de caer en comparación con los de no caer. Los casos se definieron como todos los pacientes que fueron reportados como caídas en el sistema de notificación de incidentes de los hospitales participantes desde el 1 de junio de 2013 hasta el 31 de agosto de 2019. Los controles fueron pacientes seleccionados al azar que no fueron reportados como caídas durante los mismos períodos. Los controles se emparejaron con los casos en una proporción de 3:1 según la unidad, el sexo, la raza y el origen étnico, el tipo de seguro, la puntuación del índice de comorbilidad de Charlson, la edad y la duración de la estadía previa al evento (LOS). Los datos sobre el uso de recursos se obtuvieron de la base de datos financiera y comprendieron los costos totales y directos. Los costos totales incluyen costos administrativos y generales. Como los costos totales no pueden evitarse en el corto plazo, es posible que sobreestimen los ahorros de costos. Los costos indirectos pueden ajustarse con el tiempo; menos caídas requerirán menos tiempo administrativo, lo que reducirá los costos indirectos. Los indicadores de uso de recursos incluyeron LOS y costos. Primero evaluamos las asociaciones de caídas sin lesión, cualquier lesión, lesión menor y lesión grave con el logaritmo del costo, una variable dependiente continua (usando la transformación logarítmica porque el costo estaba sesgado a la derecha), usando modelos de efectos aleatorios para tener en cuenta el emparejamiento. . Luego reexaminamos estas asociaciones mediante regresión de efectos aleatorios para controlar posibles factores de confusión debidos a factores clínicos y socioeconómicos. El análisis de los datos se realizó desde octubre de 2021 hasta noviembre de 2022. Utilizamos el software estadístico SAS, versión 9.4 (SAS Institute) para los análisis.Análisis coste-beneficio

Aprovechamos los hallazgos del estudio de casos y controles para determinar los costos y beneficios asociados con la implementación del programa TIPS de otoño.Costos de implementación

Los costos no recurrentes de capital y los costos operativos anuales continuos asociados con la implementación se obtuvieron de los sitios de estudio. El programa se integró en los sistemas EHR y no hubo tarifas de licencia ni costos de capital. Los costos únicos de implementación incluyeron capacitación del personal (es decir, 1 hora por enfermera/2 horas por enfermera líder), carteles laminados, marcadores de borrado en seco, adhesivos (hospitales de Boston) y costos de reemplazo de carteles (20% de los carteles por año, amortizados en 5 años); Los hospitales de Boston gastan 3,33 dólares por cama al año. Los hospitales del Bronx imprimen nuevos carteles en papel para cada paciente a un costo estimado de $1,00 por paciente. Es posible que se incurra en costos continuos debido al tiempo adicional dedicado al uso del programa TIPS de otoño. Una encuesta indicó que la mayoría de las enfermeras (62 %) obtuvieron un promedio de 1 minuto adicional cada día por paciente, mientras que el 38 % informó un ahorro de tiempo promedio de 10 minutos cada día por paciente. ¹⁸ Debido a la amplia gama de resultados, asumimos que el programa TIPS de otoño es neutral en el tiempo.Beneficios de la implementación

Los beneficios atribuibles al programa Fall TIPS incluyeron cualquier reducción en las caídas de pacientes y las caídas perjudiciales después de su implementación. Valoramos los beneficios como los costos evitados de evaluar y tratar a un paciente que sufrió una caída. Obtuvimos cifras para el costo promedio de una estadía hospitalaria para un paciente con (1) ninguna caída, (2) una caída pero sin lesión y (3) una caída con alguna lesión. Esta estimación de beneficios estrechamente enfocada no incluye el dolor y el sufrimiento evitados por el paciente, ni el costo de oportunidad del tiempo del paciente si hubiera requerido una LOS más larga.Análisis coste-beneficio

Comparamos los costos y beneficios del programa TIPS de otoño para evaluar una instantánea de los costos y beneficios al inicio y al final de los períodos de intervención.ResultadosDiseño del estudio y participantes

Se incluyeron en el ITS un total de 900 635 pacientes y 4 955 534 días-paciente ( Tabla 1 ; Apéndice electrónico y Figuras 1 y 2 electrónicas en el Suplemento 1 ). Entre los períodos, los pacientes fueron similares en cuanto a estancia hospitalaria y de unidad, edad, sexo y tipo de seguro. Los pacientes en el sitio 1 tenían más probabilidades de no ser blancos que blancos (79,8%-82,6% no blancos [indios americanos o nativos de Alaska, asiáticos o isleños del Pacífico, negros o afroamericanos, nativos de Hawái u otros isleños del Pacífico] en todos los períodos) , mientras que los pacientes en el sitio 2 tenían más probabilidades de ser blancos que no blancos (82,1 % -83,3 % blancos en todos los períodos). La estancia media (DE) hospitalaria osciló entre 5,4 (7,3) días y 5,6 (7,9) días, y la estancia media (DE) unitaria osciló entre 4,4 (6,1) días y 4,6 (6,0) días. En cada periodo hubo más mujeres que hombres (52,3%-53,6% mujeres frente a 46,5%-47,7% hombres). Más pacientes eran menores de 65 años en todos los períodos (51,1%-56,7% de los pacientes tenían <65 años; 43,3%-48,9% de los pacientes tenían ≥65 años). Las diferencias estandarizadas que comparan las características demográficas entre los períodos estuvieron bien equilibradas (<10%), excepto la raza y el origen étnico cuando se compara el período previo a la intervención con el período de inicio y la puntuación total del Índice de comorbilidad de Charlson al momento del ingreso cuando se compara el período previo a la intervención con el período posterior a la intervención. . Ajustamos estas variables en los análisis (consulte las tablas electrónicas 1 y 2 en el Suplemento 1 para conocer las características demográficas específicas del sitio).Estudio de casos y controles

Durante el período de estudio de 74 meses, hubo 7858 caídas no perjudiciales y 2317 perjudiciales. La tabla 2 incluye las estadísticas descriptivas. El costo total promedio de una caída fue de $62 521 ($36 776 costos directos), y el costo total promedio de una caída con cualquier lesión fue de $64 526 ( Tabla 3 ). La intervención costó 267.700 dólares (ambos sistemas de atención de salud), lo que equivale a 0,88 dólares por paciente o 180 dólares por 1.000 días-paciente. La intervención evitó 567 caídas (142 con lesión y 425 sin lesión), lo que resultó en costos totales evitados por 1000 días-paciente de $14 762 (aproximadamente $8500 en costos directos por 1000 días-paciente) ( Tabla 4 ) en el período posterior a la intervención. Los costos netos evitados por 1000 días-paciente ascendieron a $14 600 (aproximadamente $8300 costos directos) para un ahorro total de costos de $22 036 714.

Suponiendo estimaciones de 25,5 mil altas médicas o quirúrgicas con 123 130 000 días-paciente anuales a nivel nacional ¹⁹ y extrapolando los ahorros de costos de esta intervención, proyectamos ahorros de costos anuales de $ 1,82 mil millones (ahorros de costos directos $ 1,05 mil millones) frente a costos totales de intervención proyectados de $ 20 millón. Utilizamos el salario por hora promedio nacional de las enfermeras registradas ($39,78) ²⁰ para esta extrapolación, lo que resulta en costos de intervención más bajos por cada 1000 días-paciente que el salario promedio ponderado por hora de las enfermeras registradas en Massachusetts y Nueva York ($46,06). ²¹Discusión

Encontramos que el costo total promedio de una caída fue de $64 526 ($36 776 costos directos) y que el nivel de lesión no se asoció significativamente con el costo. El programa TIPS de otoño se asoció con un ahorro de costos total de $22 millones durante aproximadamente 5 años en los sitios de intervención, proyectado a un ahorro de costos anual a nivel nacional de $1,82 mil millones. La información sobre el costo de las caídas de pacientes hospitalizados es limitada, desactualizada y variable, ¹⁰^– 12 y otras evaluaciones de programas de prevención de caídas hospitalarios demuestran resultados mixtos de costo-efectividad, en los que los costos de algunos programas fueron mayores que los ahorros potenciales. ²² Un informe de 2016 ²³ contratado por la Agencia para la Investigación y la Calidad de la Atención Médica estimó que el costo de una caída (cualquier lesión) fue de $6694 (dólares estadounidenses de 2015) basándose en gran medida en un estudio de casos y controles de una muestra de pacientes hospitalizados (62 casos [es decir, pacientes que tuvieron un evento de caída]) y revisión manual de la historia clínica. ¹⁰ Este mismo informe estima que por cada 1.000 caídas, hay 50 muertes en exceso. Este presente estudio utilizó datos de costos reales de los sistemas EHR de 2 grandes sistemas de atención médica (10 176 casos [es decir, pacientes que sufrieron una caída]) y determinó que el costo directo de una caída con cualquier lesión fue de $36 776 (costo total $64 526). Estratificamos las caídas por gravedad, incluimos controles emparejados y nuestro objetivo fue brindar a los líderes de atención médica información que demuestre los costos de las caídas y los beneficios de implementar un programa basado en evidencia. El ITS (eApéndice y eFiguras 1 y 2 en el Suplemento 1 ) incluyó una muestra total de 900 635 pacientes y más de 74 meses de datos para evaluar cómo la implementación del programa se asoció con los costos. El programa TIPS de otoño ahorró $22,0 millones en el período posterior a la intervención en dos sistemas de atención médica ($6,4 millones y $15,6 millones, respectivamente) y evitó 50 muertes adicionales. ²³

Los costos de las caídas con o sin lesión no fueron apreciablemente diferentes. Este hallazgo sugiere que incluso en ausencia de una lesión obvia, la evaluación y las pruebas posteriores a la caída son exhaustivas y la estancia prolongada. Por lo tanto, los programas que previenen todas las caídas brindan las mayores oportunidades de ahorro de costos. Hasta donde sabemos, este es el estudio más grande hasta la fecha que evalúa el costo de las caídas hospitalarias y se basa en la literatura existente que demuestra la rentabilidad de los programas de prevención de caídas basados en evidencia. ⁸^, 15^, 18

Realizamos análisis de sensibilidad para evaluar la variación de los costos sobre los beneficios netos de la intervención. Debido a que los costos de material promediaron aproximadamente $0,88 por 1000 días-paciente, nos centramos en la incertidumbre en el tiempo de las enfermeras registradas. Según un estudio previo, consideramos que la intervención era neutral en cuanto al tiempo para las enfermeras. ¹⁸ Si en cambio asumimos que la intervención les cuesta a las enfermeras 2 minutos adicionales por turno por día-paciente, entonces con 1,492 millones de días-paciente en el análisis, el programa TIPS de otoño aumentó los costos en $6,88 millones. Esto reduce el ahorro total de costos directos por 1000 días-paciente de $14 500 a $10 000 (de $8500 a $3715 para costos directos). Además, realizamos un análisis de “punto de equilibrio” del tiempo de las enfermeras y calculamos que se podrían gastar 179 horas adicionales de enfermeras registradas (incluidas enfermeras campeonas) por cada 1000 días-paciente en el programa TIPS de otoño antes de que los costos excedieran los beneficios. Esto equivale a 10,75 minutos adicionales por paciente cada día. Por lo tanto, llegamos a la conclusión de que el programa TIPS de otoño genera ahorros de costos netos en una amplia gama de supuestos relacionados con el tiempo de enfermería.

En 2008, los Centros de Servicios de Medicare y Medicaid (CMS) pusieron fin al reembolso de costos relacionados con caídas, ²⁴ una política controvertida porque algunas caídas no se pueden prevenir. ²⁵ Muchos hospitales respondieron implementando estrategias de prevención de caídas respaldadas por poca o ninguna evidencia. ²⁶ Hoy en día existe una amplia variación en la implementación de estrategias efectivas de prevención de caídas. Se han utilizado incentivos financieros dentro del programa nacional de pago por calidad para disminuir la frecuencia y el costo de las caídas de los pacientes, pero, hasta la fecha, abordan solo las lesiones por caídas y una minoría de los casos. Por ejemplo, la iniciativa del Sistema de Pago Prospectivo para Pacientes Internados de 2008, promulgada para prevenir las enfermedades adquiridas en el hospital (HAC, por sus siglas en inglés), exigía que los CMS ya no pagaran por enfermedades que (1) fueran de alto costo o alto volumen, (2) dieran como resultado un pago más alto cuando estuvieran presentes como un diagnóstico secundario, y (3) se consideraron prevenibles. ²⁷ Según la norma final, los HAC se identifican a través de datos de reclamaciones. Los hospitales deben informar el estado de la información de presencia en el momento de la admisión (POA) para los diagnósticos principales y secundarios al presentar reclamaciones. Según los datos del año fiscal 2011, un informe encontró aproximadamente 89,3 millones de reclamaciones de diagnóstico secundario, pero más del 75 % se declararon como POA. La categoría HAC de Caídas y Trauma fueron los diagnósticos secundarios informados con mayor frecuencia, pero solo el 3,2 % se codificaron como no POA. Si bien solo una pequeña minoría de las lesiones por caídas se codificaron como POA, la categoría Caídas y Traumatismos contenía el mayor porcentaje de altas hospitalarias (27,2%) que resultaron en una reasignación de los Grupos Relacionados con el Diagnóstico de Gravedad de Medicare ²⁸ y los hospitales absorbieron el costo.

El CMS implementó el Programa de Reducción de HAC ²⁹ para vincular los pagos de Medicare con la calidad de la atención médica. Según ese programa, los hospitales que se ubican en el cuartil de peor desempeño reciben una reducción del 1% en los pagos generales de Medicare. La puntuación total de HAC incluye el compuesto de eventos adversos y seguridad del paciente de CMS (CMS PSI 90), que consiste en un promedio ponderado de la tasa de caídas hospitalarias con fractura de cadera y otros 9 HAC. La mayoría de las lesiones por caídas importantes, cuya gravedad varía desde aquellas que causan un deterioro funcional temporal (es decir, dislocación del hombro o dientes rotos) hasta lesiones asociadas con una mayor mortalidad (es decir, fracturas de cráneo y hematomas subdurales), no están incluidas en esta medida. Recientemente, el CMS anunció que planea suprimir las multas de pago del Programa de Reducción de HAC para el año fiscal 2023 debido al impacto de la emergencia de salud pública de COVID-19 en los esfuerzos de presentación de informes de datos durante la pandemia. ³⁰ Los hospitales participantes no recibirán una puntuación HAC total ni una multa de pago, pero CMS calculará e informará públicamente las puntuaciones CMS PSI 90. Esta pausa en las reducciones basadas en sanciones de los CMS puede brindar una oportunidad para que los hospitales y los sistemas de salud reevalúen sus programas de prevención de caídas y adopten un programa basado en evidencia. Si bien los CMS han implementado políticas desincentivos para reducir las lesiones por caídas y han creado una designación de “evento nunca” para las caídas de pacientes hospitalizados, ³¹ no han promovido una herramienta de prevención de caídas basada en evidencia. Los datos de este estudio sugieren que las políticas que incentivan a los hospitales a prevenir todas las caídas pueden ser las más rentables. Los CMS deberían promover programas de prevención de caídas basados en evidencia, como el programa Fall TIPS.

Este análisis de costo-beneficio se basa en centros médicos académicos y hospitales comunitarios y debería poder generalizarse a otras organizaciones que utilizan el programa TIPS de otoño. El nivel de detalle con el que se pueden comparar los costos depende de las diferencias de costos específicas de cada hospital. Este análisis podría haber tenido en cuenta los verdaderos costos únicos de desarrollo, pero otros hospitales no incurrirán en costos de desarrollo porque el programa TIPS de otoño ya existe. Por el contrario, los costos incurridos y los beneficios en términos de costos dependen de las estructuras organizativas existentes para respaldar la seguridad del paciente. Los costos-beneficios se pueden extrapolar escalando los resultados según el número de pacientes. Quizás sea posible utilizar datos sobre las características de los pacientes, caídas o lesiones y puntuaciones de la cultura de seguridad para realizar una extrapolación más sofisticada a poblaciones típicas de pacientes en otros tipos de hospitales.

Este estudio analizó los costos y beneficios de prevenir caídas utilizando el programa Fall TIPS desde la perspectiva del sistema de atención médica. Los hallazgos se pueden utilizar para ayudar a otras organizaciones a evaluar la decisión de invertir en la implementación de un programa de prevención de caídas basado en evidencia. Los hallazgos también pueden ser instructivos desde una postura de política pública, ya que este programa es beneficioso para la seguridad del paciente, genera ahorros de costos y utiliza materiales validados que están disponibles de forma gratuita en 9 idiomas. ³² Los recursos para mejorar la seguridad del paciente son limitados y los beneficios asociados con el Programa TIPS de Otoño superan con creces los costos asociados.

Editorial: Problemas pendientes del sistema de salud argentino ¿Porque no disminuye el número de casos y muertes por Carcinoma de cuello uterino?.

Esta editorial será parte de una serie, que publicaré en los próximos dos meses, que requiere la participación sensata de todos los integrantes del área de conocimiento específico e implementación de las políticas publicas en nuestro sistema de salud como una contribución para mirar al futuro con optimismo. En esta categoría editorial denominadas Problemas pendientes en nuestro sistema de Salud. Donde me realizaré algunas preguntas desde la lógica sanitaria:

1. Cual es la cobertura real de realización de estudios de calidad de Papanicolau, con muestras de células endocervicales.

2. Realización de PAP, sin colposcopia que aumenta la sensibilidad del procedimiento.

3. No buscar población de riesgo en los barrios postergados y en el interior.

4, Cuantas mujeres de más de once años que están vacunados.

5. Es un síntoma de la crisis de la atención primaria en las provincias argentinas la falta de disminución de la incidencia del Cáncer de Cérvix.

6. Los sistemas de salud privados tampoco incentivan la detección precoz del HPV.

7. No incentivar el uso de profilácticos para disminuir la incidencia. Los sistemas de salud y el mercado no tienden naturalmente a la equidad, a pesar de lo que se diga y propugne como uno de sus valores fundacionales, disminuir la desigualdad injusta.

8. faltan recursos y provisión de insumos para la continuidad.

9. Es necesario formar más agentes de atención primaria y ginecólogos.

Previniendo la instalación del oncogén o tratándola a tiempo, la disminución del cáncer de cuello uterino hasta casi su desaparición sería posible.

Se registran 4500 nuevos casos por año y mueren 2300 mujeres, cifras que están estabilizadas desde que se incluyó la vacuna en el calendario.

En un estudio grande de casi 1,7 millones de mujeres, publicado en el New England Journal of Medicine se comprobó la eficacia de la vacuna de forma muy notable, en particular, en las niñas que se vacunaron antes de los 17 años. En este grupo de edad, se observó casi un 90 % de disminución en la incidencia del cáncer de cuello uterino durante el período de 11 años del estudio (2006 a 2017) en comparación con la incidencia en las mujeres que no recibieron la vacuna.

“Esta es una vacuna contra el cáncer, que puede salvar vidas”, declaró la doctora Jiayao Lei, del Instituto Karolinska en Estocolmo, encargada del estudio.

En la Argentina el Cáncer de Cuello de Útero ocupa el cuarto lugar en mortalidad luego del cáncer de mama, seguido por el cáncer de pulmón, y el cáncer colorrectal, según el informe del Instituto Nacional del Cáncer de 2022. Cada año aproximadamente 4500 reciben este diagnóstico y se estima que 2300 pacientes mueren anualmente por esta enfermedad.

Todos los casos de Cáncer de Cuello Uterino están causados por una infección persistente por el Virus del Papiloma Humano, conocido como VPH por sus siglas en español o HPV por sus siglas en inglés, de alto riesgo. A nivel mundial se estima que 4 de cada 5 personas van a contraer uno o varios de los tipos de VPH en algún momento de sus vidas.

Una de las maneras más efectivas de prevenir la adquisición del VPH es la vacunación: “En Argentina, existe una vacuna contra el VPH, incluida en el Calendario Nacional de Vacunación, llamada tetravalente. Esta previene dos de los tipos de alto riesgo responsables de cerca del 80% de los casos de cáncer de cuello uterino y protege contra dos de bajo riesgo que se asocian con verrugas genitales. Niños y niñas de 11 años deben recibir 2 dosis de la vacuna. También, se indica su uso a todas las personas con VIH o con trasplantes de órganos entre 11 y 26 años. En estos casos se indican 3 dosis.» Destaca la Dra Florencia Cahn, Directora de Unidad de Vacunas de Fundación Huésped.

“Se estima que el 80% de las personas que alguna vez hayan tenido relaciones sexuales van a contraer uno o varios de los tipos de VPH en algún momento de sus vidas. Es importante que las personas con útero se realicen controles ginecológicos de manera periódica, para detectar la aparición de lesiones. El Papanicolaou (PAP) es un examen sencillo que no requiere anestesia y es gratuito en Centros de Salud u hospitales de todo el país.”

Bueno entonces que pasa. No escucho en el debate del claustro estos problemas. Tal vez tiene más prensa la prevención del cáncer colorectal que el de cuello uterino. Que fuerzas son las que impulsan este abordaje que no mejora los resultados.

Tendríamos que replantearlo inmediatamente. Si no aumentan las vacunaciones, la detección y el tratamiento, el número de muertes continuará aumentando. Urge una mayor oferta de la vacuna contra el VPH para las niñas más expuestas.

En este aspecto como en otros, la falta de la penetrancia de una política de estado en las poblaciones más postergadas, hace que los medios con los que se cuentan no lleguen a la población, no aumenten las tasas de realización de estudios de diagnóstico precoz y acortar el camino entre el diagnóstico y el tratamiento a tiempo. Es un problema de priorización e implementación. De conciencia y responsabilidad. De continuidad de una política de estado.

El progreso y el futuro de la inteligencia artificial en los cuidados de enfermería: una revisión

Hassan Mahmoudi¹^{, 2}^{, *} Mohammad Hesam Moradi¹

Argentina con el compromiso de la Asociación de trabajadores de sanidad, las escuelas de ciencias de la salud, están haciendo una transformación en la formación de la enfermería, reconvirtiendo y formando una fuerza laboral, que ingresa al mercado formal, pero exige de los gestores y gerentes un compromiso sinérgico, para mejorar las condiciones de trabajo, porque unos cuidadores mejor formados llevará a resultados más positivos, poder sostener un nivel de cuidado de los pacientes excelente. Estamos por el buen camino, con las fuerzas de los actores sociales como socio estratégicos para dotar a la fuerza laboral de las competencias para el nuevo cuidado, por ello incorporo la revisión de que sumaría la inteligencia artificial a nuestros niveles actuales. Les ofrezco este excelente artículo.

1. INTRODUCCIÓN

La integración de la tecnología de IA ha demostrado su potencial para mejorar la atención de enfermería al reducir los errores de diagnóstico, mejorar los tiempos de respuesta a emergencias, mejorar la calidad de la atención al paciente y el apoyo psicológico, y permitir la atención remota para pacientes mayores a través de tecnología inteligente. Los sistemas de monitorización inteligentes recogen datos lógicos de los pacientes que utilizan sensores y dispositivos portátiles, lo que ayuda a las enfermeras a brindar una mejor atención al paciente.

La IA puede facilitar la comunicación entre enfermeras y pacientes, especialmente en situaciones en las que existen barreras lingüísticas. Las enfermeras se benefician del ciclo de sueño del paciente para brindar una mejor atención y satisfacer las necesidades de sus pacientes de manera más efectiva [1, 2]. El paciente es monitoreado continuamente por un dispositivo de monitoreo basado en IA para detectar cualquier defecto o emergencia médica. Al analizar los datos de los pacientes en anestesia y UCI, la IA puede detectar patrones de cambios tempranos en los indicadores vitales de los pacientes y proporcionar advertencias a las enfermeras. Establecer un vínculo sólido e íntimo entre las enfermeras, el personal de tratamiento y los pacientes genera una mayor sensación de seguridad y tranquilidad dentro de los pacientes, lo que acelera su recuperación y curación. Las recomendaciones de AI para tomar medidas oportunas pueden, sin duda, mejorar los resultados del tratamiento de los pacientes. En esta investigación, exploramos la influencia de la IA en el campo de la enfermería, dilucidando su contribución a la mejora del estándar de la atención sanitaria. La IA, una tecnología de vanguardia y destacada en los últimos tiempos, ha afectado profundamente a diversas industrias y dominios científicos. La enfermería, al ser un sector indispensable dentro de las ciencias médicas, también ha cosechado las ventajas de estos avances y ha experimentado transformaciones sustanciales debido a la IA. En las últimas décadas, los campos de la informática y la medicina han reconocido la IA como una tecnología avanzada con el potencial de mejorar la atención sanitaria y agilizar los procesos de enfermería. La colaboración entre la IA y las prácticas de enfermería ha demostrado ser significativamente más eficaz. Esta investigación tiene como objetivo analizar el impacto beneficioso de la IA en la precisión del diagnóstico de enfermedades, las capacidades de predicción y la mitigación de problemas relacionados con la atención médica. Además, evalúa los resultados derivados de diversos estudios e investigaciones [3, 4].

1.1. ¿Qué es la IA?

IA significa inteligencia informática. Esta tecnología emplea técnicas y algoritmos que permiten a las computadoras realizar tareas que normalmente requieren inteligencia y comprensión humanas. Estas tareas abarcan la toma de decisiones, el aprendizaje, el reconocimiento de patrones y la resolución de problemas intrincados. Los datos y los diversos algoritmos son clave para mejorar las capacidades de la IA (Tabla 1) [4].

2. HISTORIA

El concepto de IA fue introducido inicialmente por John McCarthy en las décadas de 1950 y 1960. Concibió la idea de desarrollar una máquina capaz de emular el pensamiento humano. Durante esta época, otros investigadores notables, como Alan Turing y John Maxwell, propusieron algoritmos significativos en el ámbito de la IA. Posteriormente, en la década de 1970, hubo un declive y una disminución del interés por esta tecnología, que se atribuyó a diferentes factores. Sin embargo, en la actualidad, la IA se ha convertido en uno de los principales dominios de la investigación, la tecnología y la industria. Ha permeado diversos campos, como la medicina, los coches inteligentes y muchos otros [11, 12].

3. LA IA EN ENFERMERÍA

La IA en enfermería tiene el potencial de mejorar los procesos de tratamiento, diagnóstico y atención mediante el uso de soluciones basadas en datos y algoritmos especializados. En la Tabla 2 se enumeran algunos de los conceptos, métodos y algoritmos tecnológicos empleados en esta área:Tabla 1.

Términos relacionados con la IA.

Llegar a un acuerdo con la IA
Reconocimiento de patrones sintácticos [5]	Proporciona un mecanismo de análisis para el problema del reconocimiento de patrones, que contiene un contenido sintáctico significativo.
Procesamiento del lenguaje natural [6]	Un campo de aprendizaje automático en el que una computadora podría comprender, analizar y manipular datos para posiblemente generar lenguaje.
Motor de búsqueda [7]	Permite una búsqueda de información en internet utilizando palabras clave.
Visión artificial [8]	Un campo de estudio para desarrollar técnicas para que las computadoras visualicen y comprendan contenido digital, como imágenes, fotos y videos.
Percepción de la máquina [9]	Un concepto en el que las computadoras tienen la capacidad de sentir y actuar sobre sus percepciones.
Almacén de datos [7]	Una tecnología en la que las bases de datos se agregan de múltiples fuentes para la elaboración de informes y el análisis.
Lago de datos [10]	Un repositorio de almacenamiento que contiene una gran cantidad de datos sin procesar en su formato nativo hasta que se necesitan
Patrimonio de datos [7]	Acumulación de todos los datos de la organización.

Tabla 2.

Conceptos, métodos y algoritmos utilizados en IA.

Tecnología/Método/Algoritmo	Descripción
Aprendizaje profundo [13]	Las redes neuronales profundas mejoran el diagnóstico de enfermedades, el análisis de imágenes médicas, como radiografías y resonancias magnéticas, y la predicción de los resultados del tratamiento.
Procesamiento del Lenguaje Natural (PLN) [14]	Los sistemas de PNL extraen y analizan información de los registros de los pacientes, los informes médicos y otras fuentes para ayudar a las enfermeras en la toma de decisiones.
Aprendizaje por refuerzo [15]	Los modelos de aprendizaje por refuerzo pueden aprender estrategias óptimas para la detección y el tratamiento de enfermedades, guiando a las enfermeras en la toma de decisiones complejas y rápidas.
Procesamiento de imágenes médicas [16]	Los algoritmos y técnicas como las redes neuronales convolucionales (CNN) y las redes híbridas se utilizan para el diagnóstico rápido de imágenes médicas.
Análisis de datos hospitalarios [17]	La minería de datos y la analítica basada en el aprendizaje automático identifican nuevos patrones en los datos hospitalarios, mejorando la calidad de la atención sanitaria y optimizando los procesos hospitalarios.
Monitorización de pacientes [18]	Los sistemas de monitorización inteligentes recopilan datos fisiológicos de los pacientes mediante sensores y dispositivos portátiles, lo que ayuda a las enfermeras a mejorar la atención al paciente.
Sistemas predictivos [19]	Utilizando los datos de los pacientes, el historial médico y otros factores, los sistemas predictivos pronostican el riesgo de nuevas enfermedades o la exacerbación de las existentes, ayudando a las enfermeras en la planificación de la atención.
Sistemas de apoyo a la toma de decisiones [20]	Estos sistemas ayudan a las enfermeras en la toma de decisiones avanzadas y más efectivas mediante el análisis de datos e información clínica.

4. DIAGNÓSTICO Y DIAGNÓSTICO PRECOZ DE ENFERMEDADES

Sin duda, con el tiempo, la erosión del trabajo entre enfermeras y médicos debido a los largos turnos y otros factores reduce la posibilidad de error humano en el diagnóstico de enfermedades, y esto puede conducir a una disminución en la precisión del diagnóstico de enfermedades. Sin embargo, la IA posee rasgos como la precisión, la eficacia y la tasa de error mínima, que se atribuyen a sus capacidades de aprendizaje automático y a sus conocimientos previos. El diagnóstico precoz de la enfermedad inicia el proceso de tratamiento más rápido y tan pronto como se realiza el diagnóstico, el proceso de recuperación y atención se puede hacer mejor [12, 21].

4.1. Investigación y predicción de tendencias clínicas

El análisis y la predicción de patrones clínicos es otra parte de la eficacia de la IA. Al examinar los datos del paciente, la IA puede pronosticar los problemas de salud y las complicaciones derivadas de la enfermedad. Esta conciencia y predicción basada en las circunstancias del individuo puede ser de gran ayuda en el curso de la atención del paciente. Por ejemplo, puede dar una idea de la probabilidad de infección durante la estancia hospitalaria, las complicaciones causadas por la administración de medicamentos, la respuesta del individuo a los protocolos de tratamiento e incluso predecir el proceso de recuperación [22].

4.2. Gestión y optimización de recursos en salud

Con el sistema de categorización y gestión de medidas médicas y de enfermería, podemos organizar y gestionar cuidadosamente los expedientes, lo que reduce la necesidad de papeleo. Además, la IA cuidadosamente, con la categorización adecuada y la confianza en el registro de la información, lo cual es importante, es totalmente posible poner un sistema especial para cada paciente en la cama. Además, la IA clasifica cuidadosamente la información y garantiza que la información importante se pueda registrar colocando un sistema de IA junto a la cama del paciente [22].

4.3. Facilitar la comunicación entre enfermeras y pacientes

La IA puede facilitar el intercambio de información entre los proveedores de atención médica y sus pacientes, especialmente en situaciones en las que existen barreras lingüísticas [23].

4.4. Beneficios de integrar la IA en la enfermería

4.4.1. Mayor precisión en el diagnóstico de enfermedades

La IA puede ayudar a los médicos en el análisis de imágenes médicas como radiografías, imágenes por resonancia magnética (IRM) y tomografías computarizadas (TC), mejorando así la precisión en el diagnóstico de enfermedades. La IA puede ser una herramienta útil para minimizar los errores médicos debido a su excepcional precisión y ausencia de influencias de la erosión emocional o laboral. Además, tras el diagnóstico, la IA puede proporcionar recomendaciones adecuadas en función del tipo de enfermedad y del estado del paciente [22].

4.4.2. Reducción de la fatiga y el agotamiento laboral

Los bots de IA tienen la capacidad de facilitar el transporte de pacientes, entregar artículos junto a la cama, ayudar con los servicios de bienestar y ejecutar las órdenes del médico. Minimizar el tiempo de movilidad de la enfermera durante el traslado le permite concentrarse en abordar varios asuntos al lado de la cama. El énfasis principal se encuentra en el cuidado de la enfermera a pie de cama [24].

4.4.3. Optimización de recursos y reducción de residuos

La IA puede ser un mejor programa para asignar enfermeras, reducir el consumo de papel y olvidarse de escribir materiales, la gestión de citas y la programación para que se reduzca el tiempo de espera de los pacientes y conduzca a una mejora de la calidad de las enfermeras y de la educación sanitaria y la gestión de residuos [25].

4.4.4. Seguimiento y ajuste del plan de comidas

La IA puede proporcionar sugerencias relacionadas con la nutrición basadas en las necesidades fisiológicas del paciente. Sin lugar a dudas, los pacientes con hipertensión arterial necesitan alimentos bajos en sodio. Los pacientes diabéticos bajos en azúcar y otros pacientes también necesitan una dieta especial para reducir las complicaciones [26].

4.4.5. Mejora de la calidad de la asistencia sanitaria

Mediante el uso de datos y técnicas de muestreo preliminares, como la biopsia, la IA es capaz de facilitar la detección precoz y el tratamiento de los pacientes. Además, permite proporcionar métodos de tratamiento eficaces. Al analizar los datos recopilados de pacientes individuales, la IA puede adaptar programas y atención personalizados para cada persona, lo que da como resultado un enfoque centrado en la persona. Además, el sistema de IA puede predecir el tratamiento y el comportamiento futuros del paciente mediante el uso de algoritmos predictivos. Esta información se utiliza para proporcionar recomendaciones a las enfermeras, lo que ayuda a mejorar los procesos de atención. Por último, al aprovechar el análisis de datos, la IA puede mejorar continuamente los procesos asistenciales, contribuyendo así a la mejora general de la atención al paciente [27].

4.4.6. Ayudar a las enfermeras a prevenir determinadas enfermedades

Al utilizar la tecnología AI y AI-Bot, la información del paciente se clasifica al ingresar al hospital y se comunica al personal con respecto a sus enfermedades específicas, incluido el virus de inmunodeficiencia humana (VIH), la hepatitis C y B y el virus del papiloma humano (VPH), etc. Al realizar un seguimiento del proceso de tratamiento de estos pacientes, el AI-Bot reduce eficazmente el riesgo de lesiones por pinchazos de aguja para las enfermeras y minimiza la probabilidad de que se produzcan más enfermedades [21].

4.4.7. Diagnóstico de arritmias

El software Deep Rhythm AI (DRAI) se utiliza para detectar arritmias y analizar automáticamente cardiogramas (ECG). DRAI es un algoritmo de IA basado en la nube que analiza todos los latidos del corazón en la señal de ECG procesada y, en función de eso, los clasifica como correctos o arrítmicos. La función Fibrilación auricular (FA) del Apple Watch analiza los datos de frecuencia cardíaca del Apple Watch para identificar ritmos cardíacos irregulares que sugieren fibrilación auricular y proporciona una estimación del tiempo que se pasa en fibrilación auricular . La aplicación Apple Irregular Rhythm Notification Feature (IRNF), que se especializa en la función de notificación de ritmo irregular, es una aplicación médica que analiza los datos de frecuencia cardíaca del Apple Watch y notifica al usuario si hay FA presente. Este sistema ayuda a controlar la atención al paciente durante la atención posterior al alta, y las noticias recientes han informado que las personas se han salvado de esta manera [28-31].

4.4.8. Administración de medicamentos

Tales acciones, basadas en la orden del médico, no estarán exentas de errores, especialmente en países en desarrollo o no desarrollados, debido al alto número de pacientes en relación con el personal de tratamiento, que es incontrolable. Sin embargo, la integración de un sistema de IA puede validar la dosificación de medicamentos, particularmente en casos de dolencias especializadas y atención pediátrica, identificar posibles efectos secundarios y evaluar las interacciones farmacológicas, garantizando así la administración de dosis precisas de medicamentos a los pacientes [22].

4.4.9. Análisis de la monitorización del sueño

La puntuación automática de las etapas del sueño basada en redes neuronales profundas se ha convertido en un objetivo para los investigadores y médicos del sueño. Al ser un método fiable capaz de clasificar objetivamente las etapas del sueño, ahorraría recursos humanos y simplificaría las rutinas clínicas. En nuestra afirmación, las técnicas modernas de aprendizaje automático no son solo una herramienta para realizar una clasificación automática de las etapas del sueño, sino que también son un enfoque creativo para encontrar propiedades ocultas de la fisiología del sueño. Además, analizamos la actividad cortical durante el sueño determinando las probabilidades de etapas momentáneas del sueño, representadas como gráficos de hipnodensidad, y luego calculando las correlaciones cruzadas vectoriales de diferentes canales de EEG del electroencefalograma. Podemos demostrar que esta medida sirve para estimar la duración de los ciclos de sueño y, por lo tanto, puede ayudar a encontrar alteraciones debidas a condiciones patológicas. El ciclo de sueño del paciente es un aspecto crucial de la enfermería. El ciclo de sueño del paciente es generalmente beneficioso para que las enfermeras brinden una mejor atención y satisfagan las necesidades de sus pacientes de manera más efectiva [31, 32].

4.4.10. Control y seguimiento de los pacientes

El paciente es monitoreado continuamente por un dispositivo de monitoreo basado en IA para detectar cualquier defecto o emergencia médica. Si hay algún problema, se notifica a las enfermeras y ellas lo investigan y lo solucionan. Cuando hay escasez de personal en los departamentos especializados, es posible que las enfermeras no puedan monitorear a los pacientes simultáneamente, pero el sistema de IA puede abordar esta limitación alertando a la enfermera [27].

4.4.11. Asistencia a la docencia y a la docencia en hospitales universitarios para estudiantes de enfermería

Los programas basados en IA tienen el potencial de ayudar a diversos estudiantes, en particular a los del campo de la enfermería, a examinar información médica compleja, reconocer patrones relacionados con la salud y tomar decisiones informadas. Mejora la salud tanto del paciente como del sistema sanitario [33].

4.4.12. Monitorización continua de la glucosa (especialmente en mujeres embarazadas con diabetes tipo 1)

Durante el proceso de lactancia, garantizar el cuidado tanto de la madre como del feto es importante para un parto seguro. Los cambios fisiológicos y psicológicos deben ser monitoreados para detectar riesgos potenciales. La enfermera evalúa estos cambios mediante la obtención de una historia materna detallada y la realización de controles prenatales regulares. La diabetes tipo 1 aumenta el riesgo de resultados adversos del embarazo, incluidas tasas más altas de preeclampsia y cesárea en las madres, y de anomalías congénitas, parto prematuro, mortalidad perinatal, grandes para la edad gestacional e ingreso en cuidados intensivos neonatales en bebés. La evidencia de que el control glucémico óptimo temprano durante el primer trimestre se asocia con mejores resultados, menos anomalías congénitas y mortalidad perinatal está bien establecida. Del mismo modo, la menor exposición a la hiperglucemia materna durante el segundo y tercer trimestre se asocia con una reducción de la preeclampsia, el parto prematuro, el aumento de la edad gestacional y los ingresos en cuidados intensivos neonatales. Como resultado, la madre y el feto pueden ser atendidos mediante un monitoreo continuo. El sistema WellDoc BlueStar captura y transmite de forma segura los datos de glucosa en sangre para ayudar a los pacientes y a sus proveedores de atención médica a controlar la diabetes. También proporciona mensajes de coaching motivacional y educativo basados en los valores y tendencias de la glucosa en sangre para promover la adherencia a la medicación. El sistema d-Nav es un producto basado en software, solo con receta, diseñado para proporcionar la siguiente recomendación de dosis de insulina como ayuda para el manejo personal de la insulina. Idx-DR se utiliza con Topcon NW400 para detectar automáticamente la retinopatía diabética (más que leve) en los ojos de adultos con diabetes que no han sido diagnosticados previamente con retinopatía diabética [31, 34-38].

4.4.13. Cicatrización de heridas

El sistema de imágenes de heridas Spectral MD Deep View proporciona imágenes del flujo sanguíneo en la microcirculación y proporciona una evaluación de la perfusión de la piel sana y lesionada (p. ej., colgajos cutáneos, heridas crónicas, úlceras por decúbito, úlceras diabéticas y quemaduras). La inteligencia artificial puede desempeñar un papel importante en el cuidado de heridas en enfermería. El MIMOSA Imager se utiliza en el entorno de la atención ambulatoria para estimar la distribución espacial del porcentaje de saturación de oxígeno en el tejido durante el examen de pacientes con sospecha de compromiso circulatorio. Entre sus aplicaciones se encuentran la predicción de riesgos de heridas, el monitoreo continuo de los pacientes para identificar cambios en las heridas y la orientación para el desarrollo de programas de atención adecuados. Esta tecnología tiene el potencial de mejorar la calidad de la atención médica y reducir los costos [1, 28, 31].

4.4.14. Desarrollo de programas de rehabilitación

Los sistemas de IA tienen el potencial de ayudar en el desarrollo y la evaluación de programas de rehabilitación para pacientes que siguen procedimientos o terapias médicas específicas. Es evidente que este algoritmo preciso tiene la capacidad de desarrollar un programa de rehabilitación más preciso, mejorando así la efectividad del proceso de tratamiento [25].

4.4.15. Análisis de orina

La prueba de riñón Minuteful es un kit y una aplicación para teléfonos inteligentes que mide y muestra la albúmina y la creatinina en la orina, junto con la relación albúmina-creatinina. El ACR | El sistema de prueba de análisis de orina LAB es un kit (que incluye una pizarra a color y tiras de reactivos) junto con una aplicación para teléfonos inteligentes que mide la albúmina y la creatinina en la orina y muestra los resultados, junto con la relación albúmina-creatinina. El sistema de prueba de análisis de orina DIP/U.S. es un kit (que incluye una pizarra a color y tiras de reactivos) junto con una aplicación para teléfonos inteligentes que mide los parámetros de la orina, incluidos el pH, la glucosa, la proteína, la gravedad específica, la sangre y el nitrato, y proporciona estos resultados directamente al médico para ayudar en el diagnóstico y el seguimiento de la enfermedad renal. Al estar al tanto del análisis de orina del paciente, las enfermeras pueden verificar el estado de salud del paciente y proporcionar el tratamiento adecuado. El análisis puede proporcionar información útil, incluidos los niveles de sales, azúcar en la sangre, proteínas y otros elementos en la orina que pueden indicar diversas enfermedades. De acuerdo con los resultados del análisis, las enfermeras pueden determinar si el paciente necesita un tratamiento especial, si su estado general es estable, si necesita cambios en el tratamiento o si se trata de enfermedades renales, diabetes, etc. se están desarrollando. Esta información puede ayudar a las enfermeras a tratar y mantener mejor al paciente y evitar que la enfermedad empeore [2, 31, 39, 40].

4.4.16. Mantener la seguridad del paciente

Las personas mayores se enfrentan a muchos desafíos, uno de ellos es el riesgo de caídas. Un sistema de IA es capaz de monitorizar y detectar caídas de forma eficaz, lo que le permite predecir posibles accidentes. Además, este sistema proporciona valiosas recomendaciones a las enfermeras sobre las precauciones necesarias a tomar. Por último, instruye a los pacientes sobre cómo reducir los riesgos y manejar estas situaciones con el máximo cuidado [41].

4.4.17. Apnea del sueño

Con la función de apnea del sueño, Samsung está dando el siguiente paso en su compromiso continuo de proporcionar a los usuarios las mejores herramientas de sueño posibles para mejorar sus hábitos de salud del sueño. La nueva función detectará signos de apnea obstructiva del sueño (AOS) de moderada a grave en adultos mayores de 22 años, lo que permitirá a las personas buscar atención médica. La función, una aplicación médica móvil solo de software, utiliza sensores incorporados en el reloj inteligente para monitorear el sueño del usuario en busca de interrupciones respiratorias significativas asociadas con la AOS. Los usuarios pueden realizar un seguimiento de su sueño dos veces durante más de cuatro horas dentro de un período de 10 días para utilizar la función. Según Samsung, la función no pretende reemplazar el diagnóstico y el tratamiento por parte de un médico, ni está destinada a ayudar a los médicos a diagnosticar trastornos del sueño. Tampoco está destinado a aquellos que han sido diagnosticados previamente con AOS. La detección de ronquidos es un software de IA que diagnostica la apnea obstructiva del sueño [31, 42].

4.4.18. Identificación de las convulsiones

El Embrace es un dispositivo que proporciona un complemento para el monitoreo de convulsiones en el hogar o en instalaciones de atención médica. El dispositivo detecta la actividad electrodérmica y los datos de movimiento y detecta patrones potencialmente asociados con convulsiones tónico-clónicas generalizadas. Cuando se identifica un evento convulsivo, un dispositivo inalámbrico emparejado iniciará una alerta a un cuidador designado. Los datos se almacenan para su posterior revisión por parte del clínico [31, 43].

4.4.19. Estimación de la pérdida de sangre

El sistema Triton es una aplicación de software utilizada en un iPad de Apple que captura imágenes de esponjas quirúrgicas usadas para estimar la pérdida de sangre y ayudar al personal del quirófano a manejar las esponjas quirúrgicas después del uso quirúrgico. Las enfermeras pueden proporcionar la mejor atención posible a sus pacientes mediante el uso de inteligencia artificial para estimar la cantidad de sangre perdida en el quirófano. Las enfermeras pueden reaccionar con mayor precisión y rapidez cuando la pérdida de sangre requiere una intervención inmediata con esta información. El nivel de seguridad en quirófano (quirófano) y postoperatorio (después de la operación) se incrementa debido a la reducción de la probabilidad de problemas graves para los pacientes [31,44, 45].

4.4.20. Prevención de complicaciones

A través de un análisis meticuloso del historial del paciente y los datos médicos, la IA es capaz de identificar factores que pueden ayudar a identificar posibles complicaciones o problemas. A través de este proceso, el uso de la IA puede prevenir eficazmente la aparición de complicaciones no deseadas, mejorando así la calidad general de la atención sanitaria prestada [22].

4.4.21. Alarma temprana de deterioro del estado del paciente

La IA, mediante el análisis de los datos de los pacientes en anestesia y UCI, puede detectar patrones de cambios tempranos en los indicadores vitales de los pacientes y proporcionar advertencias a las enfermeras. Esta información precisa y temprana permitirá a las enfermeras comenzar el tratamiento o los procedimientos de emergencia más rápidamente, prevenir problemas más graves y ayudar a mejorar el progreso del paciente. Además, es posible desarrollar algoritmos predictivos y un manejo adecuado de la enfermedad que ayuden a mejorar la atención general y reducir las tasas de mortalidad [46, 47].

4.4.22. Diagnóstico de enfermedades psiquiátricas

La aplicación de IA para el diagnóstico de enfermedades psiquiátricas recibió la evaluación menos positiva entre los diferentes factores. La baja calificación del potencial de la IA para las enfermedades psiquiátricas es notable, ya que existen varias aplicaciones de la IA para este campo médico, como se describe en publicaciones recientes para el aprendizaje automático. A pesar de los resultados algo negativos, todavía hay esperanza de que la Inteligencia Artificial se utilice para diagnosticar enfermedades psiquiátricas y ayudar a las enfermeras en el cuidado de estos pacientes. La IA puede desempeñar un papel en la mejora de los procesos de toma de decisiones de médicos y enfermeras. Además, para el análisis de datos extranjeros, tiene el potencial de crear nuevos patrones en el acceso a la información médica [47-49].

4.4.23. Robots en la atención al paciente

La aplicación de la IA en enfermería mediante el uso de robots es un aspecto atractivo. Estos robots pueden realizar tareas como la distribución de medicamentos, la realización de pruebas básicas e incluso proporcionar información adicional a los pacientes [50].

5. CONSIDERACIONES ÉTICAS Y OBSTÁCULOS (IMPUGNACIÓN)

5.1. Privacidad y seguridad de los datos

La implementación de la IA en el campo de la enfermería tiene el potencial de plantear preocupaciones con respecto a la privacidad del paciente. En consecuencia, es esencial establecer protocolos y directrices adecuados para el manejo y la protección eficaces de la información confidencial [33].

5.2. La comunicación interpersonal en la atención sanitaria

La comunicación humana juega un papel crucial en el cuidado de la salud. Este tipo de relación afecta directamente a la calidad y eficacia de la atención prestada. El establecimiento de un vínculo sólido e íntimo entre las enfermeras, el personal de tratamiento y los pacientes genera una mayor sensación de seguridad y tranquilidad dentro de los pacientes, lo que acelera su recuperación y mejora. Además, este tipo de comunicación puede ser una fuente de motivación y optimismo para los pacientes, lo que resulta en un profundo sentido de importancia y atención [51].

5.3. Abordar el sesgo en los algoritmos de IA

No se puede subestimar la importancia de equilibrar la IA con la experiencia humana en el campo de la enfermería. Aunque la IA es, sin duda, útil para que las enfermeras brinden una mejor atención, es crucial reconocer que las decisiones finales aún requieren conocimiento y experiencia humanos. Además, es crucial abordar los posibles sesgos relacionados con el género, la etnia, el color, etc., que pueden estar presentes en el plan de atención, ya que esto representa un obstáculo formidable para la IA en el ámbito de la enfermería [25].

5.4. Dependencia excesiva de la tecnología

Las habilidades humanas de las enfermeras pueden verse afectadas como resultado de una dependencia excesiva de la IA. La resolución de este asunto requiere el establecimiento de un equilibrio adecuado entre la utilización de la IA y la aplicación de las habilidades humanas [52].

5.5. Garantizar la confianza en los resultados producidos por los sistemas de IA

Aunque la IA funciona en base a algoritmos, los resultados no pueden volver a ser del 100% porque sigue existiendo la posibilidad de error, aunque sea en pequeña cantidad. Por lo tanto, la necesidad de utilizar esta tecnología está detrás del marco humano y no se puede utilizar de forma directa e independiente. En consecuencia, la utilización de esta tecnología requiere la presencia y orientación de personal humano, ya que no se puede utilizar de forma independiente.

5.6. Deontología profesional

La compasión humana es un componente vital de este discurso. La implementación de la IA tiene la capacidad de tomar acciones arbitrarias que podrían resultar en la muerte de un paciente, solo para ahorrar dinero y otros factores. La empatía y el altruismo innatos de las enfermeras se contradicen con tales acciones. En otras palabras, frente a decisiones complejas relacionadas con el tratamiento de los pacientes, se debe seguir manteniendo la humanidad, la piedad y la ética profesional. Por lo tanto, las decisiones delicadas aún requieren evaluación humana [51]. En la Tabla 3 se resumen las consideraciones éticas y los obstáculos de la implementación de la IA en enfermería.Tabla 3.

Resume las consideraciones éticas y los obstáculos de la implementación de la IA en enfermería.

Desafíoq	Resumenq
Privacidad y seguridad de los datos	La implementación de la IA en la enfermería plantea preocupaciones sobre la privacidad del paciente. Se deben establecer protocolos y pautas para manejar y proteger la información confidencial de manera efectiva.
La comunicación interpersonal en el ámbito sanitario	La comunicación humana es crucial en la atención médica, ya que afecta la calidad de la atención. Establecer vínculos sólidos entre las enfermeras, el personal y los pacientes acelera la recuperación. La comunicación también motiva a los pacientes.
Abordar el sesgo en los algoritmos de IA	Equilibrar la IA y la experiencia humana es esencial. Las decisiones finales requieren la participación humana para abordar los sesgos en los planes de atención, como los sesgos de género o etnia.
Dependencia excesiva de la tecnología	La dependencia excesiva de la IA puede comprometer las habilidades humanas de las enfermeras. Es vital lograr un equilibrio entre la utilización de la IA y la aplicación de las habilidades humanas.
Garantizar la confianza en los resultados de la IA	A pesar de la naturaleza algorítmica de la IA, los resultados pueden no ser 100% precisos. La orientación humana es necesaria para interpretar y validar con precisión los resultados producidos por la IA.
Ética profesional	La implementación de la IA puede chocar con la ética profesional, ya que las acciones arbitrarias podrían perjudicar a los pacientes. La compasión humana y las consideraciones éticas deben guiar las decisiones complejas en el tratamiento del paciente.

Expandirse para obtener más información ABRIR EN EL VISOR

6. EL FUTURO DE LA IA EN ENFERMERÍA

El futuro de la IA en enfermería es prometedor porque sigue evolucionando y avanzando, al igual que ocurre con otros dominios. El futuro de esta tecnología en enfermería parece brillante debido al avance de la robótica y la capacidad de mejorar los planes de atención con datos individuales.

6.1. Desarrollo y avances futuros en tecnologías relacionadas con la IA

El avance de la tecnología es un proceso continuo al que nos enfrentamos día a día. Proporcionar algoritmos y análisis de IA está mejorando día a día y, sin duda, ayudará al sector de los servicios de atención y el tratamiento médico en un futuro (cercano) no muy lejano. Recuerde que también requerimos un grupo de enfermería para este desarrollo. Para desarrollar eficazmente un sistema de IA que ayude al personal médico, la presencia de personal experimentado es indispensable para organizar y gestionar este sistema [22].

6.2. Mayor impacto en la mejora de la asistencia sanitaria

La IA ha tenido un impacto positivo en la mejora de la atención sanitaria al optimizar el proceso de tratamiento, reducir el desempleo, la atención robótica, la educación continua, etc., con la ayuda de la comunidad terapéutica, especialmente de las enfermeras, que tienen más probabilidades de estar al lado de la cama del paciente. El impacto positivo y significativo que la IA tiene en la atención médica se debe en gran medida a la participación de la comunidad médica, que incluye a las enfermeras que atienden a los pacientes junto a su cama [53].

6.3. Desarrollo de nuevas competencias y formación para las enfermeras

La IA es un sistema que siempre está actualizado y puede impartir (enseñar) los últimos métodos de atención a cualquier persona en todo el mundo El sistema educativo global integrado en este sector requiere la formación más actualizada, y esta formación aumentará las habilidades de las enfermeras [33].

6.4. Reducción de la carga de trabajo

El futuro de la tecnología de IA implicará la atención robótica que está profundamente entrelazada con la IA. Mediante el uso de un sistema de inteligencia artificial, Chat-Bot tiene el potencial de aliviar la carga de trabajo de las enfermeras, permitiéndoles asignar tiempo adicional a la comunicación con el paciente y a la prestación de una atención mejorada [25].

7. PACIENTES VIRTUALES

Mediante el uso de un sistema de IA, es posible simular diferentes pacientes durante el proceso de tratamiento, lo que permite el manejo de diversas enfermedades, procedimientos de tratamiento hospitalario y discusiones educativas sobre diferentes pacientes para estudiantes de enfermería. Por lo tanto, el departamento de salud agregará personal experimentado y experto en el futuro. A través de este enfoque, los estudiantes pueden perfeccionar sus habilidades clínicas en un entorno seguro y regulado sin incurrir en gastos de mano de obra [54].

7.1. Bot de IA

Estos robots son mucho más precisos en tareas de memoria y recuperación de datos que los humanos. Además, garantizan que los diagnósticos sean más precisos y estables y simplifican la provisión de todos los requisitos necesarios para los pacientes [50].

7.2. Mejorar los resultados del tratamiento de los pacientes

Las recomendaciones de AI para tomar medidas oportunas sin duda mejorarán los resultados del tratamiento de los pacientes. No hay duda de que tomar medidas oportunas cuando sea necesario y urgente tendrá un efecto positivo en el tratamiento, la enfermedad y la supervivencia del paciente [53].

7.3. El estado actual de la implementación de la IA en la atención médica (ejemplos de la vida real de la implementación de la IA en la atención médica hasta ahora)

7.3.1. IA para el diagnóstico precoz

El uso de la IA ha contribuido significativamente a la detección oportuna de dolencias médicas, como los ataques cardíacos. Se han creado dispositivos portátiles basados en IA para monitorear la salud de una persona y alertarla si registra cosas inusuales o factores de riesgo para la salud. Ejemplos notables de este tipo de dispositivos portátiles son Fitbit, Samsung Watch y Apple Watch, entre otros [41, 55].

7.3.2. Sistema de realidad virtual (RV) para controlar el dolor

La realidad virtual se emplea en el campo de la enfermería para abordar el manejo del dolor. A través de la inmersión de los pacientes en entornos virtuales, la realidad virtual tiene el potencial de desviar su atención del dolor y la incomodidad, disminuyendo así la necesidad de una ingesta excesiva de medicamentos. Al personalizar los entornos virtuales de acuerdo con las preferencias de cada paciente, la IA puede mejorar esta experiencia y reducir el dolor [56, 57].

7.3.3. Sistemas de traducción de idiomas en centros sanitarios

Algunos centros de atención médica utilizan dispositivos de traducción de idiomas que se basan en la IA. La comunicación eficiente entre enfermeras y pacientes con diferentes lenguas maternas es posible gracias a estos dispositivos avanzados [23].

7.3.4. Sistema de detección de caídas

Los sistemas de detección de caídas basados en IA son cruciales en los cuidados de enfermería, especialmente en el caso de los pacientes mayores o vulnerables. Estos sistemas utilizan sensores avanzados y algoritmos de IA para detectar movimientos bruscos o caídas. Las notificaciones se envían al personal de enfermería inmediatamente después de la detección, lo que permite una respuesta y asistencia inmediatas. Actualmente, esta tecnología está integrada en relojes inteligentes seleccionados, que no solo detectan caídas, sino que también activan el sistema SOS y establecen comunicación con los centros médicos [41, 58].Tabla 4.

El futuro de la IA en enfermería y el estado actual de la IA.

El futuro de la IA en la enfermería	Estado actual de la implementación de la IA en la atención médica
Avance de la robótica y los planes de atención individualizados	Diagnóstico precoz mediante dispositivos portátiles basados en IA como Fitbit y Apple Watch
Impacto en la salud: optimización de los procesos de tratamiento, reducción de la carga de trabajo, educación continua	Sistemas de realidad virtual para el tratamiento del dolor
Desarrollo de competencias y formación de enfermeras	Sistemas de traducción de idiomas para una comunicación eficiente
Reducción de la carga de trabajo a través de la tecnología de IA	Sistemas de detección de caídas basados en IA para la seguridad del paciente
Uso de pacientes virtuales para la formación de estudiantes de enfermería	Análisis de imágenes médicas impulsado por IA para un diagnóstico preciso
Los bots de IA mejoran la recuperación de datos y la atención al paciente	Servicios de telesalud para consultas médicas y seguimientos a distancia

Expandirse para obtener más información ABRIR EN EL VISORTabla 5.

La utilización de la IA en hospitales de todo el mundo.

Hospital	Ubicación	Aplicación de IA	Puntos clave
Hospital Aria [58]	Teherán	Sistema de detección de caídas	Ser pionero en el uso de la IA para la atención de enfermería garantiza la seguridad del paciente y destaca el compromiso con los servicios sanitarios de vanguardia
Salud CHI [61]	Omaha	Predicción de ausencia, detección de sepsis, diagnóstico de accidente cerebrovascular	Utiliza la IA para diversas tareas médicas, incluida la predicción de ausencias y el diagnóstico de enfermedades.
Hospitales Universitarios Thomas Jefferson [61]	Filadelfia	Diagnóstico y mejora del tratamiento	Pioneros en la integración de la IA en la atención sanitaria, se centran en mejorar la atención al paciente a través de la tecnología de IA
Hospital Charité [62]	Berlín	Diagnóstico de enfermedades y mejora del tratamiento	Reconocido por su experiencia en IA, mejora la precisión del diagnóstico y el tratamiento utilizando tecnologías avanzadas de IA
Hospital Johns Hopkins [63]	Baltimore	Investigación médica y diagnóstico de enfermedades	Reconocido mundialmente por la utilización de la IA en la investigación médica, emplea sofisticados algoritmos de IA para el análisis de datos.

Expandirse para obtener más información ABRIR EN EL VISOR

7.3.5. Análisis de imágenes médicas mediante el uso de IA

Algunos hospitales utilizan la IA para analizar con precisión imágenes médicas, como radiografías y ecografías, lo que garantiza resultados precisos [59].

7.3.6. Telesalud

La telesalud ofrece el potencial de satisfacer las necesidades de las poblaciones desatendidas en regiones remotas. Este método es muy efectivo, especialmente durante la reciente epidemia de coronavirus. Muchos médicos visitan y siguen el proceso de tratamiento de sus pacientes de esta manera. Como resultado, es un método útil para las personas que están lejos y no pueden acceder a los centros o no pueden ir debido a una epidemia [60]. Las tablas 4 y 5 resumen el futuro de la IA en enfermería y el estado actual de la implementación de la IA en la atención sanitaria.

CONCLUSIÓN

La IA ha revolucionado la enfermería al permitir un nuevo nivel de transformación y mejora. El uso eficaz de esta tecnología en constante desarrollo tiene el potencial de lograr una atención médica óptima y de mayor calidad. Los diagnósticos y las predicciones se pueden mejorar significativamente, al tiempo que se puede optimizar la utilización de los recursos y reducir los residuos. La IA es, sin duda, uno de los factores más cruciales para mejorar el nivel de atención médica en todo el mundo. El avance de la tecnología de IA en enfermería es esencial, y la investigación y la inversión en esta área pueden resultar en mejoras significativas en su rendimiento y capacidades. Sin embargo, el establecimiento de normas y directrices es crucial para el uso eficaz de esta tecnología. A pesar de que la IA puede simplificar las interacciones administrativas, mantener relaciones emocionales basadas en conexiones humanas sigue siendo importante, y las enfermeras profesionales son cruciales en este sentido. A pesar de que la IA puede simplificar las interacciones administrativas, sigue siendo necesario mantener las relaciones emocionales que se derivan de las conexiones humanas, y las enfermeras profesionales desempeñan un papel crucial en este sentido.

Editorial: Qué médicos necesita la argentina observando lo que ocurre en el Mundo.

El panorama de la salud está cambiando rápidamente y, en este contexto cambiante, existe la preocupación de si los sistemas actuales podrán-sabrán educar a los profesionales médicos y la prestación médica para satisfacer las necesidades futuras de atención médica. Los estudiantes de medicina a quienes enseñamos hoy se convertirán en los médicos del mañana y llevarán nuestros valores, habilidades y esperanzas para la profesión al futuro. Por tanto, no es exagerado decir que la educación médica representa el futuro de la medicina.

Cambia la demografía, la epidemiología, la tecnología, la demanda de las personas, la fuerza laboral exige naturalmente otros beneficios, la prestación de los cuidados, la fragmentación de los sistemas cada vez es más alta, los pacientes tienen problemas de acceso a servicios esenciales, cada vez requieren más autonomía para coparticipar en las decisiones, a la capacidad de respuesta a sus requerimiento, por un lado los especialistas quieren ser más especialistas, hiperespecialistas, que puedan cobrar aranceles dignos, sin intermediarios (3 pagadores) los médicos generalistas están condenados al olvido, buscan reconvertirse y los anestesiólogos, estar en cirugías menos complejas.

Los problemas son muy complejos, caóticos y requieren soluciones específicas para el grado y el posgrado, para el estudio de la carrera de médicos y las condiciones de trabajo en la residencia, o en su vida profesional posterior, un joven médico en Argentina puede independizarse a los 32 años aproximadamente, lo cual los lleva a pensar en años sabáticos, medicinas alternativas, o estética, para que formarse tanto, llegan cansados, no quieren fines de semana trabajar, quieren vivir la vida que consumieron en mitad por una vocación que no les permitirá lograr los sueños.

A nivel internacional, el entorno sanitario está cambiando rápidamente con las necesidades de salud de la población, las expectativas de la comunidad, el conocimiento y la práctica médica, la tecnología y los modelos de atención. En este contexto, cada vez se discute más si el sistema actual de educación y capacitación de los profesionales médicos, y la prestación de atención en el sistema de salud en general, satisfarán las necesidades futuras de salud de la población,

Los modelos de atención médica están cambiando.

Por una variedad de razones y de diversas maneras, se están produciendo cambios a nivel internacional en la forma en que se ve y se presta la atención de salud. Se han producido cambios para aumentar la atención preventiva y los determinantes sociales y económicos de la salud, para integrar mejor la atención, aumentar las formas multidisciplinarias e interprofesionales de aprendizaje y práctica y ampliar los entornos para la formación y la prestación de atención sanitaria. Varios países han identificado la necesidad de fortalecer los servicios de atención primaria. En el informe sobre el estado de la salud en Europa de 2016 se afirmaba que «una atención primaria sólida puede contribuir a reforzar el rendimiento general del sistema sanitario, entre otras cosas, proporcionando una atención asequible y accesible; coordinar la atención a los pacientes para que reciban los servicios más adecuados en el entorno adecuado; y reducir los ingresos hospitalarios evitables. La combinación adecuada de incentivos ayuda a lograr una prestación óptima no solo de la atención primaria, sino también de la atención secundaria, el hospital y los servicios de emergencia, y la creación de un sistema de control o derivación forma parte cada vez más de la combinación».

Durante los últimos 100 años, la educación médica ha continuado en un sistema de silos vinculados pero independientes. En el actual contexto cambiante de la salud, se está debatiendo si es necesaria una reforma más significativa y sistemática en la educación y la práctica de la medicina. Ciertamente, hay acuerdo en que la educación y la formación deben estar alineadas con las necesidades de la comunidad y hay un creciente interés en las medidas de resultados para informar el aprendizaje. Los desafíos y prioridades actuales en la educación y la formación médica incluyen la necesidad de mejores transiciones a través del continuo de la educación y la formación, los avances en los modelos de educación y evaluación, la eficacia de la formación y los entornos de aprendizaje seguros y de apoyo

El médico del futuro tendrá un aspecto diferente y trabajará en un entorno diferente con más información, preciso y tecnológico. Cómo predecir, liderar y responder a estos cambios es un desafío constante para los responsables de la planificación de la fuerza laboral, la prestación de atención médica y la capacitación. Se prevé que los futuros modelos de atención sanitaria se basen en sistemas basados en equipos, informados por conjuntos de datos nacionales, habilitados por la tecnología, influenciados por diferentes medidas de resultados, se centren más en la prevención y la atención holística, y se presten cada vez más en entornos comunitarios.

Harden autor de: Ten key features of the future medical school–not an impossible dream. Med Teach 2018; Oct 16. plantea la necesidad de que las facultades de medicina abandonen su torre de marfil y adapten su currículo a las necesidades de salud actuales -y sobre todo futuras- de la población y a las de los servicios de salud, estableciendo un currículo realmente basado en competencias que permitan a los futuros graduados ejercer una práctica médica adecuada a dichas necesidades.

En segundo lugar, hace hincapié en la necesidad de que se produzca un cambio del rol de los profesores: desde su papel de mero proveedor de conocimientos al de facilitador que dé soporte al estudiante en su proceso formativo.

En tercer lugar, insiste en la necesidad de conseguir la integración vertical entre ciencia básica y clínica superando definitivamente la tradicional división entre estos dos períodos y facilitando un contacto precoz de los estudiantes con dichos aspectos clínicos. La enseñanza y el aprendizaje de las ciencias básicas se deben integrar con la enseñanza y el aprendizaje de las ciencias clínicas.

Harden también apunta la necesidad de que las facultades de medicina valoren como se merece la función docente de los profesores y reconozcan las buenas prácticas y la innovación docente a la hora de considerar su promoción profesional al mismo nivel que la investigación.

El artículo se refiere asimismo a que el alumno, en el futuro, pase de ser considerado como un ser considerado como un ‘socio’ en su proceso de aprendizaje, implicándose en la creación de recursos de aprendizaje y de ejercicios de evaluación, e incluso en los procesos de selección del profesorado. En el futuro se debería incrementar la implicación del alumno en el proceso educativo.

El autor propone disponer de un mapa claro y establecido para la adquisición de las diferentes competencias, establecer currículos flexibles que se adapten a las características individualizadas de los alumnos, huyendo de currículos uniformes y rígidos, y realizar un uso creativo, eficiente y comprensible de las nuevas tecnologías.

Se identificaron once desafíos y prioridades clave en los sistemas de salud internacionales que se considera que pueden influir en el futuro panorama de las especialidades medicas (y en la atención médica en general):

Desafíos en los sistemas de salud:

1. Gobernanza: Sistemas fragmentados de gobernanza para la atención y la formación, con falta de colaboración y liderazgo.

2. Salud de las poblaciones Cambios en las poblaciones y su salud

3. Rendición de cuentas: Centrarse en la rendición de cuentas de la capacitación y la atención para satisfacer las necesidades de la comunidad y cambiar las medidas de evaluación para incluir el valor y los resultados de la atención y la capacitación.

4. Sostenibilidad Preocupaciones significativas sobre el costo y la sostenibilidad de la atención médica

5. Tecnología e información Rápidos avances en la tecnología y la disponibilidad de datos

6. Fuerza laboral médica Actualmente no está alineada con las necesidades de la comunidad. Existen desequilibrios en la mezcla, el número y la distribución de la mano de obra. Necesidad de modelos de planificación de la fuerza laboral proactivos, efectivos y sistemáticos

7. Acceso Disparidad de resultados e inequidad en el acceso a la atención

8. Pacientes Cambios en los roles y expectativas de los pacientes

9. Modelos de atención médica Cambios en la forma en que se ve y se presta la atención médica

10.Educación y formación médicas Cambios, incluidos los métodos de educación y evaluación, la flexibilidad de la formación y los puntos de transición

11.Práctica profesional e identidad Centrarse en la profesionalidad, el bienestar y los entornos de trabajo y aprendizaje

La formación profesional médica tradicional requiere un replanteo, en sus contenidos, en la organización, en la planificación de la enseñanza, la duración, las materias, los respaldos, los docentes, su dedicación, los presupuestos y la proyección a un mercado de la salud que requiere profesionales que sepan trabajar en equipo, que comuniquen mejor a sus pacientes, aplanamiento de jerarquías y entrenamiento en simulación. Se requieren otros médicos, más tecnológicos, conocedores de la estructura de microscopia electrónica en 3 D, pero del ser, de su biopatografía, de su inclusión en el conocimiento, en el uso racional, en la responsabilidad de manejar los recursos a su cargo, conocer de métricas, estadísticas, de investigar, de enseñar, de realizar un proceso de concreción a través de una residencia y con la incorporación de evidencia, del conocimiento de la medicina basada en el valor, en la salud de las comunidades, en la precisión, la personalización, la prevención, en el desarrollo de las habilidades blandas y del saber hacer técnico específico de su especialidad.

1. Formación diferente Formación en entornos ampliados, posiblemente una formación más amplia y más corta con una mayor subespecialización a través de unidades modulares dirigidas a las necesidades sanitarias.

2. Diferentes médicos Cambio en la mezcla, el tipo y el número de especialistas, esto podría incluir el regreso de especialidades más amplias. Los médicos tendrán carreras de aprendizaje continuo

3. La atención se basará en el equipo, se basará en datos, se transformará en la tecnología, participará en el paciente y se brindará en entornos ampliados. Menos atención hospitalaria y más atención primaria y comunitaria.

4. Diferentes tipos de información y tecnología Cambios en el diagnóstico, la terapéutica y la práctica médica debido a los avances en la tecnología y la información, incluido el uso de la medicina de precisión, la inteligencia artificial y los macrodatos

5. Enfoque diferente Visiones más holísticas de la salud y la enfermedad, incluyendo la medicina de sistemas y los modelos biopsicosociales. Pasar de un enfoque en la cura a la prevención y la función.

6. Diferentes responsabilidades Nuevos métodos para evaluar el valor y los resultados de la formación y la atención. Mejores sistemas de medición y seguimiento de los resultados para informar cómo y qué se enseña y practica.

7. Pacientes diferentes: Pacientes con más autonomía y diferentes expectativas, con un mayor rol y responsabilidad en el cuidado.

Las casas de altos estudios y los lugares acreditados para formar médicos residentes especialistas que la sociedad necesita tienen la responsabilidad de adecuarse rápidamente, la carencia de médicos en algunas especialidades esta ocasionando que se cierren servicios, que existan dificultades para cubrir la demanda regional, cada vez más las personas que enferman deberán migrar a los grandes centros urbanos, con lo que esto implica en costos, y en el problema social, de estar con todo su familia lejos de su casa. Ocasionando problemas insalvables, que debieran planificarse desde las especialidades más requeridas y troncales hasta las especialidades, y que existan patologías que sean cubiertas obligatoriamente, impulsando, incentivando y motivando la formación de los profesionales en las especialidades que faltan, especialmente en la pediatría clínica en el interior, la cirugía infantil, la terapia intensiva de adultos, la terapia intensiva pediátrica y neonatal, los anestesiólogos, especialmente los que formen equipo para las cirugías complejas cardiovasculares y de trasplante, los hemo terapeutas y hematólogos, generando condiciones para que las personas tomen los trabajos, como un cambio en su forma de vida, no tengan que migrar, porque tengan las condiciones para vivir con dignidad. Esto involucra a todos los integrantes de la cadena: educación, sociedades científicas, entidades académicas, financiadores, autoridades gubernamentales. Se deben identificar los problemas, e implementar soluciones específicas. Socializar acceso a la información, el aprendizaje, la formación, la simulación, el entrenamiento continuo, el desarrollo de las habilidades blandas indispensables para conformar al médico del futuro.

las seis competencias básicas del ACGME (Consejo de Acreditación para la Educación Médica de Graduados);

excelencia personal en habilidades clínicas y humanísticas;

dominio de los fundamentos científicos del desempeño del sistema de salud;

atención a una población mayor;

mejora de la calidad;

un enfoque de equipo para la atención; atención rentable;(

asesor de salud y asesor de bienestar;

y complejidad de la atención médica.

La atención médica hoy en día es más complicada, con más cosas que considerar y más opciones, y el manejo del paciente individual también es más complicado .

Para ayudar a los pacientes, la sociedad y la comunidad, previamente hay que hacerlo con los médicos. Si no lo hacemos no mejoraremos la calidad de prestación, si no lo realizamos, empeorarán los resultados, si empeoran los resultados, aumentarán los años de vida potencialmente perdidos de la población, las muertes evitables, y la inseguridad para los pacientes.

Chossing wisely Elegir sabiamente en la práctica clínica: adoptar el pensamiento crítico y luchar por una atención más segura

Ludovico Furlán, Pietro Di Francesco, Giorgio Costantino, Nicola Montaño

En los últimos años, las campañas Choosing Wisely y Less is More han ganado una atención cada vez mayor en la comunidad científica médica. Se han puesto en marcha varios proyectos para facilitar el enfrentamiento entre pacientes y médicos, para lograr una atención mejor e inofensiva centrada en el paciente. Estas iniciativas han allanado el camino hacia una nueva “forma de pensar”. Adoptar tal filosofía pasa por un proceso cognitivo que tiene en cuenta varias cuestiones. La medicina es una ciencia muy imprecisa y los médicos deberían afrontar la incertidumbre. La evidencia de la literatura no debe aceptarse tal como está, sino que los médicos la deben traducir a la práctica y seleccionar opciones de tratamiento para casos específicos basándose en las mejores investigaciones, las preferencias de los pacientes y las características individuales de los pacientes. Una elección acertada requiere un esfuerzo activo para minimizar la posibilidad de que posibles sesgos puedan afectar nuestras decisiones clínicas. Se deben evaluar cuidadosamente los daños potenciales y todas las consecuencias (tanto directas como indirectas) de prescribir pruebas, procedimientos o medicamentos, así como las necesidades y preferencias de los pacientes. A través de este proceso cognitivo, se necesita un cambio en la gestión del paciente, pasando de centrarse en establecer un diagnóstico a encontrar la mejor estrategia de gestión para el paciente adecuado en el momento adecuado. Finalmente, mientras “pensan sabiamente”, los médicos también deben “actuar sabiamente”, estando entre los actores principales a la hora de enfrentar los próximos desafíos de atención médica relacionados con cuestiones ambientales y discrepancias sociales.

Gráficamente abstracto

Lista de contenidos : este es un artículo del simposio: “Cuando es demasiado, demasiado y muy poco, muy poco: evidencia científica de un análisis limitado”

Viñeta clínica

Una mujer de 43 años con esclerodermia ingresó en el Departamento de Emergencias (DE) quejándose de fiebre y dolor abdominal en el cuadrante superior izquierdo. El médico tratante le realizó una ecografía abdominal que resultó negativa. Los exámenes de sangre mostraron una proteína C reactiva significativamente elevada, por lo que se sospechó de una infección del tracto urinario. Se inició tratamiento con ciprofloxacino intravenoso. A las 24 h la paciente se sintió mucho mejor, no presentó dolor ni fiebre y fue dada de alta con indicación de continuar con antibioterapia oral. Al día siguiente, el paciente regresó al servicio de urgencias quejándose de dolor en el antebrazo donde se había colocado el acceso a la vena periférica. Se observó flebitis superficial y el médico responsable decidió realizar una ecografía a pie de cama que demostró trombosis de la vena antecubital. Se inició tratamiento con fondaparinux durante una semana. El paciente fue dado de alta en buenas condiciones clínicas; sin embargo, al día siguiente, el paciente ingresó nuevamente al servicio de urgencias por un fuerte dolor de cabeza. La tomografía computarizada de cabeza mostró una hemorragia cerebral y fue trasladada a la sala de neurocirugía.

Como lo demuestra este caso clínico simple pero dramático, incluso la decisión médica más trivial e inocente puede tener consecuencias catastróficas. Esta es la razón por la que cualquier intervención que realicemos (tratamiento o prueba) debe ir precedida de preguntas clínicas relevantes. Volviendo a nuestro caso: (a) ¿fue necesario el acceso venoso periférico? (b) ¿Fue apropiada la ecografía? (c) ¿Fue necesaria la consulta con el especialista en trombosis? (d) ¿Fue apropiada la terapia anticoagulante? Ningún paso de la estrategia de diagnóstico fue absolutamente incorrecto, sino que una cascada de pequeñas decisiones clínicas se convirtió en una bola de nieve con consecuencias dramáticas e inesperadas.

Lo racional

El llamado a la acción inspirado por Brody en 2010 [ 1 ] condujo a la creación de la campaña Choosing Wisely (CW), una iniciativa de la American Board of Internal Medicine Foundation (ABIM) lanzada en 2012 a la que siguió inmediatamente el artículo fundamental de Grady y Redberg, “Menos es más” [ 2 ], piden un cambio del paradigma tradicional “cuanto más atención, mejor” hacia una atención adaptada a las necesidades del paciente.

La misión principal de esta campaña fue promover conversaciones entre médicos y pacientes ayudando a los pacientes a elegir una atención que esté respaldada por evidencia, que no duplique otras pruebas o procedimientos ya recibidos, que esté libre de daños y que sea verdaderamente necesaria. Esto se logró mediante la publicación de cientos de “listas de los 5 principales”, creadas por sociedades médicas de 25 países diferentes, que enumeran procedimientos, pruebas o tratamientos médicos innecesarios o abusados, todos ellos basados en evidencia reciente y buenas prácticas médicas. Se han realizado o están en curso varios estudios que prueban la eficacia de la campaña para reducir los desechos médicos y los efectos secundarios [ 3 – 5 ].

Sin embargo, en nuestra opinión, CW representa un concepto aún más amplio y general que amplía las fronteras de la atención sanitaria y las decisiones médicas para incluir una nueva “forma de pensar” que es más respetuosa no sólo con los pacientes sino con todos los recursos económicos y ambientales. Elegir sabiamente es elegir consciente y conscientemente. Nos gustaría proponer aquí una revisión “médica” del concepto filosófico cartesiano “ Cogito ergo sum” (pienso, luego existo), que sonaría, reformulando a san Agustín, como “Dubito, ergo sum [medicus]” (yo duda, luego soy [médico]).

Los sistemas de salud en constante ampliación, donde el número de actores involucrados y la complejidad de las relaciones entre ellos siguen aumentando, tienden a generar decisiones clínicas automatizadas e impersonales. Deseamos que los médicos vuelvan a adquirir un papel central en el tratamiento de los pacientes, adaptando las opciones a sus pacientes específicos e involucrándolos en el proceso de toma de decisiones.

En la presente revisión, discutiremos las cuestiones fundamentales que obstaculizan nuestra capacidad para elegir sabiamente, como la dificultad para lidiar con la incertidumbre, el miedo a cometer errores y los peligros del enfoque basado en evidencia, y discutiremos una posible hoja de ruta. para ayudar a modificar nuestra forma de pensar y superar aquello que nos impide hacerlo (Fig. 1 ).

Razonamiento clínico: no se debe tomar una decisión única sobre la realización de pruebas o el inicio del tratamiento sin considerar todos los factores involucrados. Cada prueba tiene el propósito de aumentar o reducir nuestra probabilidad de diagnóstico para ayudarnos a elegir, junto con nuestros pacientes, si iniciar el tratamiento podría ser beneficioso.

Factores en juego

Incertidumbre

La medicina es un campo científico muy impreciso en comparación con otras disciplinas como la ingeniería o la informática [ 6 ]. Las pruebas más precisas que utilizamos durante un estudio de diagnóstico cuentan con una sensibilidad inferior al 90%, lo que deja un gran margen de error incluso cuando no implica ningún esfuerzo humano [ 7 , 8 ]. De manera similar, las terapias más efectivas para enfermedades comunes no garantizan el éxito del tratamiento, incluso cuando se administran con prontitud [ 9 ].

La minimización de la incertidumbre en la toma de decisiones clínicas se ha convertido en un tema central de la investigación biomédica durante los últimos 50 años, impulsando el desarrollo de la medicina basada en evidencia (MBE), con millones de artículos publicados cada año.

Sin embargo, cuanto más conocimiento se acumula, más percibimos las diferencias en cada condición clínica presentada, en los mecanismos subyacentes y, sobre todo, en cada paciente que conocemos [ 10 ]. Cuanto más sabemos, más entendemos qué poco de lo que sabemos es realmente aplicable a cada caso concreto. El concepto parece obvio ya que se trata de uno de los postulados más conocidos de la filosofía occidental, tal como lo expresa el lema socrático “Sé que no sé nada” [ 11 ], pero en nuestra era hipertecnológica y especialista, a veces tendemos a olvidarnos de este concepto y descartarlo.

La sensación de que se puede predecir un resultado conduce a una sensación de seguridad que, lamentablemente, a menudo se basa en suposiciones erróneas. Como dijo William Osler, «la medicina es una ciencia de la incertidumbre y un arte de la probabilidad». La incertidumbre puede incomodar a los médicos y comunicar incertidumbre a los pacientes puede resultarles como decepcionarlos y no poder predecir lo que les está sucediendo. Si bien puede ser cierto que los pacientes se sientan más seguros y satisfechos sabiendo que su médico está seguro de la evolución de su condición [ 12 ], ser capaz de comunicar incertidumbre puede, a largo plazo, conducir a una mejora en la relación médico-paciente y confianza [ 13 ].

Aceptar la incertidumbre no representa un rechazo de la MBE, sino que apoya su mejor uso. Tan pronto como aceptemos el obstáculo que nos impide ser 100% precisos en nuestras predicciones, podemos comenzar a implementar este tipo de pensamiento en habilidades prácticas para evaluar una situación y describirla a nuestros pacientes. La probabilidad de una respuesta a la terapia se puede expresar como un rango numérico con una estimación cualitativa en lugar de un solo número. Para la mayoría de las pruebas de diagnóstico, debemos enfatizar que el resultado sólo puede aumentar o disminuir la probabilidad de un diagnóstico basado en el índice de probabilidad de la prueba, y no puede proporcionar una respuesta definitiva [ 14 – 16 ]. Por lo tanto, para involucrar mejor a nuestros pacientes, se debe implementar la toma de decisiones compartida, utilizando la mejor evidencia disponible como herramienta [ 17 ], ya que cuando se enfrentan a decisiones difíciles, nuestros pacientes pueden sentir que su médico estará con ellos, sin importar lo que pase. el futuro depara.

Evidencia basada en medicina

No toda la investigación clínica es buena investigación [ 6 ]. La MBE apunta a la idea de que los profesionales de la salud deben hacer un uso consciente, explícito y juicioso de la mejor evidencia actual en su práctica diaria. La MBE utiliza revisiones sistemáticas de la literatura médica para evaluar la mejor evidencia sobre temas clínicos específicos. Este es el primer paso y el más fácil de aplicar, llamado “síntesis de evidencia”.

Seleccionar tratamientos y procedimientos basados en evidencia actualizada parece ser lo mejor para brindar la mejor atención disponible a un paciente. Esto sólo puede sostenerse si la evidencia científica que lo respalda es de buena calidad y extrínsecamente aplicable a los pacientes que estamos tratando actualmente. Aplicar ciegamente los resultados de los ensayos clínicos puede ser extremadamente peligroso y, por lo tanto, incluso las directrices deben considerarse críticamente y no como una Biblia incuestionable.

La cantidad de estudios mal diseñados, análisis distorsionados y datos totalmente falsos que se publican cada año es asombrosa. Algunos de estos estudios presentan datos que carecen de credibilidad de manera tan flagrante que se ganaron el nombre de «ensayos zombies» [ 18 ]. Además, incluso si se publican millones de artículos cada año, el registro de publicaciones es sólo una pequeña parte de los datos de investigación no publicados existentes, con una gran cantidad de resultados no concluyentes o controvertidos que nunca se compartirán [ 19 ].

Los ensayos clínicos registrados que muestran resultados negativos (en los que el tratamiento probado no mostró ningún efecto) tienen estadísticamente menos probabilidades de ser publicados, e incluso cuando se publican suelen tardar, en promedio, 1 año más en publicarse que los ensayos con resultados positivos. [ 20 , 21 ]. También se demostró que los estudios estadísticamente significativos pueden citarse más que los estudios negativos sobre el mismo tema, lo que aumenta el sesgo [ 22 ].

Otro tema crítico es la abundancia de múltiples directrices, de diferentes sociedades, sobre el mismo tema, que a menudo citan diferentes artículos y metanálisis que respaldan sus recomendaciones, que a veces son discordantes entre sí, sin una razón clara que justifique las discrepancias. Además, pueden estar fuertemente influenciados por el dogma «experto» y sólo algunas de las recomendaciones proporcionadas se basan en evidencia de nivel A [ 23 – 26 ].

Por lo tanto, aunque se utilizan para establecer estándares de atención médica (y a veces legales), las guías clínicas están muy lejos de ser una herramienta imparcial e inequívoca. Es difícil imaginar una mejora en la calidad de la investigación mientras los conflictos de intereses financieros estén asociados con recomendaciones favorables de medicamentos y dispositivos en guías clínicas, informes de comités asesores, artículos de opinión e incluso revisiones narrativas [ 27 ]. La pandemia de Sars-Cov-2 funcionó como una lupa al mostrar los límites y debilidades de nuestro sistema de investigación. En la prisa por su publicación, se han publicado miles de artículos dudosos, lo que no ha hecho más que aumentar la confusión y la desesperación rampantes que surgieron entre los médicos obligados a trabajar sin pruebas [ 28 – 30 ].

Actualmente hay muchos recursos disponibles para mejorar la capacidad de los médicos para utilizar la MBE correctamente, desde la lectura crítica de manuscritos, comparándolos con datos previamente disponibles, hasta el diseño de nuevos ensayos que podrían mejorar los resultados y la satisfacción del paciente [ 31 – 33 ]. Abordar críticamente la EBM significa no detenerse en el primer paso, es decir, la “síntesis de evidencia”, sino continuar con el segundo, que es la “traducción del conocimiento”. La evidencia debe ser llevada a la práctica por los médicos que seleccionan opciones de tratamiento para casos específicos basándose en las mejores investigaciones, las preferencias de los pacientes y las características individuales de los pacientes [ 34 ].

Errores médicos

Los errores médicos figuran como la tercera causa de muerte en los Estados Unidos [ 35 ] y representan un enorme costo en recursos y un gran riesgo para el paciente involuntario de encontrarse “víctima” del error. Una elección acertada requiere un esfuerzo activo para minimizar las posibilidades de cometer errores, teniendo en cuenta que no todos son predecibles y, por tanto, evitables. Minimizar los errores relacionados con la falta de conocimiento , que a menudo sólo se reconocen en retrospectiva (si no se detectan en absoluto), requiere experiencia, educación continua y actualización a la luz de las nuevas investigaciones y datos disponibles. Por otro lado, los errores relacionados con la falta de atención o el descuido podrían reducirse invirtiendo en un mejor equilibrio entre la vida laboral y personal de los proveedores de atención médica, preservando un sueño suficiente, evitando condiciones tóxicas en el lugar de trabajo y apoyando el bienestar físico y mental de los médicos [ 36 ].

En los últimos 30 años, la medicina ha intentado adoptar herramientas y procedimientos de otros campos para gestionar riesgos y minimizar errores. Por ejemplo, el enfoque de los procedimientos de seguridad aérea se utiliza a menudo como modelo para construir un sistema de atención sanitaria más seguro. Si bien los límites intrínsecos impiden alcanzar el mismo nivel extremadamente alto de seguridad [ 37 ], el uso de listas de verificación, la gestión del riesgo de fatiga del personal y la capacitación especializada son ejemplos de características compartidas por ambas realidades que mejoraron la evitación de errores cuando se implementaron. [ 38 – 40 ]. Un tema que falta en el aprendizaje de médicos y pasantes, aunque está bien establecido en otras actividades profesionales, es el «entrenamiento para evitar sesgos cognitivos».

Los sesgos cognitivos (CB) son patrones sistemáticos y predecibles de desviación de la norma y/o la racionalidad en el juicio. La mente es propensa a caer en estas diversas trampas cognitivas, especialmente cuando se basa en heurísticas o atajos mentales, utilizando lo que se define como «sistema 1» del proceso cognitivo (a diferencia del «sistema 2», que representa pensamientos analíticos conscientes) [ 41 – 43 ]. Los CB más comunes en medicina incluyen el efecto de anclaje y el sesgo de confirmación (que en conjunto podrían resumirse como enamorarse prematuramente de un diagnóstico), la falacia del jugador (que hace que parezca poco probable que algo vuelva a suceder si recientemente sucedió muchas veces). ), y la negligencia de la tasa base (sobreestimar o subestimar la probabilidad previa a la prueba al elaborar un diagnóstico, sesgar el razonamiento bayesiano), pero se ha descrito una larga lista de sesgos y cada uno de ellos desempeña un papel en el aumento del riesgo de cometer errores [ 44 , 45] . ]. El reconocimiento de patrones es esencial para el razonamiento clínico, especialmente en el contexto de emergencias, y uno se siente fácilmente tentado a pensar que estos sesgos no le afectan, incluso si puede reconocerlos en los demás.

Aprender a reconocer y discutir el impacto del sesgo cognitivo desde la etapa temprana de la educación médica podría ayudar significativamente a evitar las consecuencias y los costos de estos errores [ 46 ].

Enfoque centrado en el paciente y basado en valores

¿Qué es importante para los pacientes? Al tomar decisiones, nuestra perspectiva podría ser diferente de la de los pacientes y debemos considerar las preferencias y necesidades de los pacientes. Lo que es importante para nosotros puede tener un valor limitado para el paciente. Compartir nuestros puntos de vista e involucrar a los pacientes en la toma de decisiones que se base verdaderamente en sus necesidades debería ser un hito a la hora de elegir sabiamente [ 47 ].

Como médicos, tendemos a hacer un diagnóstico basado en un punto de vista centrado en la enfermedad y luego ofrecemos la mejor cura disponible. Sin embargo, esto puede estar lejos de coincidir con lo que le importa al paciente, particularmente cuando coexisten múltiples enfermedades crónicas [ 48 ]. Por ejemplo, desde la perspectiva de un paciente con insuficiencia cardíaca crónica, el número de días que pasa en casa puede ser un resultado más preciso para evaluar la calidad de las curas proporcionadas que la tasa de ingreso hospitalario [ 49 ]. Potencialmente, incluso las decisiones médicas más extremas pueden beneficiarse de una confrontación positiva. ¿Hay algún médico que ponga en duda los beneficios de la adrenalina en el paro cardíaco? En un ensayo controlado aleatorio (ECA) muy debatido publicado en New England Journal of Medicine sobre el uso de epinefrina en el paro cardíaco extrahospitalario [ 50 ], los autores involucraron activamente a los pacientes y al público en la planificación y desarrollo del ensayo. . El estudio mostró un beneficio del uso de epinefrina en la supervivencia a corto plazo, pero no hubo diferencias significativas en la supervivencia con resultados neurológicos favorables. Curiosamente, cuando la comunidad participó en la definición de la prioridad de los resultados, el 95% de los encuestados priorizaron la supervivencia a largo plazo con resultados neurológicos favorables en lugar de la supervivencia a corto plazo. Existen varios recursos que los médicos podrían utilizar para informar a sus pacientes sobre los riesgos y beneficios de los tratamientos, pruebas y procedimientos. En un metanálisis reciente, los pacientes expuestos a ayudas para la toma de decisiones para la detección o el tratamiento de la salud mostraron un mayor conocimiento, mientras que la precisión de las percepciones de riesgo y la congruencia entre los valores informados y las opciones de atención no mostraron diferencias en términos de resultados de salud en comparación con los controles [ 51 ]. Algunos pacientes pueden estar interesados en discutir posibles opciones terapéuticas, mientras que otros prefieren no participar en la toma de decisiones [ 52 ].

Involucrar a los pacientes en la toma de decisiones no significa renunciar a responsabilidades sino incluir sus preferencias personales en la decisión final del médico al respecto.

Decisiones clínicas y consecuencias.

Cada vez que tomamos una decisión clínica, como prescribir un tratamiento o una prueba, esperamos beneficios para nuestros pacientes, pero debemos tener en cuenta que con cada elección podemos causar daño. La mayoría de las veces reconocemos posibles eventos adversos directos, pero difícilmente identificamos riesgos potencialmente indirectos, el largo plazo y las consecuencias sociales de nuestras decisiones. Varios estudios indican que los pacientes sobreestiman constantemente los beneficios y subestiman los riesgos del procedimiento de detección, las pruebas y los tratamientos [ 53 ] y todavía hay incertidumbre sobre qué tan buenos son los médicos para comprender y comunicar a los pacientes los beneficios y daños de las pruebas y procedimientos [ 54]. , 55 ].

Cada vez que tomamos una decisión, ponemos en marcha una cadena de reacciones de la que debemos ser conscientes. Incluso la prueba más barata y de bajo riesgo puede tener enormes consecuencias para los pacientes y la atención sanitaria. En un estudio reciente, el Colegio Americano de Cardiología destacó la importancia de evitar el electrocardiograma (EKG) de rutina preoperatorio en cirugía no cardíaca de bajo riesgo [ 56 ], incluyendo tales recomendaciones entre su lista de las cinco principales opciones Choosing Wisely.

En otro estudio [ 57 ] sobre más de 110.000 pacientes sometidos a cirugía de cataratas en los EE. UU., el 16% de los que recibieron un electrocardiograma preoperatorio se sometieron a una serie de pruebas adicionales que representaron un coste adicional de 565 dólares por paciente y 35 millones de dólares sin evidencia de enfermedad. Los hallazgos incidentales representan la mayor parte de las pruebas inapropiadas. En un estudio realizado por el Colegio Americano de Médicos, el 90% de los médicos entrevistados informaron sobre una cascada de pruebas después de hallazgos incidentales que causaron importantes consecuencias psicológicas, financieras e incluso físicas para sus pacientes [ 58 ].

Se estima que el cribado del cáncer mediante el antígeno prostático específico (PSA), que ya no se recomienda, ha causado entre el 2,9% y el 88,1% de los sobrediagnósticos del cáncer de próstata [ 59 ]. Estos hallazgos son sólo un pequeño punto en un panorama mucho más amplio, ya que se dispone de datos limitados sobre el impacto del sobrediagnóstico y el sobretratamiento [ 59 ]. El enfoque CW propuesto tiene el primer efecto posterior de aumentar la seguridad de nuestros pacientes, equilibrando los riesgos y beneficios de cada intervención a nivel de una sola persona.

El médico nunca debe dejar de preguntarse: “¿Por qué le prescribo esta prueba/tratamiento a mi paciente? ¿Soy plenamente consciente de las consecuencias del resultado en mis próximas decisiones clínicas?

Enfoque centrado en el diagnóstico versus en el tratamiento

Dar respuestas a nuestros pacientes es un proceso cognitivo que pasa por la valoración crítica de la información clínica, comprobando la mejor evidencia disponible y considerando los factores externos implicados (valores, recursos disponibles, factores ambientales, etc.). Este proceso de razonamiento clínico no debe centrarse únicamente en proporcionar un diagnóstico. Como lo ilustra brillantemente una revisión reciente sobre el tema realizada por Cook et al. [ 60 ], llegar a un diagnóstico no es el resultado final que un médico debe buscar; es, de hecho, el manejo exitoso del paciente. Sin embargo, la mayor parte de la literatura disponible se centra en los procesos cognitivos que conducen en última instancia a un diagnóstico (razonamiento diagnóstico). El razonamiento de gestión, es decir, el proceso de toma de decisiones sobre el tratamiento de los pacientes, su seguimiento, la necesidad de hospitalización y la asignación de recursos, es un camino menos explorado y con múltiples aspectos. Cook et al. [ 60 ] señaló las principales diferencias entre los dos enfoques, como se resume en la Tabla 1 . Centrarse en el tratamiento del paciente en lugar de llegar a un diagnóstico podría posiblemente reducir el exceso de pruebas y aumentar la participación del paciente en el proceso de decisión.Tabla 1. Diagnóstico versus tratamiento

Enfoque centrado en el diagnóstico	Enfoque de razonamiento gerencial
Principalmente una tarea de clasificación, las etiquetas asignadas ayudan a los médicos a comprender la afección subyacente y simplifican la comunicación entre pares y pacientes.	Principalmente una cuestión de priorización centrada en la toma de decisiones compartida, el seguimiento y la planificación flexible.
Un enfoque más simple y directo	Más complejo requiere mayor experiencia y habilidades no profesionales.
Da respuestas (teóricas) definitivas cuando se establece un diagnóstico.	Esto conduce al desarrollo de múltiples opciones defendibles, con resultados diversificados.
No influenciado por valores o preferencias.	Influenciado por preferencias, recursos, valores y trabas de pacientes, médicos e instituciones.
Se puede hacer un diagnóstico basándose únicamente en los datos.	Un plan de manejo requiere interacción entre las partes involucradas
La lucha por una respuesta de sí o no podría llevar a realizar pruebas excesivas y a una mayor tasa de falsos positivos.	Se pueden desalentar las pruebas cuyos resultados no cambiarían el tratamiento, lo que reduce los riesgos relacionados con el sobrediagnóstico.
El diagnóstico no es más que un medio para lograr un fin (es decir, un manejo adecuado) y requiere tiempo para realizarse.	La gestión del paciente comienza con el primer encuentro con los médicos e incorpora el diagnóstico (eventual) en el proceso de toma de decisiones, cuando esté disponible.
El proceso cognitivo implicado y la eficacia del método están bien estudiados.	Requiere más estudios de los mecanismos cognitivos implicados; se necesitarán ECA dirigidos a demostrar su eficacia en resultados relevantes para los pacientes.

ECA, ensayo controlado aleatorio.

Un ejemplo práctico de las implicaciones del uso de estos dos enfoques es el tratamiento de pacientes con potencial embolia pulmonar (EP). Varios ensayos encontraron una prevalencia de EP superior a la esperada en pacientes ingresados por síncope o exacerbación de enfermedad pulmonar obstructiva crónica (EPOC) en el servicio de urgencias, lo que sugiere un posible papel de los algoritmos dedicados a la identificación de EP en estos grupos de pacientes [ 61 , 62 ]. Otros estudios plantearon dudas sobre este posible enfoque. Por un lado, el estudio de Costantino et al. [ 63 ], al recopilar datos de escenarios del mundo real, concluyó que no todos los pacientes justifican un algoritmo de diagnóstico para excluirlo, y el algoritmo puede aumentar los resultados falsos positivos y el sobretratamiento, lo que resulta en más eventos adversos. Por otro lado, el estudio de Jiménez et al. [ 64 ] sobre la exacerbación de la EPOC no encontraron diferencias en términos de resultados clínicos importantes al aleatorizar a los pacientes para recibir atención estándar o una estrategia activa para diagnosticar la EP, lo que muestra cómo invertir más en la búsqueda de un diagnóstico podría no ser beneficioso para los pacientes.

El médico y la comunidad.

Asumimos que debemos tratar a todos los pacientes de la misma manera y brindarles a todos la misma atención, pero ¿está sucediendo esto realmente?

El acceso a la educación, la vivienda, la alimentación y la calidad del agua, así como la inequidad en la distribución de la riqueza, se encuentran entre los principales determinantes de la salud de los pacientes y se han relacionado con el desarrollo de varias enfermedades. [ 65 , 66 ]. Por tanto, estos factores deben considerarse en el marco de la medicina preventiva. Un médico consciente incorpora en su proceso de pensamiento las necesidades de su comunidad. La pandemia de Sars-Cov-2 puso de relieve el efecto devastador de las desigualdades poblacionales en términos de determinantes socioeconómicos de la salud, con enormes diferencias en los resultados de los pacientes según el estatus social. [ 67 , 68 ]. Ya no podemos darnos el lujo de ignorar estas discrepancias entre nuestra población de pacientes.

Los determinantes sociales están estrictamente correlacionados con la resiliencia de una población para enfrentar los desafíos de salud y seguridad. En este sentido, una de las mayores amenazas a las que nos enfrentaremos en los próximos años es el impacto del cambio climático en la salud global.

La edición de 2020 del informe anual Lancet Countdown sobre salud y cambio climático [ 69 ] mostró datos alarmantes sobre los efectos directos del aumento de las temperaturas, con un aumento drástico de las muertes relacionadas con el calor (+53 % para las personas de 65 años o más en los últimos años). dos décadas), un aumento de la exposición a incendios forestales, el agravamiento de las enfermedades cardíacas y pulmonares [ 70 ], y la difusión de dietas poco saludables, lo que aumenta el riesgo cardiovascular [ 71 ]. Debemos darnos cuenta de que la voz de los profesionales de la salud es esencial para impulsar el progreso en materia de cambio climático y lograr los beneficios para la salud de responder con firmeza al problema. En este sentido, nosotros, como autores, respaldamos firmemente el llamado a la acción de emergencia publicado recientemente por un gran equipo de editores de algunas de las revistas de salud más importantes del mundo [ 72 ].

Como médicos, debemos actuar no sólo como proveedores de atención sanitaria sino también como defensores de los ciudadanos.

Cómo cambiar nuestra forma de pensar

Adquirir la mentalidad necesaria para elegir sabiamente es un viaje de aprendizaje en el que reconocemos a los actores de una obra, compartimos nuestros conocimientos y actuamos en consecuencia. Deberíamos trabajar para poner en marcha un proceso educativo que, directa y activamente, involucre a estudiantes, médicos, partes interesadas y el público. La discusión y adquisición de estos conceptos y el pensamiento crítico debe iniciarse durante los primeros años de formación de los estudiantes y aprendices de medicina. Difundir estas ideas a los pacientes, y en mayor medida también al público en general, beneficiará el feedback y aumentará la confianza entre las partes. Y, ante todo, educarnos como médicos nos permitirá transponer estas señales conceptuales a la práctica clínica, apoyando una atención más consciente y segura. Para iniciar este proceso, creemos que deberíamos centrar nuestras intervenciones educativas en los siguientes temas (Tabla 2 ):

rediscutir nuestro enfoque centrado en el diagnóstico a favor de un enfoque de razonamiento de gestión, que incluya opciones sobre el tratamiento, visitas de seguimiento, pruebas adicionales y asignación de recursos limitados, involucrando a los pacientes y sus necesidades personales en la toma de decisiones [ 70 , 73 ];
abrazar la incertidumbre en la profesión sanitaria, comprender el concepto de probabilidad de enfermedad y umbral de tratamiento, y adquirir las habilidades comunicativas y la empatía necesarias para transmitir estos conceptos a los pacientes.
cuestionar el dogma de “publicar o perecer” y esforzarse por lograr una investigación mejor, más confiable y centrada en el paciente. Deberíamos aprender y enseñar a escribir con precisión, leer críticamente e investigar concienzudamente.
aceptar que cualquier persona, sin excepción para los proveedores de atención médica, está destinada a cometer errores. Deberíamos apoyar sistemas que monitoreen los errores médicos, sus consecuencias y los casos de cuasi accidentes con el objetivo de desarrollar formas de evitar el mismo error en lugar de castigar a los actores involucrados [ 74 ]. Esto ayudará a detener el crecimiento de una clase médica aterrorizada por las consecuencias legales y propensa a tomar decisiones que los protejan de demandas por negligencia a expensas de la seguridad del paciente y el ahorro de recursos [ 75 , 76 ].

Cuadro 2. Pasos para elegir sabiamente

¿Qué se interpone entre nosotros y una mejor atención?	Solución propuesta	Posibles beneficios
Miedo a la incertidumbre	Comprender que las incertidumbres son una parte inevitable de la medicinaInvertir en habilidades comunicativas	Reducción de la frustración del médico.Mejor aceptación y comprensión por los pacientes.
Sesgos cognitivos	Incluir el entrenamiento cognitivo en la educación médica.Aprendiendo de otros campos de trabajoImplementación de sistemas para reportar errores.	Una mejor comprensión de su propio proceso de pensamiento.Reducción del riesgo relacionado con errores médicos
Aplicar evidencia de baja calidad	Formación en lectura/escritura crítica.Involucrar a los pacientes en el diseño del ensayo.Reconocimiento de conflictos de intereses	Traducción de conocimientos mejorada con un mejor uso de los datos disponibles.Incrementar la calidad de los nuevos datos publicados.
Centrarse demasiado en el diagnóstico	Discutir el manejo con los pacientes desde una etapa temprana.Reflexionar sobre los beneficios y riesgos esperados de cada prueba prescrita.Comprender el impacto del sobrediagnósticoConsiderar que un diagnóstico puede no ser siempre necesario para el manejo del paciente	Reducción de costes y desperdicio de recursos.Reducción de riesgos de sobrediagnóstico y sobretratamiento.Mejores resultados adaptados al paciente

Estos pasos primarios conducirán a una nueva forma de pensar que eventualmente permitirá que el médico obtenga un papel de defensor dentro de la sociedad, en el que la comunidad confíe como observadores y reporteros del bienestar físico y mental de la población. Por lo tanto, el reconocimiento de las discrepancias sociales, los factores ambientales y su papel en la salud global pasará a formar parte del razonamiento clínico y la práctica cotidiana del médico del mañana.

Conclusiones

La misión del movimiento Choosing Wisely no es sólo concienciar a los médicos sobre los riesgos del sobrediagnóstico y el sobretratamiento, sino también brindarles la oportunidad de repensar la forma en que tratamos a los pacientes.

Adoptar esta filosofía pasa por abordar varias cuestiones, incluida la dificultad para abordar la incertidumbre y los errores médicos, los límites de la MBE y el cambio hacia un razonamiento clínico centrado en el paciente y centrado en la gestión más que en el diagnóstico. Los médicos deberían recuperar un papel central en la gestión de pacientes y podrían ser actores líderes a la hora de afrontar los próximos desafíos sanitarios relacionados con cuestiones medioambientales y discrepancias sociales.

Pensar que hacer más significa hacerlo mejor es quizás un lapso momentáneo de razón cómodo, pero a menudo peligroso.

Efecto de la dispensación automatizada de dosis unitarias con escaneo de códigos de barras sobre los errores de administración de medicamentos: un estudio no controlado de antes y después .

Janique Gabriëlle Jessurun, Nicole Geertruida Maria Hunfeld, Joost Van Rosmalen, Monique Van Dijk, Patricia María Lucía Adriana Van Den Bemt

Fondo

Los errores en la administración de medicamentos (AMA) ocurren con frecuencia en los hospitales y pueden comprometer la seguridad del paciente. Se necesitan estrategias preventivas para reducir el riesgo de EAM.Objetivo

El objetivo principal de este estudio fue evaluar el efecto de la dispensación centralizada automatizada de dosis unitarias con administración de medicamentos asistida por códigos de barras sobre la prevalencia de MAE. Los objetivos secundarios fueron evaluar el efecto sobre el tipo y la gravedad potencial de los EAM. Además, se evaluó el cumplimiento de los procedimientos relacionados con el escaneo de códigos de barras de pacientes y medicamentos y la satisfacción del personal de enfermería con el sistema de administración de medicamentos.Métodos

Realizamos un estudio prospectivo no controlado de antes y después en seis salas clínicas de un hospital universitario holandés de 2018 a 2020. Los datos de MAE se recopilaron mediante observación. El resultado primario fue la proporción de administraciones de medicamentos con uno o más EAM. Los resultados secundarios fueron el tipo y la gravedad potencial de los MAE, las tasas de cumplimiento con la identificación del paciente y la firma de la medicación administrada mediante escaneo y la satisfacción del personal de enfermería con el sistema de administración de medicación. Se utilizaron análisis de regresión logística multivariable de efectos mixtos para el resultado primario para ajustar los factores de confusión y la agrupación a nivel de enfermera y paciente.Resultados

Uno o más MAE ocurrieron en 291 de 1490 administraciones (19,5%) antes de la intervención y en 258 de 1630 administraciones (15,8%) después de la intervención (odds ratio ajustado 0,70, intervalo de confianza del 95% 0,51-0,96). La tasa de omisión cayó del 4,6% al 2,0% y de dosis incorrecta del 3,8% al 2,1%, mientras que las tasas de otros tipos de MAE fueron similares. La tasa de MAEs potencialmente dañinos cayó del 3,0% ( n = 44) al 0,3% ( n = 5). Las tasas de cumplimiento del escaneo del código de barras del paciente y de la medicación después de la intervención fueron del 13,6% y del 55,9%, respectivamente.

La mediana de la puntuación de satisfacción general de las enfermeras con el sistema de administración de medicamentos en una escala de 100 puntos fue 70 (rango intercuartil 63-75, n = 193) antes de la intervención y 70 (rango intercuartil 60-78, n = 145) después de la intervención. intervención ( P = 0,626, prueba U de Mann-Whitney ).Conclusión

La implementación de la dispensación central automatizada de dosis unitarias con administración de medicamentos asistida por códigos de barras se asoció con una menor probabilidad de MAE, incluidos errores potencialmente dañinos, pero se necesita un mayor cumplimiento de los procedimientos de escaneo. Las enfermeras estaban moderadamente satisfechas con el sistema de administración de medicamentos, tanto antes como después de su implementación. En conclusión, a pesar del bajo cumplimiento de los procedimientos de escaneo, este estudio muestra que esta intervención contribuye a la mejora de la seguridad de los medicamentos en los hospitales.

Introducción

Un metaanálisis reciente ha demostrado que al menos 1 de cada 20 pacientes se ve afectado por daños evitables al paciente en entornos sanitarios y que aproximadamente el 12% de los daños evitables causa discapacidad permanente o muerte del paciente [ 1 ]. Los incidentes relacionados con la medicación representan la mayor proporción de daños evitables [ 1 ]. Por tanto, aunque la farmacoterapia sigue siendo una piedra angular para el tratamiento de muchas enfermedades, posibles dificultades del proceso pueden comprometer la seguridad del paciente. Los errores en la administración de medicamentos (MAE) ocurren en aproximadamente el 10%, y oscilan entre aproximadamente el 5% y el 20% de las administraciones de medicamentos en los hospitales [ 2 , 3 ]. Se han implementado muchas intervenciones para prevenir estos errores [ 4–9 ]. Sin embargo, las altas tasas de MAE restantes justifican defensas adicionales del sistema.

Las intervenciones prometedoras incluyen la dispensación automatizada de dosis unitarias (ADD) y la administración de medicamentos asistida por códigos de barras (BCMA) [ 4–6 , 9–13 ]. La combinación de ADD central con BCMA puede tener un efecto sinérgico sobre los errores de medicación al facilitar un sistema de circuito cerrado, cuando se combina con un registro médico electrónico (EMR) o un sistema computarizado de ingreso de órdenes médicas (CPOE). Los estudios sobre ADD central han mostrado reducciones relativas en las tasas de MAE de aproximadamente 50 a 60% [ 14 , 15 ], mientras que la mayoría de los estudios sobre el efecto de BCMA han mostrado reducciones relativas de 30 a 60% [ 9 , 12 ]. Hasta ahora, sólo dos estudios, realizados en salas médicas o hematológicas de agudos, han examinado el efecto combinado de ADD central con BCMA en MAE, con CPOE ya implementado [ 16 , 17 ]. Estos estudios han mostrado valores de reducción relativa de MAE del 62% [ 16 ] y 94% [ 17 ], respectivamente.

Como solo se dispone de evidencia limitada, realizamos un estudio de antes y después destinado a evaluar el efecto del ADD central con BCMA sobre la prevalencia, el tipo y la gravedad de los MAE; cumplimiento de la identificación del paciente y firma del medicamento administrado mediante escaneo; y satisfacción del personal de enfermería con el sistema de administración de medicamentos.

Métodos

Diseño del estudio

Realizamos un estudio prospectivo de antes y después en Erasmus MC, University Medical Center Rotterdam en Rotterdam, Países Bajos. El Comité de Revisión de Ética Médica local renunció a la aprobación de este estudio (número de referencia MEC-2018-1532) de acuerdo con la Ley holandesa de investigación médica con sujetos humanos. El personal de enfermería dio su consentimiento informado verbal para participar en este estudio. Los datos se manejaron de forma confidencial de acuerdo con el Reglamento General de Protección de Datos holandés. Para la presentación de informes se utilizó la directriz Fortalecimiento de la presentación de informes de estudios observacionales en epidemiología [ 18 ].

Entorno de estudio

El estudio se realizó en seis salas clínicas (oncología interna, neurología, medicina pulmonar, hematología, neurocirugía y cirugía hepatopancreatobiliar). Antes de la intervención, se instaló un sistema EMR, un sistema CPOE y un sistema de registro electrónico de administración de medicamentos (eMAR) utilizando el software HiX® (ChipSoft BV, Ámsterdam, Países Bajos). Se utilizó un sistema CPOE adicional, Practocol® (Practocol BV, Rotterdam, Países Bajos), para la prescripción y administración de medicamentos en protocolos de quimioterapia.

La intervención consistió en la central ADD (en la farmacia del hospital) y BCMA, que estaban integradas en HiX®. ADD y BCMA se implementaron gradualmente en todo el hospital, a partir de mediados de 2019. Las características de configuración detalladas se muestran en la Tabla 1 .

Características del entorno antes y después de la implementación de la dispensación central automatizada de dosis unitarias y la administración de medicamentos asistida por códigos de barras

Características	Preintervención	Post-intervención
sistema EMR ^un	HiX®	HiX®
sistema CPOE ^un	HiX®, Practocol®	HiX®
Central AÑADIR ^un	No aplica	– Pillpick® en la farmacia del hospital central– Sí, principalmente para medicación oral.– Procesamiento automatizado de recetas en CPOE– Bolsas de plástico monodosis con código de barras (con nombre del medicamento, concentración, fecha de caducidad, número de lote e identificador nacional del artículo) unidas a un anillo de plástico (suministro para 12 a 24 h). La información general del paciente y del medicamento adjunto (nombre, concentración y hora de administración) están impresas y adheridas al anillo.– Comprobación automatizada de fechas de caducidad.
Suministro de medicamentos	– Por la farmacia del hospital central– Primer pedido: ordenado por los técnicos de farmacia al procesar recetas en HiX®– Órdenes de seguimiento: por personal de enfermería de forma electrónica en HiX®. Posibilidad de realizar pedidos telefónicos.– Preparados multidosis como inhaladores: bajo petición.	– Recetas procesadas automáticamente por el software ADD– Otros medicamentos: como preintervención
media de medicación	Existencias en sala (adaptadas): medicación de emergencia, medicación de uso común y medicación específica del paciente (durante varios días)	Como preintervención, pero con una gama más pequeña de medicamentos de uso común.
Llenado de carrito de medicamentos ^b	Por enfermeras, generalmente durante 24 h.	– Por enfermeras, generalmente durante 24 h (tres salas)– Por personal de farmacia de forma centralizada durante 24 h (entre semana) o 72 h (viernes): tres salas
BCMA
Identificación del paciente mediante escaneo.	Posible, pero no práctica estándar	Sí
Identificación de medicamentos mediante escaneo	No	Sí
Características BCMA de identificación de medicamentos ^a	No aplica	– Alertas visuales en eMAR HiX®– Medicamento incorrecto, concentración por unidad, forma farmacéutica– Sin control de dosis automatizado (por ejemplo, número de comprimidos)
Estaciones de trabajo	En carros de medicamentos móviles con escáneres	En carros de medicamentos móviles con escáneres
Uso de medicación propia del paciente o autoadministración.	No es una práctica estándar, sólo bajo protocolos estrictos.	No es una práctica estándar, sólo bajo protocolos estrictos.
Firma de medicación administrada ^a	En eMAR HiX®: manualmente por personal de enfermería	En eMAR HiX®: manualmente o escaneando la medicación por parte del personal de enfermería

aHiX® versión 6.1 (ChipSoft BV; Ámsterdam, Países Bajos); Practocol® versión 2.0.9.3 y 2.1.5.1 (Practocol BV; Rotterdam, Países Bajos) para medicación en protocolos de quimioterapia (p. ej., dexametasona); Pillpick® (Swisslog; Buchs, Suiza).b

Los procedimientos diferían entre las salas porque el abastecimiento central se veía obstaculizado por recursos humanos limitados.

Los criterios de inclusión y exclusión

Se incluyeron las administraciones de medicamentos a pacientes realizadas por personal de enfermería. Se excluyeron las administraciones de medicamentos que finalizaron durante la observación, las administraciones de medicamentos cuyo nombre faltaba en el formulario de recopilación de datos o las administraciones de medicamentos que fueron rechazadas por los pacientes por otras razones que no fueran erróneas.

Recopilación de datos

Los datos se recopilaron desde octubre de 2018 hasta febrero de 2019 antes de la intervención y desde septiembre de 2020 hasta diciembre de 2020 después de la intervención. Todas las mediciones posteriores a la intervención se realizaron al menos 3 meses después de la implementación completa. Los datos sobre la administración de medicamentos se recopilaron mediante el método de observación encubierta [ 19-21 ], lo que significa que el personal de enfermería no conocía el propósito exacto de las observaciones. Se informó al personal de enfermería que el propósito de las observaciones era estudiar el proceso de medicación para minimizar el efecto del observador sobre lo observado (efecto Hawthorne). Ocho observadores, un farmacéutico y siete estudiantes con formación farmacéutica o médica, que habían completado un programa de formación de varios días, siguieron al personal de enfermería y registraron los detalles de cada administración de medicamentos en formularios de recopilación de datos. Los observadores utilizaron el método de muestreo por conveniencia para seleccionar enfermeras que serían observadas cuando estuvieran presentes en la sala y les pidieron su consentimiento verbal antes de iniciar una observación. Los observadores recibieron instrucciones de intervenir si percibían que se estaba produciendo un error grave (paciente equivocado, fármaco equivocado o una desviación de dosis de al menos el 20%). Los datos recopilados durante la observación se compararon con las prescripciones y protocolos de medicamentos después de la observación y no durante la observación, lo que está de acuerdo con el estándar de oro de los métodos de detección de errores de medicación [ 20 ]. Inicialmente, un farmacéutico (JJ) y un farmacéutico hospitalario (NH) revisaron de forma independiente 200 formularios de recopilación de datos para evaluar la presencia, el tipo y la gravedad potencial de los EAM. Para esta muestra, el kappa de Cohen para la presencia de uno o más MAE se calculó en 0,72, lo que indica una confiabilidad sustancial entre evaluadores. Por lo tanto, un revisor (JJ) revisó los formularios de recopilación de datos restantes para determinar la presencia de un MAE. JJ y NH clasificaron el tipo y la gravedad potencial de cada MAE según la literatura y la experiencia, mientras que los desacuerdos se resolvieron por consenso.

Se pidió a las enfermeras que rellenaran un cuestionario para recopilar datos sobre sus características previas (es decir, género, edad, tipo de título, nivel educativo, experiencia y tipo de empleo) después de completar las rondas de observación en una sala en particular. Para cada administración de medicamento observada, JJ evaluó el día de la semana y si el medicamento estaba firmado como administrado en el eMAR (firmado como administrado en HiX®: sí, no; código de barras del medicamento escaneado según HiX®: sí, no). JJ recopiló datos característicos del paciente (es decir, sexo, fecha de nacimiento y número de medicamentos recetados) de Practocol® y HiX®.

Los datos recopilados de las administraciones de medicamentos se ingresaron en OpenClinica® versión 2.1 (OpenClinica LLC, Waltham, Massachusetts, EE. UU.).

Cuestionario de satisfacción del personal de enfermería.

La escala del Sistema de administración de medicamentos: evaluación de la satisfacción de las enfermeras (MAS-NAS) [ 22 ] se tradujo al holandés. Este cuestionario fue presentado dos veces al personal de enfermería. Preintervención, MAS-NAS midió la satisfacción con el sistema de administración de medicamentos sin ADD-BCMA y postintervención midió la satisfacción del sistema con ADD-BCMA. El cuestionario constaba de una pregunta sobre la satisfacción general, 15 afirmaciones (sobre eficacia, seguridad y acceso) y una pregunta abierta. Las enfermeras indicaron la satisfacción general en una escala visual analógica de 0 ( insatisfecho ) a 100 ( satisfecho ). Las respuestas a las 15 afirmaciones se dieron en una escala Likert de 6 puntos, desde 1 ( muy en desacuerdo ) a 6 ( muy de acuerdo ). La pregunta abierta invitó a comentarios adicionales. Los estudiantes capacitados visitaron las salas clínicas y presentaron el cuestionario en un iPad® (Apple Inc.; Cupertino, California, EE. UU.) al personal de enfermería presente.

Definición y clasificación de MAE

Un MAE se definió como una desviación de las órdenes de medicación utilizadas por el personal de enfermería para administrar la medicación; una desviación de los protocolos generales de administración de medicamentos; y si los protocolos locales no estuvieran disponibles, una desviación de la hoja de información del medicamento proporcionada por el fabricante. Los errores de tiempo no estuvieron dentro del alcance del estudio porque generalmente se considera que no son clínicamente relevantes [ 2 , 3 ]. Los errores de preparación de aditivos intravenosos, como disolventes incorrectos y errores de higiene, así como errores de procedimiento, como errores de etiquetado y documentación, no se consideraron MAE.

Los MAE se clasificaron en los siguientes tipos [ 19 , 23 ]: técnica de administración incorrecta (administración demasiado rápida, incompatibilidad de la medicación parenteral y otros), manipulación incorrecta de la medicación (por ejemplo, no agitar las suspensiones, líquido de infusión/volumen de líquido de infusión incorrecto o combinación de soluciones de medicamentos) , omisión, dosis incorrecta, medicamento no ordenado, forma farmacéutica incorrecta, vía de administración incorrecta, medicamento caducado y otros. Las omisiones se definieron como medicación no administrada durante el día de observación. Este era el caso si se cumplían todas las siguientes condiciones: (i) el observador observó toda la ronda de medicación del paciente (por ejemplo, a las 8 am), (ii) la enfermera no administró la medicación y (iii) la medicación fue administrada. no firmado como administrado en el eMAR por otra enfermera o fuera del período observado. Para una dosis incorrecta, una administración demasiado rápida y un volumen de líquido de infusión incorrecto, una desviación de más del 10 % se marcó como incorrecta porque se acepta ampliamente una desviación máxima del 10 % de la dosis declarada de los productos farmacéuticos dentro de la vida útil (por ejemplo, según las directrices de fabricación). . Para la clasificación de la gravedad potencial de los MAEs se utilizó el índice de gravedad del National Coordinating Council for Medication Error Reporting and Prevention (NCC MERP), el cual va desde la categoría A (circunstancias que tienen capacidad de causar error) hasta la I (muerte). 24 ]. Los errores clasificados en NCC MERP clase E o superior se consideraron potencialmente dañinos.

Resultados

El resultado primario fue la proporción de administraciones de medicamentos con uno o más MAE utilizando las oportunidades totales de error como denominador (es decir, el número de administraciones observadas más las omisiones identificadas). Los resultados secundarios fueron el tipo y la gravedad potencial de los MAE, las tasas de cumplimiento de la identificación del paciente mediante escaneo y la firma electrónica de la medicación administrada mediante escaneo, y la satisfacción del personal de enfermería con el sistema de administración de medicamentos.

Cálculo del tamaño de la muestra

Para identificar una reducción en los MAE del 10% al 5% [ 2 , 3 , 10 , 12 , 25 ], se requeriría un tamaño de muestra de 868 administraciones de medicamentos, tanto antes como después de la intervención, según un chi bilateral. Prueba de cuadrados utilizando α de 0,05 y β de 0,2. Se planeó utilizar el mismo conjunto de datos para un estudio sobre posibles factores de riesgo de EAM, para el cual se calcularon tamaños de muestra de 2000 antes de la intervención y 4000 después de la intervención. Por lo tanto, se buscó incluir este mayor número de administraciones de medicamentos. Se planificaron previamente noventa y seis rondas de observación en cada período de medición, distribuidas en diferentes ventanas horarias y días de la semana.

Análisis de los datos

Las tasas de MAE se compararon mediante análisis de regresión logística de efectos mixtos univariables y multivariables (modelos lineales mixtos generalizados). La variable dependiente en estos modelos era una variable dicotómica que indicaba si la administración de un medicamento tenía uno o más MAE (sí, no); y las variables independientes fueron el entorno (preintervención y postintervención) y las covariables forma farmacéutica (sólido oral, líquido oral, infusión, inyección, solución nebulizadora, pomada, supositorio/enema y varios), ventana de tiempo de administración (7 a.m. –10 am, 10 am–2 pm, 2 pm–6 pm y 6 pm–7 am), tipo de sala clínica, tipo de título de enfermería (enfermero, enfermero especializado y otros) y nivel educativo de enfermería (educación profesional secundaria, educación profesional superior y otra). Se presentó un modelo con y sin características de enfermera porque los datos sobre las características de las enfermeras sólo estaban disponibles para 189 de 359 enfermeras observadas (52,6%). Se incluyeron dos efectos aleatorios, es decir, un intercepto aleatorio por miembro del personal y un intercepto aleatorio por paciente para tener en cuenta las mediciones repetidas y las correlaciones dentro del sujeto. Se realizaron análisis de casos completos. Los resultados de los análisis de regresión logística de efectos mixtos se informan como odds ratios ajustados (ORadj) con intervalos de confianza del 95% (IC del 95%).

Se utilizó la prueba U de Mann-Whitney para comparar las puntuaciones generales de satisfacción del personal de enfermería, que no se distribuyeron normalmente. Se utilizaron estadísticas descriptivas para otros resultados secundarios. Un valor de P bilateral <0,05 se consideró estadísticamente significativo. Los análisis de datos se realizaron con R Statistics® versión 4.0.2. (The R Foundation, Viena, Austria) para los análisis de regresión logística de efectos mixtos y con SPSS Statistics ^® versión 25 (IBM Corporation, Armonk, Nueva York, EE. UU.) para otros análisis.

Resultados

Se observaron un total de 3191 administraciones de medicamentos. Se excluyeron setenta y una observaciones porque los pacientes rechazaron la administración. Los observadores intervinieron en seis administraciones antes de la intervención (omisión, n = 1; dosis incorrecta, n = 2; medicamento no ordenado [paciente incorrecto], n = 3) y en una administración después de la intervención (omisión, n = 1). Las características de las 3120 administraciones de medicamentos incluidas se muestran en la Tabla 2 .

Tabla 2

Características de las administraciones de medicamentos incluidos antes y después de la implementación de la dispensación central automatizada de dosis unitarias y la administración de medicamentos asistida por códigos de barras

Características	Preintervención N = 1490 administraciones de medicamentos	Postintervención N = 1630 administraciones de medicamentos
Características del paciente
pacientes, norte	245	253
Masculino, n (% de pacientes)	145 (59,2)	128 (50,6)
Edad, mediana (RIC)	62 (50-70)	61 (47–69)
Medicamentos recetados por día, mediana (RIQ)	13 (10-16)	13 (10-17)
Características de la medicación
Forma farmacéutica ^a , n (% de administraciones)
Sólido oral	936 (62,8)	1021 (62,6)
Líquido oral	66 (4,4)	87 (5,3)
Infusión	252 (16,9)	239 (14,7)
Inyección	136 (9,1)	202 (12,4)
Solución nebulizadora	47 (3,2)	35 (2,1)
Ungüento	10 (0,7)	11 (0,7)
Supositorio/enema	17 (1,1)	8 (0,5)
Varios ^b	25 (1,7)	26 (1,6)
Características del barrio
Sala clínica, n (% de administraciones)
oncología interna	252 (16,9)	285 (17,5)
Neurología	196 (13,2)	218 (13,4)
medicina pulmonar	375 (25,2)	278 (17,1)
Hematología	234 (15,7)	215 (13,2)
Neurocirugía	281 (18,9)	351 (21,5)
Cirugía hepatopancreatobiliar	152 (10,2)	283 (17,4)
Características del tiempo
Día de la semana, n (% de administraciones)
Día laborable	985 (66,1)	1097 (67,3)
Fin de semana	505 (33,9)	533 (32,7)
Tiempo de administración, n (% de administraciones)
7 a.m.-10 a.m.	454 (30,5)	497 (30,5)
10 a. m. a 2 p. m.	236 (15,8)	248 (15,2)
14:00 a 18:00 horas	273 (18,3)	335 (20,6)
6 p.m.-7 a.m.	527 (35,4)	550 (33,7)
Características de la carga de trabajo
Relación paciente-enfermera ^c , mediana (RIC)	5 (4–7)	5 (4–7)
Interrupciones
Sí	96 (6,4)	70 (4,3)
Características del personal
Miembros del personal observados, n	179	180
Miembros del personal, datos personales disponibles, n (% del personal)	107 (59,8)	82 (45,6)
Hombres, n (% del personal)	7 (6,5)	6 (7,3)
Edad ^d , mediana (RIQ)	30 (25-50)	27 (23-35)
Tipo de titulación, n (% de la plantilla)
Enfermero	68 (63,6)	53 (64,6)
enfermera especializada	27 (25,2)	18 (22,0)
Estudiante de enfermería	10 (9,3)	10 (12,2)
Otro	2 (1,9)	1 (1.2)
Nivel educativo ^e , n (% del personal)
Educación vocacional secundaria	46 (43,4)	40 (48,8)
Educación profesional superior	49 (46,2)	42 (51,2)
educación universitaria	1 (0,9)	0
Otro	10 (9,4)	0
Experiencia desde diplomado en enfermería, n (% del personal)
0–1 año	18 (16,8)	11 (13,4)
1 a 5 años	20 (18,7)	33 (40,2)
Mas de 5 años	60 (56,1)	27 (32,9)
No aplica	11 (10.3)	11 (13,4)
Experiencia en entornos sanitarios ^e , n (% del personal)
0–1 año	1 (0,9)	3 (3,7)
1 a 5 años	34 (32,1)	32 (39,0)
Mas de 5 años	71 (67,0)	47 (57,3)
Tipo de empleo ^e , n (% de la plantilla)
No temporal	97 (91,5)	74 (90,2)
Temporario	6 (5,7)	8 (9,8)
Otro	3 (2,8)	0

RIQ: rango intercuartil. a

Faltan, n = 1 (preintervención), n = 1 (postintervención). ^b Varios: inhaladores, parches, colirios/pomadas para los ojos, gel intestinal. ^c Desaparecidos, n = 61 (preintervención), n = 128 (postintervención). ^d Falta, n = 7 (posintervención). ^e Falta, n = 1 (preintervención).

Prevalencia, tipo y gravedad potencial de los MAE

Se identificaron uno o más MAE en 291 de 1490 administraciones (19,5%) antes de la intervención y en 258 de 1630 administraciones (15,8%) después de la intervención (ORadj 0,70; IC del 95%: 0,51 a 0,96; Tabla 3 ). Se produjeron un total de 316 MAE y 272 MAE, respectivamente, antes y después de la implementación de la intervención.

Tabla 3

Efecto de la dispensación central automatizada de dosis unitarias y la administración de medicamentos asistida por códigos de barras sobre los errores de administración de medicamentos (MAE)

		Análisis de regresión logística de efectos mixtos ^a
	Prevalencia de EAM	Análisis univariable N = 3097	Análisis multivariable ^b N = 3095	Análisis multivariable con características enfermeras ^c N = 1561
Periodo de medición	n/n (%)	O (IC del 95%)	OR ajustado (IC del 95 %)	OR ajustado (IC del 95 %)
Preintervención	291/1490 (19,5)	Referencia	Referencia	Referencia
Post-intervención	258/1630 (15,8)	0,76 (0,55–1,04)	0,70 (0,51–0,96) *	0,57 (0,37–0,88) *

IC: intervalo de confianza; O, razón de posibilidades.aSe utilizó un análisis de regresión logística de efectos mixtos para tener en cuenta las correlaciones intrasujetos debidas a mediciones repetidas por parte del personal y el paciente. bLos quirófanos se han ajustado según la forma farmacéutica, el período de tiempo y el tipo de sala clínica.

CLos quirófanos se han ajustado según el nivel educativo de la enfermera, el tipo de título de enfermería, la forma farmacéutica, el período de tiempo y el tipo de sala clínica.

Estadísticamente significativo ( P < 0,05).

El tipo y la gravedad potencial de los MAE identificados se muestran en la Tabla 4 . Después de la intervención, la tasa de omisión cayó del 4,6% al 2,0% y de dosis incorrecta del 3,8% al 2,1%, mientras que las tasas de otros tipos de MAE fueron similares. La prevalencia de EAM potencialmente dañinos cayó del 3,0% ( n = 44) al 0,3% ( n = 5). Ejemplos de la gravedad potencial de los MAE se describen en Archivo complementario 1 .

Tabla 4

Tipo y gravedad potencial de los errores de administración de medicamentos (MAE) antes y después de la implementación de la dispensación central automatizada de dosis unitarias y la administración de medicamentos asistida por códigos de barras

	Preintervención	Post-intervención
Administraciones de medicamentos incluidas, n	1490	1630
MAE, norte	316	272
Tipo de MAE, n (% de administraciones)
Técnica de administración incorrecta	78	99
Administración demasiado rápida	51 (3,4)	83 (5,1)
Incompatibilidad de la medicación parenteral.	21 (1,4)	3 (0,2)
Otro	6 (0,4)	13 (0,8)
Manejo incorrecto de medicamentos	57 (3,8)	59 (3,6)
Omisión	68 (4,6)	33 (2,0)
dosis equivocada	57 (3,8)	35 (2,1)
droga desordenada	25 (1,7)	26 (1,6)
Forma de dosificación incorrecta	25 (1,7)	20 (1,2)
Vía de administración incorrecta	5 (0,3)	0
Medicación caducada	0	0
Otro	1 (0,1)	0
Gravedad potencial de MAEs ^a , n (% de administraciones)
Error, no hay daño
C	173 (11,6)	209 (12,8)
D	99 (6,6)	58 (3,6)
error, daño
mi	35 (2,3)	5 (0,3)
F	7 (0,5)	0
h	2 (0,1)	0

Clasificación NCC MERP [ 24 ]: sin error (categoría A); error, sin daño (categoría B a D); error, daño (categoría E a H); y error, muerte (categoría I). C: ocurrió un error que llegó al paciente pero no le causó daño; D: ocurrió un error que llegó al paciente y requirió monitoreo para confirmar que no causó daño al paciente y/o requirió intervención para evitar daño; E: ocurrió un error que pudo haber contribuido o resultado en un daño temporal al paciente y requirió intervención; F: ocurrió un error que pudo haber contribuido o resultado en un daño temporal al paciente y requirió una hospitalización inicial o prolongada; H: ocurrió un error que requirió la intervención necesaria para mantener la vida.

Cumplimiento de la identificación del paciente y firma de la medicación administrada.

La Tabla 5 muestra los índices de cumplimiento de los procedimientos relacionados con la identificación del paciente y la firma electrónica de la medicación administrada. El escaneo de códigos de barras para la identificación de pacientes se realizó en 124 de 1490 administraciones (8,3%) antes de la intervención y en 221 de 1630 administraciones (13,6%) después de la intervención. La firma electrónica de la medicación administrada se realizó en 1.418 administraciones (95,2%) preintervención y en 1.575 administraciones (96,6%) postintervención. Después de la intervención, se escanearon códigos de barras de medicamentos en 911 administraciones (55,9%).

Tabla 5

Tasas de cumplimiento de la identificación del paciente y la firma electrónica de la medicación administrada antes y después de la implementación de la dispensación central automatizada de dosis unitarias y la administración de medicación asistida por códigos de barras

	Preintervención N = 1490	Postintervención N = 1630
Trámites	Tasa, n (% de N)	Tasa, n (% de N)
Identificación del paciente
Mediante escaneo de código de barras
Sí	124 (8,3)	221 (13,6)
No	1251 (84,0)	1300 (79,8)
Desconocido	115 (7,7)	109 (6,7)
Firma de medicación administrada
Firmado en eMAR
Sí	1418 (95,2)	1575 (96,6)
No	71 (4,8)	55 (3,4)
Desconocido	1 (0,1)	0
Mediante escaneo de código de barras
Sí	No aplica	911 (55,9)
No	No aplica	664 (40,7)

eMAR, registro electrónico de administración de medicamentos.

Abrir en una pestaña nueva

Análisis post hoc: medicación escaneada versus no escaneada (posintervención)

Un análisis post hoc mostró que las tasas de MAE fueron del 13,0 % ( n / N = 118/911) para la medicación escaneada y del 19,5 % ( n / N = 140/719) para la medicación no escaneada. Las tasas de los siguientes tipos de MAE fueron más bajas para los medicamentos escaneados en comparación con los medicamentos no escaneados: omisión ( n = 3 versus n = 30; 0,3% versus 4,2%), medicamento no ordenado ( n = 6 versus n = 20; 0,7% versus 2,8%), forma farmacéutica incorrecta ( n = 3 versus n = 17; 0,3% versus 2,4%) y dosis incorrecta ( n = 14 versus n = 21; 1,5% versus 2,9%). Las tasas de los siguientes tipos de MAE fueron mayores o similares para los medicamentos escaneados en comparación con los medicamentos no escaneados: técnica de administración incorrecta ( n = 64 versus n = 35; 7,0% versus 4,9%) y manipulación incorrecta de los medicamentos ( n = 32 versus n = 27; 3,5% frente a 3,8%). Todos los MAE potencialmente dañinos ( n = 5) ocurrieron con medicación no escaneada.

Satisfacción del personal de enfermería con el sistema de administración de medicamentos

La mediana de la puntuación de satisfacción general con el sistema de administración de medicamentos en una escala de 100 puntos fue 70 (rango intercuartil 63–75, n = 193) antes de la intervención y 70 (rango intercuartil 60–78, n = 145) después de la intervención ( P = 0,626). Las puntuaciones medianas de satisfacción en una escala de 6 puntos con respecto a 15 afirmaciones fueron de moderadas (puntuación 3) a altas (puntuación 5) (Archivo complementario 2 ). Las enfermeras estaban moderadamente satisfechas con los temas relacionados con la seguridad relacionada con los MAE, la puntualidad de la disponibilidad de medicamentos agudos, la facilitación de la comunicación, la información en caso de reacciones adversas, la información sobre las acciones y efectos adversos de los medicamentos (posterior a la intervención) y la necesidad de acumular medicamentos (antes de la intervención). intervención). Antes de la intervención, las observaciones se referían especialmente a la optimización de los tiempos de dispensación. Después de la intervención, los comentarios se relacionaron principalmente con problemas técnicos con el escaneo (por ejemplo, tiempo de respuesta lento) y deficiencias del sistema para verificar la dosis correcta (por ejemplo, medias tabletas).

Discusión

Declaración de principales hallazgos

La implementación de ADD central con BCMA redujo la probabilidad de errores de medicación durante la administración del 19,5% al 15,8% y de errores potencialmente dañinos del 3,0% al 0,3%. No se cumplieron plenamente los procedimientos para la identificación de pacientes y la firma de la medicación administrada mediante escaneo. En el período posterior a la implementación, las tasas de error fueron menores para la medicación escaneada en comparación con la medicación no escaneada (13,0 % frente a 19,5 %) y todos los errores potencialmente dañinos ocurrieron con la medicación no escaneada. En comparación con la medicación no escaneada, la medicación escaneada tuvo tasas más bajas de todos los tipos de errores, es decir, omisión, medicamento no ordenado, forma farmacéutica incorrecta y dosis incorrecta, excepto por técnica de administración incorrecta y manejo incorrecto de la medicación. En general, la satisfacción del personal de enfermería con el sistema de administración de medicamentos fue moderada y no cambió después de implementar la intervención.

Interpretación en el contexto de la literatura más amplia.

La reducción de frecuencia de MAE encontrada en este estudio está en línea con estudios previos que examinan el efecto de ADD central, BCMA y/o sistemas de circuito cerrado [ 4 , 6 , 9 , 10 , 12-17 , 25 ]. Los resultados de los estudios sobre sistemas de circuito cerrado son difíciles de comparar debido a la heterogeneidad con respecto a las intervenciones estudiadas (p. ej., únicamente BCMA), las características iniciales (p. ej., sistemas en papel versus sistemas electrónicos) y las poblaciones de pacientes. Hasta donde sabemos, sólo dos estudios daneses han examinado el efecto de la intervención combinada con sistemas EMR y CPOE ya implementados [ 16 , 17 ]. Estos estudios controlados de antes y después han mostrado una mayor reducción de MAE (odds ratio 0,38 [ 16 ] y 0,06 [ 17 ]). Sin embargo, es difícil comparar estos estudios con el nuestro porque se realizaron en salas médicas de agudos o salas de hematología, utilizando métodos de observación no disfrazados y centrándose únicamente en la medicación oral [ 16 , 17 ]. Otros estudios sobre ADD central han mostrado reducciones en las tasas de MAE de aproximadamente 50 a 60% [ 14 , 15 ], mientras que la mayoría de los estudios sobre BCMA han mostrado una reducción de 30 a 60% después de su implementación [ 9 , 12 ]. Sin embargo, la reducción absoluta de MAE encontrada en este estudio (3,7%) es bastante comparable a la de estudios anteriores sobre cADD o BCMA [ 9 , 12 , 14 , 15 ].

La tasa de omisión se redujo del 4,6% al 2,0% y la de dosis incorrecta del 3,8% al 2,1%, mientras que las tasas de otros tipos de MAE no se vieron afectadas. La comparación de medicamentos escaneados versus no escaneados en el período posterior a la implementación también mostró efectos variables en diferentes tipos de errores. Esto respalda la afirmación de que la intervención examinada sólo tiene la capacidad de reducir tipos específicos de errores [ 9 , 10 , 12 , 13 ].

El cumplimiento limitado de la identificación de pacientes y medicamentos mediante escaneo puede haber diluido el efecto positivo de la intervención en nuestro estudio. Las posibles causas de incumplimiento pueden incluir dificultades técnicas, limitaciones de tiempo e integración incompleta en el flujo de trabajo estándar [ 26 ]. Las deficiencias en la implementación, el diseño y la integración del flujo de trabajo son factores desencadenantes de soluciones alternativas [ 27 ], que posteriormente pueden conducir a efectos de seguridad reducidos [ 10 , 27-29 ]. Las soluciones alternativas observadas en nuestro estudio incluyen colocar códigos de barras de identificación de los pacientes en las camas y transportar los medicamentos previamente escaneados de varios pacientes en carritos. Otros problemas observados incluyen dificultades al utilizar el escáner (por ejemplo, respuesta lenta), número insuficiente de escáneres o carritos de medicamentos y medicamentos sin códigos de barras.

Fortalezas y limitaciones

La fortaleza de este estudio es que incluimos una gran cantidad de administraciones de medicamentos representativas realizadas por muchos miembros del personal de diferentes salas clínicas, lo que respalda la generalización de nuestros resultados a entornos similares. Otra fortaleza es que utilizamos un método sólido para identificar y evaluar EAM en la práctica clínica diaria. Este estudio también tiene algunas limitaciones. En primer lugar, es posible que se haya producido un sesgo del observador. Intentamos limitar esto utilizando el método disfrazado [ 19-21 ] y extensos programas obligatorios de capacitación para observadores. En segundo lugar, una posible limitación de los estudios de antes y después es que otros cambios en el proceso de medicación (por ejemplo, otras iniciativas de seguridad del paciente) pueden haber influido en los resultados. Sin embargo, hasta donde sabemos, no se realizaron cambios sustanciales adicionales relacionados con el proceso de administración de medicamentos. Finalmente, el entorno monocéntrico puede limitar la generalización.

Implicaciones para las políticas, la práctica y la investigación

Los hallazgos de este estudio respaldan la implementación de ADD central con BCMA. Sin embargo, este estudio también enfatiza la necesidad de estrategias de implementación integrales y estrategias de evaluación continua (por ejemplo, mediante el uso del método Planificar-Hacer-Estudiar-Actuar [ 30 ]). Los procedimientos de escaneo no se cumplieron completamente, aunque se gastaron grandes recursos para su implementación en nuestra institución. La exploración de facilitadores y barreras para la implementación de tales intervenciones parece crucial porque no utilizar la tecnología de seguridad del paciente como se pretende puede comprometer la eficacia de dichas intervenciones [ 10 , 26-28 ]. Además, dichas intervenciones deben desarrollarse conjuntamente con todas las partes interesadas, especialmente el público objetivo, para adaptar la tecnología a las necesidades de las personas que la utilizarán.

Conclusiones

El ADD central con BCMA se asoció con una frecuencia reducida de MAE, incluidos errores potencialmente dañinos, pero es necesario mejorar el cumplimiento del escaneo de códigos de barras de pacientes y medicamentos. En conclusión, este estudio muestra que esta intervención contribuye a la mejora de la seguridad de la medicación en los hospitales.

Estrategias Clave en la Gestión de RRHH en el Sector Salud

Oluwaseyi Rita Owolabi 1, Funmilola Olatundun Olatoye 2, Oluwafunmi Adijat Elufioye 3 y Beatrice Okunade 4,

Introducción

La gestión de recursos humanos (HRM) en el sector sanitario es un área fundamental que se centra en la contratación, la retención y el desarrollo de una plantilla cualificada, eficiente y motivada.

El sector sanitario, caracterizado por su naturaleza dinámica y su constante evolución, se enfrenta a retos únicos que requieren estrategias especializadas de gestión de los recursos humanos para garantizar la prestación de una atención de alta calidad a los pacientes (Blštáková y Palenčárová, 2021; Mahapatro, 2021; Surji y Sourchi, 2020).

Este documento de revisión explora las complejidades de la gestión de recursos humanos en la atención médica, centrándose específicamente en el reclutamiento, la retención y el desarrollo de la fuerza laboral, arrojando luz sobre su importancia y las estrategias empleadas para abordar los desafíos asociados. La gestión de recursos humanos en el sector sanitario abarca una amplia gama de actividades diseñadas para maximizar el rendimiento de los empleados al servicio de los objetivos de prestación de servicios sanitarios de una organización. Implica la planificación estratégica y la ejecución en la contratación, la retención, la formación y el desarrollo del personal, la gestión del rendimiento y el cumplimiento de las normas y reglamentos sanitarios.

La complejidad de los servicios de atención médica, junto con la necesidad crítica de habilidades especializadas y altos estándares éticos, hace que la gestión de recursos humanos en la atención médica sea única y desafiante. El sector requiere una fuerza laboral que no solo sea técnicamente competente, sino que también se adapte a los avances tecnológicos, los cambios regulatorios y las necesidades cambiantes de los pacientes (Nkala, Mudimu y Mbengwa, 2021; Paul y Singh, 2023).

La contratación en el sector sanitario es crucial debido a la necesidad constante del sector de contar con profesionales cualificados que puedan ofrecer una atención de calidad en diversas especialidades. Las estrategias de contratación eficaces son esenciales para atraer talento en un mercado laboral competitivo y, a menudo, global, en el que la escasez de profesionales sanitarios puede afectar significativamente a la prestación de servicios. La retención de trabajadores sanitarios cualificados es igualmente vital.

Las altas tasas de rotación pueden provocar interrupciones en la atención al paciente, pérdida de conocimientos organizativos y costes operativos.

Reclutamiento en el sector de la salud

El reclutamiento dentro del sector de la salud se enfrenta a varios desafíos, principalmente debido a la escasez mundial de profesionales de la salud. Esta escasez se ve agravada por el envejecimiento de la población que requiere más cuidados, la creciente prevalencia de enfermedades crónicas y la naturaleza exigente de los trabajos sanitarios. Además, el sector compite por profesionales cualificados, lo que supone un reto para la contratación en zonas rurales o desatendidas. La necesidad de especialización en diversos campos de la atención médica complica aún más los esfuerzos de reclutamiento, al igual que la necesidad de mantenerse al día con los avances en la tecnología y las prácticas médicas (Alluhidan et al., 2020; Boniol et al., 2022; Razu et al., 2021). Las estrategias efectivas de reclutamiento en el cuidado de la salud incluyen ofrecer paquetes de compensación competitivos, condiciones de trabajo flexibles y oportunidades de desarrollo profesional. Las organizaciones sanitarias aprovechan cada vez más las redes sociales y las plataformas digitales para la contratación, llegando a un público más amplio de posibles candidatos. El desarrollo de asociaciones con instituciones educativas también puede ayudar a garantizar un flujo constante de profesionales recién capacitados. Enfatizar la misión, los valores y la cultura de la organización en los materiales de reclutamiento también puede atraer candidatos que encajen bien en el equipo y estén comprometidos con la atención al paciente (De Smet, Dowling, Hancock y Schaninger, 2022; De Smet, Dowling, MugayarBaldocchi y Schaninger, 2022). La calidad de las prácticas de contratación tiene un impacto directo en la prestación de servicios de salud. La contratación eficiente y estratégica garantiza que los centros sanitarios cuenten con profesionales competentes y dedicados, capaces de satisfacer las necesidades de los pacientes. Esto no solo mejora los resultados y la satisfacción de los pacientes, sino que también mejora la eficiencia general de los servicios de atención médica (Amimo, Lambert, Magit y Hashizume, 2021). Por el contrario, las prácticas de contratación inadecuadas pueden provocar escasez de personal, un aumento de la carga de trabajo del personal existente y comprometer la calidad de la atención.

Retención de la fuerza laboral de atención médica

Varios factores, incluida la satisfacción laboral, el equilibrio entre el trabajo y la vida personal, la compensación y los beneficios, las oportunidades de desarrollo profesional y el entorno laboral, influyen en la retención en la atención médica (Boamah, Hamadi, Havaei, Smith y Webb, 2022; Sija, 2022). La naturaleza estresante del trabajo sanitario, caracterizado por largas horas de trabajo y tensión emocional, también puede afectar a las tasas de retención. Además, el nivel de apoyo de la dirección y las oportunidades de promoción profesional desempeñan un papel crucial en la retención del personal.

Las mejores prácticas para la retención de empleados en el sector de la salud incluyen fomentar una cultura positiva y de apoyo en el lugar de trabajo, proporcionar compensaciones y beneficios competitivos, y ofrecer opciones de horarios flexibles para mejorar el equilibrio entre el trabajo y la vida personal. La implementación de programas de tutoría, capacitación continua y oportunidades de desarrollo profesional también puede mejorar la satisfacción y la lealtad laboral.

La retroalimentación periódica y los canales de comunicación abiertos entre el personal y la gerencia pueden identificar y abordar las preocupaciones antes de que conduzcan a la rotación.

La cultura organizacional y el liderazgo tienen un impacto significativo en las tasas de retención en el cuidado de la salud. Una cultura de colaboración, respeto y reconocimiento puede mejorar la satisfacción y la lealtad en el trabajo. Un liderazgo eficaz es fundamental para crear un entorno de trabajo positivo en el que los empleados se sientan valorados y empoderados. Los líderes que priorizan el bienestar de su personal y abordan activamente sus preocupaciones pueden fomentar un sentido de pertenencia y compromiso entre los empleados (Vuong, Tung, Tushar, Quan y Giao, 2021).

Desarrollo de la fuerza laboral en la atención médica

El desarrollo de la fuerza laboral es esencial en la atención médica para garantizar que los profesionales posean los conocimientos y habilidades actualizados para brindar una atención de calidad. Los rápidos avances en la tecnología médica y los cambios en los protocolos de atención médica requieren educación y capacitación continuas. El desarrollo de la fuerza laboral también desempeña un papel crucial para abordar los desafíos de reclutamiento y retención al mejorar la satisfacción laboral y las oportunidades de promoción profesional (Mlambo, Silén y McGrath, 2021; Nazeha et al., 2020).

Las estrategias efectivas de capacitación y desarrollo en el cuidado de la salud incluyen programas de educación continua, oportunidades de certificación y acceso a conferencias y talleres. Las sesiones de formación interna adaptadas a las necesidades específicas del centro sanitario también pueden ser muy beneficiosas. Invertir en plataformas de formación y aprendizaje electrónico basadas en simulaciones permite oportunidades de aprendizaje flexibles y accesibles, adaptándose a las apretadas agendas de los profesionales de la salud (Samuel, Cervero, Durning y Maggio, 2021). Las innovaciones en el desarrollo y la educación de la fuerza laboral incluyen el uso de la realidad virtual (VR) y la realidad aumentada (AR) para la capacitación basada en simulación, ofreciendo experiencias de aprendizaje inmersivas e interactivas. La gamificación de los contenidos de aprendizaje es otro enfoque innovador que mejora el compromiso y la retención de conocimientos. Las colaboraciones entre las organizaciones sanitarias y las instituciones académicas pueden fomentar la innovación, combinando la experiencia práctica con las últimas investigaciones y teorías (Aebersold y Dunbar, 2021; Fealy, Irwin, Tacgin, See y Jones, 2023).

En conclusión, esta revisión de la literatura destaca la interconexión de la contratación, la retención y el desarrollo de la fuerza laboral en la gestión de recursos humanos en el cuidado de la salud.

Las estrategias efectivas en estas áreas son cruciales para mantener una fuerza laboral de atención médica competente, satisfecha y motivada, lo que en última instancia impacta en la calidad de la atención al paciente. Abordar los desafíos y aprovechar las oportunidades dentro de cada área requiere un enfoque integral y estratégico, enfatizando el papel de la cultura organizacional, el liderazgo y la innovación para lograr la excelencia en la gestión de recursos humanos en el cuidado de la salud.

Marcos teóricos

Los fundamentos teóricos de la Gestión de Recursos Humanos (GRH) ofrecen información valiosa sobre la gestión eficaz del personal sanitario. Estas teorías proporcionan una base conceptual para las prácticas de RRHH y guían la gestión estratégica de los recursos humanos en los entornos sanitarios. Esta sección profundiza en las teorías relevantes de la gestión de recursos humanos, su aplicación a la gestión de recursos humanos en el sector de la salud y un análisis de los enfoques teóricos para el reclutamiento, la retención y el desarrollo de la fuerza laboral.

6.1. Visión general de las teorías relevantes de la gestión de los recursos humanos

La teoría del capital humano postula que las habilidades, conocimientos y habilidades de los individuos son recursos económicos valiosos o «capital». Esta teoría enfatiza la importancia de invertir en las personas a través de la educación, la capacitación y el desarrollo para mejorar su productividad y valor para la organización (Mellander y Florida, 2021).

La Jerarquía de Necesidades de Maslow proporciona una perspectiva psicológica, sugiriendo que los empleados están motivados por una jerarquía de necesidades, desde las necesidades fisiológicas básicas hasta las necesidades de autorrealización de nivel superior. Comprender estas necesidades puede guiar el desarrollo de estrategias para motivar y retener al personal sanitario (Ihensekien y Joel, 2023; Ștefan, Popa y Albu, 2020).

La Teoría de los Dos Factores de Herzberg distingue entre los factores de higiene (como el salario y las condiciones de trabajo) que pueden prevenir la insatisfacción y los motivadores (como el reconocimiento y el logro) que pueden mejorar la satisfacción laboral. Esta teoría sugiere que ambos factores deben abordarse para motivar a los empleados de manera efectiva (Alrawahi, Sellgren, Altouby, Alwahaibi y Brommels, 2020; Tezel, 2023; Yousaf, 2020).

La teoría del intercambio social considera la relación laboral como un intercambio recíproco en el que la calidad del intercambio social puede influir en el compromiso y la lealtad organizacional de los empleados. Los intercambios positivos, caracterizados por la confianza, el apoyo y la equidad, pueden mejorar la retención de los empleados.

6.2. Aplicación de estas teorías a la gestión de RRHH en el sector sanitario

La teoría del capital humano subraya la importancia del desarrollo profesional continuo en el ámbito sanitario. Invertir en la formación y educación del personal sanitario mejora la calidad de la atención al paciente. Contribuye a la satisfacción y retención de los empleados al mejorar sus perspectivas profesionales.

La jerarquía de necesidades de Maslow puede guiar el desarrollo de políticas y prácticas en el lugar de trabajo que aborden las diversas necesidades de los trabajadores de la salud, desde garantizar su seguridad y protección hasta brindar oportunidades de crecimiento y reconocimiento profesional (Poh et al., 2022).

La teoría de los dos factores de Herzberg sugiere que las organizaciones sanitarias deben mejorar las condiciones de trabajo y proporcionar una compensación competitiva para evitar la insatisfacción. Al mismo tiempo, ofrecer oportunidades de progreso, reconocer los logros y fomentar un sentido de pertenencia puede motivar al personal (Alrawahi et al., 2020; B. Lee, Lee, Choi y Kim, 2022).

La Teoría de la Equidad destaca la necesidad de prácticas justas y transparentes de compensación y reconocimiento en los entornos de atención médica. Garantizar que los empleados se sientan valorados y tratados de manera justa es crucial para la retención y el compromiso (Beatty, 2021).

La Teoría del Intercambio Social enfatiza la construcción de relaciones positivas entre el personal de salud y la gerencia. Crear una cultura de apoyo e inclusión en el lugar de trabajo puede fomentar la lealtad y el compromiso de los empleados.

6.3. Análisis de los enfoques teóricos para el reclutamiento, la retención y el desarrollo

La integración de estas teorías en las prácticas de gestión de recursos humanos de la atención médica puede ofrecer estrategias integrales para abordar los desafíos de reclutamiento, retención y desarrollo.

Aplicando la Teoría del Capital Humano, las organizaciones sanitarias pueden hacer hincapié en las oportunidades de desarrollo profesional a largo plazo y en los entornos de aprendizaje continuo que ofrecen para atraer a candidatos de alta calidad. Las teorías de la equidad y el intercambio social sugieren que los procesos de contratación transparentes y justos y la promesa de relaciones organizacionales positivas también pueden atraer candidatos. La Jerarquía de Necesidades de Maslow y la Teoría de los Dos Factores de Herzberg sugieren que abordar las necesidades básicas y de alto nivel de los empleados es fundamental para la retención. Esto incluye garantizar una remuneración competitiva, condiciones de trabajo seguras y oportunidades de crecimiento profesional y reconocimiento.

El énfasis de la Teoría del Capital Humano en la inversión en las habilidades de los empleados destaca la importancia de los programas de educación y capacitación continua. Estos programas mejoran la calidad de la atención al paciente y contribuyen a la satisfacción y retención de los empleados al fomentar un sentido de logro y avance.

6.4. Retos en la gestión de RRHH en el sector sanitario

La gestión de los recursos humanos en el sector sanitario se enfrenta a muchos retos, principalmente por la complejidad del sector, el entorno normativo y la naturaleza crítica de sus servicios. Estos desafíos tienen profundas implicaciones para la atención al paciente y la eficacia general de las organizaciones de atención médica. En esta sección se analizan los desafíos comunes de RRHH en el sector de la salud. Examina su impacto tanto en la atención al paciente como en la eficacia organizativa (Mousa y Othman, 2020).

6.5. Desafíos comunes de recursos humanos en el sector de la salud

Uno de los desafíos más apremiantes es la escasez de profesionales de la salud, incluidas enfermeras, médicos y personal de salud relacionado. Las brechas de habilidades en áreas específicas, como la atención geriátrica y los servicios de salud mental, agravan este problema. Las causas fundamentales incluyen el envejecimiento de la mano de obra, la insuficiente capacidad de las instituciones de formación y el alto agotamiento entre los profesionales sanitarios (Foà et al., 2020). Atraer y retener profesionales sanitarios cualificados es cada vez más difícil, lo que se ve agravado por la competitividad de los mercados laborales, la naturaleza exigente de los puestos de trabajo sanitarios y la búsqueda de un mejor equilibrio entre la vida laboral y la personal. Estas dificultades son especialmente agudas en las zonas rurales o desatendidas, donde la disparidad en los servicios sanitarios es más pronunciada (Hamouche, 2023).

Si bien es beneficioso, el rápido ritmo de la innovación tecnológica en la atención médica también presenta desafíos para garantizar que la fuerza laboral esté adecuadamente capacitada y sea capaz de utilizar las nuevas tecnologías de manera efectiva.

Esto incluye registros médicos electrónicos (EHR), servicios de telesalud y equipos médicos avanzados. Las organizaciones sanitarias deben navegar por una compleja red de normativas y políticas, que pueden cambiar con frecuencia. Garantizar el cumplimiento requiere capacitación y actualizaciones continuas para el personal, lo que aumenta la carga de recursos humanos (Boselie, Van Harten y Veld, 2021). Gestionar una fuerza laboral diversa en el sector de la salud y, al mismo tiempo, garantizar la equidad y la inclusión plantea sus propios desafíos. Esto incluye abordar las barreras lingüísticas, las sensibilidades culturales y brindar oportunidades equitativas de avance profesional. El entorno de alto estrés de la atención médica, junto con las largas horas de trabajo y el costo emocional de la atención al paciente, afecta significativamente el bienestar de los empleados y puede conducir al agotamiento. Esto no solo afecta a la retención, sino también a la calidad de la atención al paciente (abril, 2021).

6.6. Impacto de estos desafíos en la atención al paciente y la eficacia organizativa La escasez de personal y las brechas de habilidades pueden conducir a tiempos de espera más largos para los pacientes, un acceso reducido a la atención y, potencialmente, una menor calidad de la atención. El personal inadecuadamente capacitado o aquellos que no pueden seguir el ritmo de los avances tecnológicos también pueden comprometer la seguridad del paciente y la calidad de la atención. Además, los altos niveles de agotamiento del personal pueden provocar errores, reducir la interacción con el paciente y disminuir la satisfacción general del paciente. Las dificultades de contratación y retención conducen a altas tasas de rotación, lo que interrumpe la continuidad del servicio y aumenta los costos operativos. Los recursos que se gastan continuamente en reclutar y capacitar a nuevo personal podrían invertirse en mejorar los servicios de atención al paciente. El incumplimiento de la normativa también puede dar lugar a sanciones legales y daños a la reputación de la organización. Los desafíos de gestionar la diversidad y la inclusión de la fuerza laboral, junto con la necesidad de mantener el bienestar de los empleados, tienen un impacto directo en la moral y la productividad de la fuerza laboral. Una fuerza laboral que se siente infravalorada, sobrecargada de trabajo y sin apoyo tiene menos probabilidades de estar comprometida y ser productiva, lo que agrava aún más los problemas de personal y afecta a la eficacia organizativa (AlHamad et al., 2022; Anwar y Abdullah, 2021; K. Lee, Romzi, Hanaysha, Alzoubi y Alshurideh, 2022).

Estrategias de mejora

La mejora de la gestión de los recursos humanos en el ámbito sanitario es esencial para abordar los retos del sector y garantizar la prestación de una atención de alta calidad a los pacientes. La implementación de estrategias basadas en la evidencia, el aprovechamiento de la tecnología y la innovación, y la exploración de direcciones futuras son pasos cruciales para mejorar las prácticas de recursos humanos en la atención médica.

7.2. Papel de la tecnología y la innovación en las prácticas de RRHH Las plataformas digitales, incluidas las redes sociales profesionales y los portales de empleo especializados en el sector sanitario, pueden ampliar el alcance de los esfuerzos de contratación y agilizar el proceso de contratación. Los programas de incorporación virtual pueden integrar de manera eficiente a los nuevos empleados en la organización, incluso antes de su primer día. El analisis de datos avanzado puede proporcionar informacion sobre las tendencias de la fuerza laboral, predecir las necesidades de personal e identificar areas de mejora en las estrategias de compromiso y retención de los empleados. El análisis predictivo también puede ayudar a pronosticar las necesidades de contratación y desarrollar estrategias proactivas de recursos humanos. Las plataformas de e-learning y las simulaciones de realidad virtual (RV) ofrecen soluciones flexibles y rentables para el desarrollo profesional continuo. Estas tecnologías pueden simular escenarios médicos de la vida real con fines de formación, mejorando los resultados del aprendizaje sin los riesgos asociados a los métodos de formación tradicionales (Vahdat, 2022).

7.3. Direcciones futuras para la gestión de recursos humanos en la industria de la salud

Reconociendo las altas tasas de estrés y agotamiento de los profesionales de la salud, las prácticas futuras de recursos humanos deben priorizar la salud mental y el bienestar. Iniciativas como los programas de bienestar, los días de salud mental y el acceso a servicios de asesoramiento pueden apoyar la salud mental de los empleados y mejorar la retención. La integración de la inteligencia artificial (IA) y la automatización en los procesos de RRHH puede mejorar la eficiencia y la eficacia. Las herramientas impulsadas por IA pueden ayudar en la adquisición de talento, la gestión del rendimiento y los planes personalizados de aprendizaje y desarrollo, lo que permite a los profesionales de RRHH centrarse en iniciativas estratégicas. La pandemia de COVID-19 puso de manifiesto la necesidad de contar con personal sanitario flexible y resiliente. Las futuras estrategias de RRHH deben desarrollar modelos de fuerza laboral adaptables, como opciones de teletrabajo para el personal no clínico y capacitación cruzada del personal clínico para múltiples funciones, a fin de garantizar la continuidad de la atención durante las crisis. La colaboración con instituciones educativas, asociaciones profesionales y otras organizaciones de atención médica puede ayudar a abordar los desafíos de la fuerza laboral del sector. Las asociaciones pueden facilitar el intercambio de mejores prácticas, apoyar el desarrollo de programas de capacitación y garantizar un flujo constante de futuros profesionales de la salud.

8. Conclusión

La revisión exhaustiva de la gestión de recursos humanos (GRH) en la atención sanitaria pone de relieve el papel fundamental de las prácticas eficaces de RRHH para garantizar una atención de alta calidad al paciente. Los hallazgos clave de la literatura subrayan los desafíos que enfrentan en el reclutamiento, la retención y el desarrollo de la fuerza laboral, junto con la importancia estratégica de abordar estos problemas a través de prácticas basadas en evidencia e integrando la tecnología y la innovación. La evidencia apunta hacia la necesidad de que las organizaciones de atención médica adopten estrategias integrales de reclutamiento y retención, prioricen el desarrollo profesional continuo y fomenten entornos laborales positivos. Las políticas deben respaldar estas estrategias proporcionando los recursos necesarios, fomentando el uso de la tecnología en las prácticas de recursos humanos y reconociendo la importancia de la salud mental y el bienestar entre los trabajadores de la salud. La formación en liderazgo y gestión también es crucial para equipar a los líderes sanitarios con las habilidades necesarias para navegar por las complejidades de la gestión de recursos humanos en la atención sanitaria. La investigación futura debe explorar los impactos a largo plazo de las prácticas innovadoras de recursos humanos en la atención médica, principalmente utilizando herramientas digitales, IA y aprendizaje automático en el reclutamiento, la capacitación y la gestión del desempeño. Investigar la eficacia de diversas iniciativas de salud mental y bienestar en la retención y satisfacción de los empleados podría proporcionar información valiosa para el desarrollo de políticas. Los estudios comparativos entre diferentes sistemas y entornos de salud también pueden arrojar luz sobre estrategias de recursos humanos universalmente aplicables y soluciones específicas para cada contexto. Además, a medida que el sector sanitario sigue evolucionando, la investigación debe seguir el ritmo de los nuevos retos y oportunidades, garantizando que las prácticas de gestión de los recursos humanos sigan respondiendo a las necesidades de los profesionales sanitarios y, en última instancia, de los pacientes a los que atienden. La colaboración entre las organizaciones sanitarias, las instituciones académicas y los responsables políticos puede facilitar este esfuerzo de investigación en curso, impulsando la innovación y la mejora de la gestión de recursos humanos en el ámbito sanitario. En conclusión, mejorar la gestión de recursos humanos en la atención médica es un desafío multifacético que requiere pensamiento estratégico, soluciones innovadoras y adaptación continua. Al centrarse en estrategias basadas en la evidencia, aprovechar la tecnología y priorizar el bienestar de los trabajadores de la salud, las organizaciones pueden mejorar las prácticas de recursos humanos, asegurando así la prestación de una atención de alta calidad a los pacientes.

Editorial: Los trabajadores de la salud rehenes sin refugio.

El bienestar de los trabajadores de la salud es esencial para brindar una buena atención, calidad y seguridad en las prestaciones, la verdadera ventaja competitiva son las personas con competencia, aptitud, motivadas e incentivadas para brindar una atención centrada en la persona. No solo cobrando más salario se soluciona, pero es indispensable un esfuerzo económico empresario, acompañado y complementado por la mejora en las condiciones de trabajo y el clima laboral, el trabajo en equipo y la comunicación, evitando que se rompa la cadena de valor de generación de infraestructura del conocimiento. Para lo cual se requiere alineamiento estratégico y confianza, entre el gobierno, los financiadores, gerenciadoras, prestadores institucionales, profesionales, sindicato, cuidadores y proveedores, para que respondan a las expectativas de los pacientes, familia y comunidad.

Estos días en la política laboral, gremial son de desconcierto, de incertidumbre, de no establecer puntos de dialogo con el gobierno, la clásicas grietas entre kirchneristas y macristas, quedan atrás, han sido reemplazadas por abismos ideológicos, entre el profeta Milei con estrategia de comunicación outsider, los monárquicos que añoran la vuelta de la señora y populistas, construyendo murallas, en reductos donde se preservan para momentos mejores y dinamitando puentes, con los trabajadores de la sanidad siendo rehenes de los financiadores de la salud, de las prepagas, de los dueños de establecimientos privados, quebrados, porque todo lo que discutan de aumentos de salarios lo quieren trasladar a los aranceles, y sin ello no habrá aumentos, donde la situación es tensa, porque el aumento de salario depende de establecer financiamiento en la cadena de valor, pero la discusión es denigrante y maliciosa, porque en todos los ámbitos predominan las segundas intenciones. Si no hay incremento de aranceles no se pueden aumentar los salarios (Pero cuando hubo incremento de aranceles, tampoco aumentaron los sueldos en igual magnitud). Todo hace pensar que nos enfrentamos a un conflicto de largo alcance, de desgaste y larga duración.

Pero al contrario de lo que indica el desarrollo de empresas más humanas, horizontales, sin egos, enfrentan condiciones laborales difíciles y crónicamente estresantes, los trabajadores son vitales y resilientes, pero están infravalorados y despreciados.

La teoría de la equidad equilibra los insumos (como el esfuerzo, las habilidades y la dedicación) y los resultados (como el salario, los beneficios y el reconocimiento) de un empleado. Los empleados buscan un equilibrio justo entre lo que aportan y lo que reciben a cambio, lo que repercute en su satisfacción y motivación (Khan, Bhatti, Hussain, Ahmad e Iqbal, 2021; Malik y Singh, 2022). La teoría del intercambio social considera la relación laboral como un intercambio recíproco en el que la calidad del intercambio social puede influir en el compromiso y la lealtad organizacional de los empleados. Los intercambios positivos, caracterizados por la confianza, el apoyo y la equidad, pueden mejorar la retención de los empleados.

Hay razones para sospechar que las enfermedades crónicas entre los trabajadores de la salud son a menudo el resultado de una exposición ocupacional donde la relación con el ambiente de trabajo es muy desfavorable.

La prevalencia global de burnout en Canadá fue del 78,7%. Cuando las subescalas se evaluaron por separado, el 85,2% cumplió con los criterios de agotamiento y el 87,7% cumplió con los criterios de desvinculación

Las enfermeras y los trabajadores sanitarios están por debajo de la línea de la pobreza. La mezquindad de empresarios, las amenazas de la ruptura de una hegemonía, de un fuego cruzado, donde transitan enfermeros, administrativos, kinesiólogos, médicos, bioquímicos, técnicos de la salud, cobrando poco y mal, siendo del club de los pobres inocentes, en un país que busca el desarrollo por el atajo del equilibrio fiscal y la estabilización económica, perdiendo empleo formal, con dificultades en el acceso a la salud, con sacrificios de trabajar más horas en la semana que la salud mental de cualquier ser humano lo permite, para poder subsistir. Donde la mira está en poder emigrar. Donde la salida está en Ezeiza.

Este gobierno no solo ataca a la salud, sino no fomenta la mejora en la educación, atacando las universidades, sin dar el ejemplo. Porque no robar es una condición necesaria, aunque insuficiente. En esta puja distributiva, los desentendidos de siempre no la ven.

Los equipos de salud, Los que le dan confort a nuestros pacientes, los que cumplen las normas de seguridad, de atención, le suministran la medicación, los que viajan varias horas en colectivos, los que tienen doble rol de padres, madres, los que se siguen formando y se duermen en los escritorios porque no descansan, donde soportan noches eternas, tratando de sostenerse vigiles, donde se les pide todo y se les da nada, donde asisten a la expropiación que hace el complejo industrial farmacéutico y de insumos de la salud, que aumentan más los precios que la inflación, y se apropian de otros gastos, como así también de la cobertura de la educación, los traslados y terapias especiales a niños con discapacidad, que exige financiamiento, sino se apropian del dinero destinado a financiar tecnologías tuteladas. de quienes son los transfer, suministrando esos bienes de confianza.

Al comienzo de la pandemia de Covid-19, cuando gran parte de la sociedad cerró, los trabajadores de la salud arriesgaron su propia seguridad y siguieron trabajando para atender a los pacientes. Aunque sus barriadas inicialmente golpearon cacerolas, vitorearon desde sus balcones y colocaron carteles de agradecimiento, hace tiempo que las cacerolas dejaron de sonar. Con demasiada frecuencia, las expresiones de gratitud han sido reemplazadas por ignorarlos, los ciudadanos de segunda, los trabajadores de la salud, a medida que la desinformación sanitaria se ha disparado, erosionando la confianza en la ciencia y los expertos en salud pública. Sin embargo, médicos, enfermeras, farmacéuticos, trabajadores sociales, terapeutas respiratorios, oficiales de seguridad hospitalaria y miembros del personal de organizaciones de atención médica y de salud pública continúan presentándose para luchar contra las enfermedades El costo para nuestros trabajadores de la salud es alarmante. Ser trabajador de salud es un castigo. Nuestros hijos nos miran con ojos tristes. Porque el esfuerzo que hacemos se malogra en los sacrificios impagos y abandonados. Se golpean los intentos de humanización, de compasión, de dignificar la profesión. Que triste es la verdad.

No se puede lograr visibilidad del reclamo, es un servicio esencial, la representatividad dañada ensombrece la legitimidad del reclamo. La imposibilidad de reconstruir salarios, cuando aumentaron tanto los medicamentos, los insumos, el oxígeno, la anestesia, el abastecimiento eléctrico, de agua, de gas y el de los alimentos. Estos generan un efecto desplazamiento sobre los magros salarios, que no alcanzan para vivir en quienes nos deberán cuidar. Empresas de salud que vienen sin cumplir con sus obligaciones desde hace muchos años, no tienen resto. Salvemos a los trabajadores de salud, para preservar la atención. Si como sociedad esto nos interesa, nos debe preocupar los silencios, y la falta de respuestas. El retraso salarial en este sector es uno de los más postergados con respecto a la inflación y los otros sectores de la economía. La inflación en salud, vía medicamentos e insumos, son superiores a los aumentos de salarios. La recomposición no puede ser de un día hacia el otro, pero debe orientar a un crecimiento en el salario. Tal vez, la disminución de la presión que generan los aportes y las contribuciones debe empezar por este sector, hasta que logren sacar los bolsillos debajo del agua.

Esta situación generará mayor rotación del personal de salud, este afectará la capacidad de respuesta de las instituciones,

Las estrategias de retención centradas en la satisfacción, el compromiso y el desarrollo profesional de los empleados son cruciales para mantener una fuerza laboral estable y experimentada. El desarrollo de la fuerza laboral implica programas continuos de educación y capacitación que garantizan que los profesionales de la salud puedan satisfacer las demandas de sus funciones y adaptarse a las nuevas prácticas y tecnologías de atención médica. La inversión en el desarrollo de la fuerza laboral es esencial para mejorar la calidad de la atención al paciente, aumentar la satisfacción de los empleados y fomentar la innovación dentro de las organizaciones de atención médica.

Varios factores, influyen en la retención laboral, entre ellos la remuneración, la duración de la jornada laboral, la disponibilidad de elementos para trabajar, el reconocimiento, incluida la satisfacción laboral, el equilibrio entre el trabajo y la vida personal, la compensación y los beneficios, las oportunidades de desarrollo profesional y el entorno laboral, influyen en la retención en los puestos de trabajo (Boamah, Hamadi, Havaei, Smith y Webb, 2022; Sija, 2022).

Informe internacional de compensación de médicos de Medscape 2023

Cambio climático, calor extremo y salud

Autores : Michelle L. Bell , Ph.D., Antonio Gasparrini , Ph.D. y Georges C. Benjamin , MD

El cambio climático ha provocado un aumento de 1,1°C en la temperatura media global desde la Revolución Industrial, con aumentos proyectados de 2,5 a 2,9°C para finales de siglo, en ausencia de reducciones drásticas en las emisiones de gases de efecto invernadero ¹ (ver Fig. S1 en el Apéndice complementario , disponible con el texto completo de este artículo en NEJM.org). La probabilidad de que la temperatura cercana a la superficie sea más de 1,5°C por encima de los niveles preindustriales durante al menos un año entre 2023 y 2027 es del 66%, con un 98% de probabilidad de que supere la temperatura durante el año más cálido registrado (2016). ) durante al menos 1 año durante ese período. ² El Panel Intergubernamental sobre Cambio Climático (IPCC) concluyó inequívocamente que la actividad humana, especialmente la combustión de combustibles fósiles, es responsable del calentamiento general de la atmósfera, la tierra y los océanos; que ya se observan cambios en los fenómenos meteorológicos extremos provocados por el cambio climático; y que los recientes fenómenos de calor extremo son atribuibles al cambio climático. ^1,3-5La frecuencia, duración e intensidad de las olas de calor en Estados Unidos han aumentado en las últimas décadas ( Figura 1 ). El número anual de olas de calor es ahora el doble que en el decenio de 1980, y la temporada de olas de calor es más de tres veces más larga que en el decenio de 1960. ⁶ Aunque hay variaciones, los extremos de calor en general han aumentado en frecuencia y duración, mientras que los extremos de frío han disminuido. ⁷ Los fenómenos compuestos, como la coexistencia de sequías o incendios forestales con olas de calor, se han vuelto más comunes y se espera que continúe aumentando su frecuencia. ^8-10

Un estudio reciente mostró que más de un tercio de las muertes relacionadas con el calor en el período comprendido entre 1991 y 2018 en 43 países, incluido Estados Unidos, fueron atribuibles a emisiones antropogénicas de gases de efecto invernadero. ⁴ Las investigaciones que modelan los efectos sobre la salud en escenarios caracterizados por distintos grados de calentamiento predicen aumentos devastadores en la mortalidad y morbilidad relacionadas con el calor, con variaciones regionales. ¹¹ Una creciente literatura se centra en identificar políticas para reducir los riesgos y aumentar la resiliencia de las comunidades a la exposición al calor, así como en identificar las subpoblaciones con mayor riesgo. ^12-14

Comprender la amplia gama de efectos sobre la salud de la exposición al calor extremo es fundamental para informar la atención al paciente y la prestación de atención médica, así como estrategias más amplias para mitigar y adaptarse al aumento de las temperaturas. Aquí resumimos la evidencia epidemiológica sobre los riesgos para la salud derivados del calor, sus efectos desproporcionados en las poblaciones vulnerables y los enfoques a nivel individual y comunitario para brindar protección contra estos riesgos.

Exposición al calor y riesgos para la salud

La exposición al calor afecta sustancialmente a la salud humana, tanto a corto como a largo plazo. El calor también afecta indirectamente a la salud a través de efectos ambientales asociados (por ejemplo, reducciones en la calidad y cantidad de los cultivos y el suministro de agua y un aumento del ozono a nivel del suelo). El mayor efecto del calor en la salud ocurre con la exposición al calor extremo, pero los efectos de las temperaturas que exceden las normas históricas también son bien reconocidos.PUNTOS CLAVE

IMPLICACIONES PARA LA SALUD DEL CAMBIO CLIMÁTICO Y EL CALOR EXTREMO

•Las olas de calor están aumentando en frecuencia, duración e intensidad y ya representan una amenaza sustancial para la salud humana.•Los riesgos para la salud derivados del calor incluyen eventos cardiovasculares, afecciones respiratorias, enfermedades renales, resultados adversos del embarazo, aumento de la ansiedad y la depresión, aumento de las tendencias suicidas y comportamiento agresivo y violencia.

•La exposición al calor es una grave amenaza para la salud en términos tanto del nivel de calor como del aumento con respecto a la temperatura base histórica.

•Se necesita investigación multisectorial para comprender mejor las consecuencias directas e indirectas para la salud de un mundo más cálido, con mayores extremos de calor, y para identificar estrategias efectivas para mejorar la resiliencia.

• Se necesita especial atención para desarrollar estrategias efectivas de adaptación entre quienes corren mayor riesgo, como las poblaciones de mayor edad, los miembros de grupos raciales o étnicos marginados, las personas con un estatus socioeconómico bajo y aquellos con condiciones de coexistencia.

Las enfermedades agudas relacionadas con el calor se han tratado en detalle en el Journal anteriormente ¹⁵ y aquí se mencionan sólo brevemente. Estos incluyen erupción por calor (pequeñas ampollas, pápulas o pústulas dolorosas o que pican como resultado del bloqueo de las glándulas sudoríparas ecrinas), calambres por calor (contracciones musculares involuntarias dolorosas resultantes de la deshidratación inducida por la sudoración y desequilibrios electrolíticos), edema por calor, síncope por calor (generalmente asociado con estar de pie durante mucho tiempo o cambiar a una posición de pie en temperaturas altas y atribuido en parte a la deshidratación), agotamiento por calor e insolación. El agotamiento por calor se manifiesta típicamente como fatiga, debilidad, mareos, dolor de cabeza, sudoración intensa, calambres musculares y pulso rápido; la temperatura corporal central puede estar elevada, pero el estado mental es normal. El golpe de calor, por el contrario, implica una alteración en el funcionamiento del sistema nervioso central en asociación con una temperatura corporal central superior a 40°C y puede progresar a insuficiencia multiorgánica y muerte.

Sin embargo, estas enfermedades agudas (junto con los efectos agudos del calor, como las quemaduras solares y las quemaduras graves por contacto con superficies calientes) representan sólo una fracción de la carga general de salud atribuible al calor. Existe evidencia epidemiológica sustancial que vincula tanto los períodos prolongados de temperaturas extremas (es decir, olas de calor) como los días aislados de altas temperaturas con una amplia gama de resultados adversos para la salud. La Tabla 1 resume las categorías clave de condiciones de salud asociadas con las altas temperaturas, que se basan en grandes estudios, revisiones sistemáticas y metaanálisis que reflejan los efectos generales. Aumentan los riesgos de enfermedad y muerte por eventos cardiovasculares (infarto agudo de miocardio, arritmias, exacerbaciones de insuficiencia cardíaca congestiva y accidente cerebrovascular), ^16,17 afecciones respiratorias (p. ej., asma y enfermedad pulmonar obstructiva crónica) ^19,20 y enfermedad renal

^18. con temperaturas elevadas. Los riesgos son mayores con la exposición a la contaminación del aire por partículas finas. El calor extremo también está relacionado con un mayor riesgo de resultados adversos en el embarazo, incluidos nacimientos prematuros, muerte fetal, bajo peso al nacer y defectos cardíacos congénitos. ²³ Además, la exposición al calor se ha relacionado con un aumento de la ansiedad y la depresión, un aumento del suicidio y un comportamiento agresivo y violento. ^21,22

TABLA 1

Condiciones de salud asociadas con el calor extremo.

Las asociaciones entre la exposición al calor extremo y el aumento de las visitas a las salas de emergencia y las hospitalizaciones por estas y otras afecciones están bien documentadas. Por ejemplo, en un gran estudio que involucró a adultos en los Estados Unidos, los días en el percentil 95 de las temperaturas locales de la estación cálida se asociaron con un aumento del 7,8% en el riesgo relativo de una visita al departamento de emergencias por cualquier causa (lo que se traduce en 24 visitas adicionales). por 100.000 personas en riesgo por día), con aumentos significativos en las visitas por enfermedades relacionadas con el calor, enfermedades renales y trastornos de salud mental.

²⁴ Un análisis de aproximadamente 50 millones de hospitalizaciones durante el verano mostró mayores tasas de admisión (incluidas las admisiones por todas las causas y las atribuidas a enfermedades vasculares coronarias, enfermedades respiratorias, diabetes, trastornos de líquidos y electrolitos e insuficiencia renal) con aumentos en el índice de calor máximo diario. en todas las regiones de Estados Unidos.

²⁵ La mortalidad también aumenta con el calor y las olas de calor. Se estima que las altas temperaturas, incluidas múltiples olas de calor, en Europa entre finales de mayo y principios de septiembre de 2022 causaron 61.672 muertes relacionadas con el calor (intervalo de confianza del 95%, 37.643 a 86.807).

²⁶

DATOS EPIDEMIOLÓGICOS QUE VINCULAN EL CALOR Y LOS RESULTADOS DE SALUD

Tradicionalmente, los análisis epidemiológicos del calor se basaban en análisis de series temporales realizados con datos agregados sobre grandes áreas (p. ej., una ciudad) o investigaciones a nivel individual utilizando un diseño de casos cruzados.

²⁷ Los análisis más avanzados incluyen evaluaciones de áreas pequeñas con datos finamente desglosados o análisis a nivel individual de datos de grandes cohortes poblacionales.

^28,29 Las exposiciones a menudo se evalúan como olas de calor (definidas por la Administración Nacional Oceánica y Atmosférica como 2 o más días continuos de calor intenso, fuera de los promedios históricos para un área determinada pero definidas de manera variable según los estudios) o temperatura (p. ej., temperatura máxima diaria o índice de calor [temperatura ajustada a la humedad]). Los estudios se han visto mejorados por los avances en las técnicas estadísticas que permiten el estudio de asociaciones de riesgo complejas, no lineales y rezagadas.

³⁰Una consideración importante es la posibilidad de “desplazamiento”, con eventos adversos para la salud después de la exposición al calor que ocurren principalmente en personas frágiles que habrían experimentado estos eventos pronto incluso sin la exposición. Un estudio que evaluó tiempos de retraso más prolongados mostró evidencia de un desplazamiento de la mortalidad de hasta 30 días

³¹ , pero aún así mostró riesgos significativos que no se explicaban por el desplazamiento.

³¹ Los estudios que evalúan los efectos a largo plazo del calor, utilizando promedios de temperatura estacionales o multianuales, han confirmado el aumento de los riesgos.

^12,32Las desviaciones de temperatura de las normas históricas afectan sustancialmente la capacidad de tolerar y adaptarse fisiológicamente al calor.

^33,34 Tanto una temperatura absoluta alta (p. ej., 37 °C) como una temperatura relativa alta (p. ej., una temperatura en el percentil 99 según la temperatura histórica) provocan un exceso de mortalidad en las olas de calor. Los días calurosos pueden ser perjudiciales incluso sin niveles extremos de temperatura, como lo demuestran estudios sobre la temperatura

³⁵ y la variabilidad de la temperatura.

³⁶ Una temperatura dada puede tener diferentes efectos sobre la salud, dependiendo del grado de adaptación a esa temperatura (por ejemplo, cuando la temperatura ocurre en una región donde ese grado de calor es raro o cuando ocurre antes o después en la estación de lo que históricamente se ha experimentado). .

³⁷ Los análisis que relacionan los niveles de calor con las hospitalizaciones han demostrado que el umbral del índice de calor por encima del cual aumenta el riesgo de hospitalización varía según las regiones. En las regiones más frías, las tasas de hospitalización aumentan a niveles de índice de calor inferiores a aquellos en los que se emiten alertas de calor.

²⁵ Algunos estudios sugieren que la humedad puede afectar la relación entre temperatura y mortalidad, aunque los hallazgos son inconsistentes.

^38-40Incluso cuando el aire acondicionado y otros factores influyen en la aclimatación,

^13,41,42 nos estamos acercando a los límites fisiológicos y sociales de la adaptación.

^43-46 Los puntos de inflexión incluyen la capacidad de la infraestructura eléctrica existente para soportar las demandas de refrigeración durante períodos prolongados y los costos de ampliar la infraestructura para satisfacer esas demandas. Esto es particularmente importante cuando las olas de calor abarcan grandes áreas, como se experimentó recientemente. El aumento de las “cúpulas de calor”, debido al atrapamiento de aire caliente en grandes áreas por la alta presión en el aire, ha provocado temperaturas elevadas y olas de calor en muchas regiones en los últimos años. La escasez de agua cada vez más frecuente como resultado de períodos prolongados de calor extremo (por ejemplo, los que han ocurrido en el suroeste de Estados Unidos) plantea desafíos adicionales para el suministro de refrigeración e hidratación adecuadas.Los riesgos para la salud relacionados con la temperatura son muy heterogéneos entre lugares y poblaciones. Grandes análisis realizados en varios países han identificado diferencias sorprendentes en los riesgos de calor en todo el mundo.

^30,47 Hay evidencia de una aclimatación sustancial. Las temperaturas asociadas con mayores riesgos para la salud son más altas en las regiones más cálidas y los riesgos se atenúan en proporción a los patrones históricos promedio de temperatura.

⁴⁸ En algunos países, pero no en otros, los riesgos asociados con el calor extremo han disminuido notablemente en las últimas décadas.

⁴⁹ Esta reducción del riesgo se explica sólo en parte por la mayor prevalencia del aire acondicionado.

⁴¹

POBLACIONES DE ALTO RIESGO

Tanto la susceptibilidad, referida a factores internos, como la vulnerabilidad, referida a factores externos, modifican los efectos del calor sobre la salud. Ser miembro de un grupo racial o étnico marginado o tener un nivel socioeconómico bajo es un factor clave que afecta el riesgo (que se analiza a continuación), pero varios otros factores también aumentan el riesgo de efectos adversos para la salud, incluido el aislamiento social, las edades extremas, las condiciones de coexistencia, y medicamentos. ^41,50–53 Los pacientes con enfermedades cardíacas, cerebrovasculares, respiratorias o renales, aquellos con diabetes mellitus y aquellos con demencia tienen un mayor riesgo de sufrir afecciones relacionadas con el calor, al igual que los pacientes que toman medicamentos como diuréticos, antihipertensivos y otros medicamentos cardiovasculares. medicamentos, algunos agentes psicotrópicos y antihistamínicos. ^54,55 Las personas mayores, cuyos sistemas termorreguladores a menudo están comprometidos, tienen más probabilidades que las personas más jóvenes de tener condiciones subyacentes, usar medicamentos que interfieren con la disipación del calor, tener problemas de movilidad que pueden comprometer el acceso a la hidratación o refrigeración, o vivir en viviendas antiguas sin aire acondicionado o ventanas que se abran fácilmente. ⁵⁶

DISPARIDADES SEGÚN RAZA O GRUPO ÉTNICO Y ESTATUS SOCIOECONÓMICO

Las comunidades donde viven miembros de grupos raciales y étnicos marginados y poblaciones de bajos ingresos corren un riesgo particularmente alto de sufrir enfermedades relacionadas con el calor. Las disparidades en los efectos del calor sobre la salud no se explican completamente por el nivel socioeconómico o la disponibilidad de aire acondicionado. ^57,58 Estas disparidades están relacionadas con sistemas sociales, económicos y culturales complejos e interconectados, tanto actuales como históricos, incluido el racismo estructural. Un ejemplo notable es la línea roja, una práctica discriminatoria introducida en la década de 1930 que limitaba o no permitía hipotecas en ciertas áreas, especialmente comunidades donde vivían muchos miembros de minorías raciales y étnicas. ⁵⁹ Las comunidades históricamente marcadas en rojo, que continúan caracterizándose por un número desproporcionado de personas de bajos ingresos y miembros de grupos raciales o étnicos marginados, tienden a tener superficies más impermeables y menos espacios verdes que otras áreas, lo que resulta en temperaturas ambientales más altas (es decir, “islas de calor urbano”). ^60,61 Las comunidades urbanas de bajos ingresos pueden tener hasta 5°C más de temperatura que las comunidades más ricas. ⁶² La falta de espacios verdes también dificulta encontrar alivio al calor extremo. Las investigaciones sugieren que los efectos del calor en la salud difieren en relación con muchos factores del entorno construido, como los patrones socioeconómicos, la cantidad de espacios verdes y el grado de contaminación del aire. ^13,53 La exposición al calor también se ve afectada por la capacidad de las personas y las comunidades para responder al calor, como la capacidad de costear y utilizar aire acondicionado, instalar techos refrescantes o acceder a ambientes más frescos. Las comunidades de personas de grupos raciales o étnicos marginados y comunidades de bajos ingresos tienen mayores riesgos de sufrir resultados adversos para la salud a determinadas temperaturas ambientales, debido a estos y otros factores, incluido un acceso más limitado a la atención, ^41,57,63 exposiciones ocupacionales más frecuentes ( ej., empleo en fábricas sin aire acondicionado ⁶⁴ o trabajo al aire libre) y una mayor incidencia de afecciones médicas crónicas, como hipertensión, diabetes mellitus y enfermedades renales. ^18,65

Intervenciones a nivel individual y poblacional

Además de mitigar el cambio climático mediante una rápida transición hacia el abandono de los combustibles fósiles, existen muchas medidas protectoras o de adaptación que pueden reducir la carga de enfermedades debidas a la exposición al calor. Las medidas de protección individual durante las olas de calor incluyen limitar la exposición; usar ropa holgada y de colores claros; asegurar una hidratación adecuada; aplicar protector solar; y utilizando dispositivos de refrigeración ( Figura 2 ). ¹⁵ Algunas intervenciones tienen consecuencias negativas, como el aire acondicionado, que a menudo funciona con combustibles fósiles y libera emisiones de gases de efecto invernadero y otros contaminantes del aire. Los profesionales de la salud pueden desempeñar un papel importante proporcionando a sus pacientes información sobre cómo prevenir o mitigar la exposición al calor como componente de una educación sanitaria integral. Esto es especialmente importante para pacientes con alto riesgo de sufrir efectos adversos por exposición al calor.

¹⁵FIGURA 2

Una variedad de intervenciones poblacionales pueden mitigar los riesgos durante las altas temperaturas, especialmente las olas de calor, incluida una amplia educación pública sobre los riesgos para la salud y las estrategias para reducirlos.

⁶⁶ Las organizaciones médicas profesionales y de salud pública desempeñan un papel fundamental a la hora de educar a las comunidades y a los formuladores de políticas sobre los peligros del calor para la salud y las medidas de protección adecuadas. Debido a las diferencias en las características de las comunidades (p. ej., condiciones de vivienda) y en cómo las poblaciones responden al calor, las políticas de salud pública relacionadas con la exposición al calor deben adaptarse a las condiciones locales.

La Tabla 2 proporciona ejemplos de estrategias de salud pública para las cuales existe alguna evidencia que las respalde, incluidas alertas de calor específicas de lugares durante períodos de alto calor y humedad; planes de acción específicos para cada lugar, como centros de refrigeración accesibles y controles de salud (especialmente para personas socialmente aisladas)

^66-78 ; programas de preidentificación de poblaciones de alto riesgo que requieren servicios especiales durante las olas de calor, como asistencia médica o física por condiciones de vivienda o movilidad reducida; y cambios de infraestructura que pueden reducir las temperaturas (por ejemplo, uso de superficies reflectantes en edificios y carreteras y aumento de árboles y otras zonas verdes). Sin embargo, los datos disponibles tienen limitaciones, incluidas las respectivas incertidumbres derivadas de la dependencia de datos de observación, modelos o simulaciones e inconsistencias en los resultados entre los estudios.TABLA 2

Intervenciones comunitarias que pueden reducir los efectos del calor en la salud.

Las medidas de adaptación deben tener en cuenta eventos compuestos, como la exposición simultánea a calor extremo y alta contaminación del aire, sequía y otras condiciones.

^8-10 Se necesita la colaboración y coordinación de múltiples sistemas y organizaciones, incluidos centros médicos, agencias de salud pública, agencias gubernamentales y organizaciones comunitarias, para proteger al público del calor de la manera más efectiva.

Necesidades y direcciones futuras

Se necesitan más estudios para comprender los beneficios de las intervenciones para el calor a nivel individual y comunitario, muchas de las cuales tienen beneficios independientes (a menudo llamados “cobeneficios”), como el aumento de la actividad física y la mejora de la salud mental y la cohesión social de los parques y otros espacios verdes. Es necesario mejorar los estándares de notificación de lesiones y muertes relacionadas con el calor, incluidos códigos

de Clasificación Internacional de Enfermedades (CIE) que reflejen el reconocimiento de los efectos indirectos del calor en la salud, no sólo los efectos directos (es decir, efectos sobre la salud distintos de los que tienen » calor” en el código ICD). Actualmente, no existe una definición generalmente aceptada de muerte relacionada con el calor. Una contabilidad clara y precisa de los trastornos y muertes relacionados con el calor ayudará a las comunidades y a los formuladores de políticas a priorizar programas para abordar las cargas de salud relacionadas con el calor. Además, se necesitan estudios de cohortes longitudinales para determinar mejor los efectos diferenciales del calor en la salud según las características de la población y las tendencias temporales de adaptación entre regiones y poblaciones.Se necesita investigación multisectorial para comprender mejor las consecuencias directas e indirectas para la salud de un mundo más cálido e identificar estrategias efectivas para mejorar la resiliencia (por ejemplo, en sistemas de agua y saneamiento, energía, transporte, agricultura y planificación urbana).

⁷⁹ Se debe prestar especial atención al desarrollo de estrategias efectivas para la adaptación entre aquellos en mayor riesgo (por ejemplo, comunidades de color, poblaciones de bajos ingresos y personas en la intersección de grupos en riesgo).

Conclusiones

El cambio climático está aumentando las temperaturas generales y la frecuencia, duración e intensidad de las olas de calor, lo que genera múltiples resultados adversos para la salud. Los efectos no son equitativos y algunas personas y comunidades se ven afectadas de manera desproporcionada. Se necesitan estrategias y políticas de intervención dirigidas a la ubicación y la población para minimizar estos diversos efectos en la salud.

Análisis de la huella de carbono en ECA: hacia una práctica clínica sostenible

Autores : Lena B. Nordberg , MD, Ph.D. , Heiko Pohl , MD , Espen A. Haavardsholm , MD, Ph.D. , Siri Lillegraven , MD, Ph.D., MPH , y Michael Bretthauer , MD, Ph.D.

El cambio climático inducido por el hombre y la destrucción de la naturaleza es una emergencia sanitaria mundial. Se estima que para 2030, 2 mil millones de personas residirán en áreas que se consideran no adecuadas para el sustento de la vida humana. ¹ Los fenómenos meteorológicos extremos, la inseguridad hídrica y alimentaria y el riesgo de enfermedades infecciosas están aumentando. Es fundamental tomar medidas inmediatas para reducir las emisiones de gases de efecto invernadero en todos los sectores de la sociedad para apoyar un futuro habitable.

La atención sanitaria contribuye sustancialmente a la actual crisis medioambiental. En 2021, el programa de salud de la 26.ª Conferencia de las Naciones Unidas sobre el Cambio Climático instó a la comunidad sanitaria a reducir las emisiones mediante la construcción de sistemas de atención sanitaria sostenibles y con bajas emisiones de carbono. Pero el conocimiento sobre las huellas de carbono de las intervenciones sanitarias existentes y la mejor manera de evaluar los efectos ambientales de nuevas pruebas, tratamientos y servicios en relación con sus beneficios clínicos ha sido limitado. Como resultado, ha sido difícil tomar decisiones basadas en evidencia centradas en el uso de intervenciones clínicamente efectivas y respetuosas con el clima.

La evaluación de nuevas intervenciones normalmente implica la realización de ensayos controlados aleatorios (ECA) que evalúan los beneficios y daños clínicos. Sólo después de la implementación clínica, en todo caso, se han evaluado los efectos ambientales de algunas intervenciones. Creemos que la huella de carbono de una intervención debe examinarse en paralelo con sus beneficios y daños clínicos. La infraestructura de ensayos clínicos está diseñada para generar datos de alta calidad y puede ser adecuada para realizar análisis de huella de carbono de intervenciones con el mismo rigor y control en el diseño y realización que las evaluaciones de criterios de valoración clínicos. Estos datos podrían fundamentar las decisiones de reguladores y formuladores de políticas, apoyando así el uso de intervenciones con la menor carga ambiental posible.

El método preferido para cuantificar la huella de carbono y otros efectos ambientales de las intervenciones de atención médica es la evaluación del ciclo de vida (ACV).

Los evaluación del ciclo de vida ACV son análisis sistemáticos que evalúan los efectos ambientales de los productos (o procesos que involucran varios productos) desde la extracción de materias primas hasta la producción, el uso y la eliminación o el reciclaje. El ACV tiene en cuenta una amplia gama de efectos ambientales. Entre estos efectos, la huella de carbono de una intervención refleja su potencial de calentamiento global.

Esta medida se expresa en equivalentes de dióxido de carbono, que representan la cantidad total de dióxido de carbono y otros gases de efecto invernadero emitidos. Otras categorías de efectos ambientales incluyen el uso de la tierra y el agua, la acidificación, la pérdida de biodiversidad y los efectos sobre la salud humana. Dada la necesidad inmediata de reducir las emisiones y alinearse con los estándares de presentación de informes en otros sectores, sugerimos que los ensayos clínicos incluyan un análisis de impacto ambiental con la huella de carbono como punto final.

Al estimar la huella de carbono de una intervención médica, es fundamental incluir los efectos ambientales que se producen una vez finalizada la intervención, lo que se vería facilitado por el seguimiento integral que se realiza en la mayoría de los ensayos clínicos.Nosotros (los autores) recientemente comenzamos a utilizar la huella de carbono como criterio de valoración secundario en ECA y descubrimos que la mayoría de los datos necesarios para estimarla también son relevantes para los resultados de los pacientes y el análisis económico de la salud y, por lo tanto, ya están incluidos en los protocolos de los ensayos.

Uno de nuestros ensayos en curso compara la extirpación quirúrgica y endoscópica del cáncer de colon temprano (número de ClinicalTrials.gov, NCT06057350 ). Además de utilizar puntos finales principales que reflejan beneficios y daños clínicos, realizaremos un análisis de impacto ambiental para evaluar las huellas de carbono de las dos intervenciones, incluidas las emisiones de gases de efecto invernadero relacionadas con el seguimiento posterior a la intervención, las complicaciones y las recurrencias del cáncer. Otro ensayo está investigando la cirugía en comparación con las inyecciones de glucocorticoides en pacientes con síndrome del túnel carpiano (número de ClinicalTrials.gov,NCT05306548 ). Es casi seguro que la huella de carbono de la inyección por sí sola será menor que la del procedimiento quirúrgico. Sin embargo, si muchos pacientes en el grupo de inyección necesitan inyecciones, medicamentos o cirugía adicionales, la huella de carbono de una estrategia de tratamiento que incluya inyecciones iniciales podría ser mayor que la de un enfoque centrado en la cirugía. Tener acceso a datos clínicos y de huella de carbono para el mismo grupo de pacientes es importante para hacer recomendaciones de tratamiento sostenibles.

Si los resultados clínicos son similares entre los grupos de estudio pero las huellas de carbono difieren, los reguladores y formuladores de políticas pueden recomendar la opción baja en carbono.

Por ejemplo, los dos gases anestésicos, sevoflurano y desflurano, han mostrado en muchos ECA una eficacia similar en términos de los criterios de valoración clínicos más importantes. ² Sin embargo, 1 kg de sevoflurano tiene un potencial de calentamiento global igual a la emisión de 130 kg de dióxido de carbono, mientras que la misma cantidad de desflurano tiene un potencial de calentamiento global igual a 2540 kg de dióxido de carbono (en parte porque tiene una emisión atmosférica mucho más larga). de por vida que el sevoflurano). ³ No obstante, el desflurano es uno de los anestésicos más utilizados en muchos países. Si la evaluación de la huella de carbono se hubiera incluido como punto final en los ensayos clínicos de gases anestésicos, es posible que no se hubiera autorizado la comercialización del desflurano ni se hubiera implementado ampliamente.Cada vez más se realizan ACV para productos y procedimientos de atención médica. ⁴ Sin embargo, dichas evaluaciones se han realizado por separado de los ensayos que miden los resultados de los pacientes. Si la huella de carbono se definiera como un criterio de valoración secundario en los ensayos clínicos, estos datos se incluirían en las publicaciones de los ensayos y se compartirían con un público más amplio. Los investigadores podrían incorporar análisis de impacto ambiental en los estudios, y los reguladores y editores podrían solicitar que la información sobre dichos análisis se incluya en las solicitudes de financiación, protocolos de investigación y artículos científicos. Incluir puntos finales ambientales en los ECA podría ayudar a los médicos, reguladores y formuladores de políticas a comprender los efectos ambientales de las intervenciones médicas al promover la conciencia sobre el consumo de recursos y la generación de desechos asociados con los servicios de atención médica. Informar la huella de carbono junto con las medidas tradicionales de eficacia y seguridad también podría ayudar a garantizar que se prioricen las estrategias de descarbonización. El aprendizaje de los sistemas de salud está surgiendo como un enfoque valioso para comparar intervenciones. Estas entidades recopilan y analizan datos continuamente en tiempo real, lo que crea un ciclo de aprendizaje y mejora continuos dentro del sistema de atención médica. Este método se ha utilizado en ensayos pragmáticos aleatorios y programas de detección del cáncer. ⁵ Los sistemas de salud de aprendizaje podrían utilizar puntos finales ambientales para permitir una implementación más rápida y basada en evidencia de soluciones bajas en carbono en la práctica clínica. Reconocemos que hay desafíos asociados con esta propuesta. Las diferencias entre los sistemas de salud, incluida la variación en las fuentes de energía y los equipos, pueden significar que los análisis de la huella de carbono no sean generalizables entre los sistemas, países y regiones de atención de la salud. Sin embargo, los ACV transparentes permiten identificar áreas de mejora e incluyen análisis de sensibilidad que reflejan los mejores y peores escenarios. La identificación de productos, servicios o procedimientos con altos costos de carbono también puede generar oportunidades para reducir las huellas de carbono en otras áreas de la atención médica donde se utilizan intervenciones similares. Otro desafío involucra la actual falta de bases de datos de libre acceso que contengan información de ACV de productos y procesos de atención médica. Como lo ha dejado claro la experiencia con los requisitos para los registros de ensayos clínicos, la transparencia es crucial para facilitar análisis confiables y la confiabilidad de los resultados.

Para evitar el “lavado verde” de los servicios de atención médica, productos farmacéuticos y otros productos, se debe incluir un plan predefinido para análisis de criterios ambientales en las bases de datos de registros de ensayos clínicos, especificar métodos de ACV y estar disponible gratuitamente. Este marco también podría alentar y facilitar el establecimiento de bases de datos disponibles públicamente con información sobre ACV de atención médica. Por último, la integración de los métodos de ACV en la atención sanitaria se encuentra en sus primeras etapas, y la evaluación de los efectos ambientales requerirá que los investigadores adquieran nuevas competencias. Aunque la Organización Internacional de Normalización ha publicado estándares para la conducta y la presentación de informes de ACV que se han implementado en otras industrias, faltan estándares explícitos para realizar ACV en el cuidado de la salud. A pesar de estos obstáculos, el panorama del ACV en la atención sanitaria está evolucionando rápidamente, con mejoras continuas en las bases de datos y los recursos. ⁴

Las herramientas necesarias para evaluar las huellas de carbono de las intervenciones de atención médica están actualmente disponibles. Al integrar análisis de impacto ambiental en los ECA, los investigadores podrían contribuir a su perfeccionamiento y uso.

Los ECA son el estándar de oro para evaluar los beneficios y daños de las intervenciones médicas; sus resultados tienen el potencial de cambiar la práctica clínica. En medio de la crisis climática, creemos que los ECA deberían abordar los impactos ambientales además de la eficacia clínica. Los investigadores clínicos pueden respaldar el uso de enfoques sostenibles basados en evidencia en la práctica clínica, proporcionando así beneficios para los pacientes actuales y futuros.

Definición e interpretación de la remisión en la diabetes tipo 2

El blog les entrega dos trabajos uno de revisión y otro de consenso de acceso libre para poner en superficie una luz al final del túnel, donde la medicina puede ofrecer a ese porcentaje de la población adulta que tiene diabetes tipo 2 una motivación fundamental para hacer un sacrificio acompañado y con la coparticipación de los usuarios, de los pacientes.

Rothberg, A., Lean, M. & Laferrère, B. Remission of type 2 diabetes: always more questions, but enough answers for action January 2024

El concepto de remisión de la diabetes tipo 2 está evolucionando rápidamente y ganando un amplio interés público y profesional, tras la demostración de que con una pérdida de peso intencional sustancial, casi nueve de cada diez personas con diabetes tipo 2 pueden reducir su nivel de HbA 1c por debajo del criterio de diagnóstico (48 mmol/ mol [6,5%]) sin medicamentos para reducir la glucosa y mejorar todas las características del síndrome metabólico.

Buscar la nomoglucemia con medicamentos más antiguos era peligroso debido al riesgo de efectos secundarios e hipoglucemia, por lo que el objetivo del tratamiento convencional era una concentración de HbA 1c de 53 mmol/mol (7%), lo que significaba que la diabetes todavía estaba presente y permitía la progresión de la enfermedad. Los agentes más nuevos pueden lograr una HbA 1c normal de forma segura y, por analogía con los tratamientos que envían cánceres o enfermedades inflamatorias a la remisión, esto también podría considerarse remisión.

Sin embargo, aunque los agonistas modernos del receptor del péptido 1 similar al glucagón y los medicamentos relacionados son muy eficaces para perder peso y mejorar la glucemia, y en general seguros, muchas personas no quieren tomar medicamentos indefinidamente, y su costo significa que no están disponibles en muchos países del mundo.

Por lo tanto, existen fuertes razones para explorar e investigar enfoques dietéticos para el tratamiento de la diabetes tipo 2. Todas las intervenciones que logran una pérdida de peso sostenida de >10 a 15 kg mejoran la HbA 1c, lo que potencialmente resulta en una remisión si se puede preservar o restaurar suficiente capacidad de las células beta, lo que ocurre con la pérdida de grasa ectópica en el hígado y el páncreas que se encuentra en la diabetes tipo 2.

La remisión es más probable con diabetes tipo 2 de corta duración, HbA 1c más baja y un bajo requerimiento de medicamentos para reducir la glucosa.

Es probable una recaída con la recuperación de peso y entre aquellos con una reserva de células beta deficiente.

Según la evidencia actual, se debe proporcionar un control de peso eficaz a todas las personas con diabetes tipo 2 lo antes posible después del diagnóstico (o incluso antes, en la etapa de prediabetes, definida en Europa, Australasia, Canadá [y la mayor parte del mundo] como ≥ 42 y <48 mmol/mol [≥6,0 y <6,5%], y en EE. UU. como HbA1c ≥39 y <48 mmol/mol [≥5,7 y <6,5%]).

Crear conciencia entre las personas con diabetes tipo 2 y sus proveedores de atención médica sobre la posibilidad de la remisión permitirá una intervención más temprana. La pérdida de peso >10 kg y la remisión que dura uno a dos años también pueden retrasar las complicaciones vasculares, aunque se necesitan más pruebas.

El mayor desafío para la investigación es mejorar el mantenimiento de la pérdida de peso a largo plazo, definiendo enfoques rentables adaptados a las preferencias y necesidades de las personas que viven con diabetes tipo 2.

«Remisión» significa no tener una enfermedad activa, con la implicación de que no deben desarrollarse síntomas ni nuevas complicaciones. La remisión es un concepto radicalmente nuevo para la mayoría de las personas que viven con diabetes tipo 2, y emocionante pero potencialmente inquietante para sus médicos, la mayoría de los cuales creían que la diabetes tipo 2 era una enfermedad permanente e inevitablemente progresiva, y cuya capacitación y experiencia con el control del peso es muy limitada. El término «remisión» es familiar en el contexto del cáncer y de las afecciones inflamatorias remitente-recurrentes. Implica que el proceso de la enfermedad se ha detenido pero puede reactivarse, lo que resulta en una recaída, y es distinto de una «cura», en la que se erradica todo un proceso de la enfermedad.

En algunos otros campos, puede ocurrir la remisión espontánea de la enfermedad, pero lograr la remisión es a menudo un triunfo terapéutico, que a menudo exige tratamientos altamente invasivos con riesgos de complicaciones graves y, a menudo, la necesidad de tomar medicamentos indefinidamente para suprimir la actividad de la enfermedad. Sin embargo, a la mayoría de las personas no les gusta estar «enfermas» y tener que tomar medicamentos y, de hecho, en el caso de la diabetes tipo 2, la adherencia a los medicamentos para reducir la glucosa es notoriamente baja [1].

Lograr la remisión de la diabetes tipo 2 requiere una pérdida de peso sustancial y sostenida, lo que inevitablemente exige restricciones dietéticas. Históricamente, a la terapia dietética se le ha otorgado un estatus muy bajo, con a menudo solo una mención de pasada en las guías y la práctica clínica, y ha atraído órdenes de magnitud menos de fondos de investigación que otros tratamientos. Sin embargo, en realidad, a pesar de los tratamientos farmacológicos, la diabetes tipo 2 acorta la vida en un grado similar al de algunos cánceres importantes [2,3,4], y sigue generando complicaciones incapacitantes que acortan la vida. Esto a pesar de que es bien sabido que un control eficaz del peso puede mejorar la glucemia y todas las características asociadas al síndrome metabólico.

Definición de remisión de la diabetes tipo 2

Un panel internacional de expertos definió la remisión de la diabetes tipo 2 como una HbA_1c por debajo del umbral diagnóstico de 48 mmol/mol [6,5%] sin tomar medicación hipoglucemiante [5]. Como la diabetes tipo 2 está fuertemente relacionada con la edad, el panel estuvo de acuerdo en que la HbA_1c deben hacerse pruebas al menos una vez al año para confirmar la remisión continuada y que se controle la función renal y se realice un examen de la retina con regularidad, ya que el período previo a la remisión de la diabetes puede haber iniciado complicaciones que pueden progresar. Además, dado que otras características del síndrome metabólico suelen coexistir, sigue siendo importante controlar y controlar los factores de riesgo de ECV después de la remisión.

Algunas publicaciones anteriores han propuesto una HbA más baja_1c Punto de corte de 42 mmol/mol (6%) para la remisión de la diabetes tipo 2, es decir, la remisión de la prediabetes. La HbA más baja_1c El criterio utilizado para definir la prediabetes es de 42 mmol/mol (6,0%) por las agencias de diabetes de Europa, Australasia y Canadá, pero de 39 mmol/mol (5,7%) por las agencias estadounidenses. Este sería un objetivo estricto pero valioso, ya que las complicaciones macrovasculares ya ocurren en presencia de prediabetes. Otros han sugerido que el término «remisión» podría aplicarse a la diabetes que se controla de forma estricta con medicamentos para lograr una HbA_1c <48 mmol/mol (<6,5%). Si bien se podría esperar que esto reduzca los riesgos de complicaciones microvasculares, presenta riesgos inaceptables de hipoglucemia si se logra con insulina o sulfonilureas, y se ha informado de un exceso de muertes en ensayos clínicos de medicamentos que persiguen una normoglucemia cercana [6]. Los nuevos agonistas del receptor del péptido-1 similar al glucagón (GLP-1) y los inhibidores del cotransportador de sodio-glucosa-2 (SGLT2), en combinación con un buen apoyo dietético, tienen el potencial de permitir que más personas con diabetes tipo 2 logren la pérdida de peso y/o la normoglucemia evitando la hipoglucemia, con renoprotección y menores riesgos de ECV y mortalidad [7]. Sin embargo, el tratamiento farmacológico de por vida es costoso, afecta la calidad de vida y, a menudo, no es lo que quieren las personas que viven con diabetes tipo 2 [8]. Desafortunadamente, las restricciones dietéticas de por vida, tal como se presentan actualmente, parecen ser igualmente inaceptables o insostenibles para muchos, ya que los beneficios para lo que es en gran medida una enfermedad temprana asintomática se perciben como bajos.

Determinantes de la remisión y la recaída

La pérdida de peso y la función de las células beta son los principales determinantes interrelacionados de la remisión de la diabetes. El ensayo aleatorizado DiRECT, que incluyó a 298 personas con diabetes tipo 2 de hasta 6 años de duración, informó de una remisión en el grupo de intervención dietética del 46% en el año 1, impulsada principalmente por la pérdida de peso [9]. La remisión disminuyó con la recuperación de peso al 36% en el año 2, y la restauración de la función de las células beta (secreción máxima de insulina), asociada con la pérdida de grasa ectópica en el hígado y el páncreas, se demostró en individuos en remisión a los 2 años. De manera similar, el ensayo aleatorizado DIADEM-1 en Qatar encontró que la pérdida de peso de 10 kg resultó en una remisión del 61% entre 158 participantes aleatorizados con una duración media de la diabetes de 21 meses [10]. Mientras que la gran mayoría de los participantes con una pérdida de peso de ≥15 kg en DiRECT lograron la remisión durante 2 años, una minoría del 14% de los participantes que perdieron >15 kg no tuvieron remisión [9]. Esto puede deberse a que estos participantes no perdieron suficiente peso; Sin embargo, un porcentaje similar no entra en remisión después de la cirugía bariátrica, lo que revela la presencia de «diabetes tipo 2 que no responde a la pérdida de peso», en la que hay pérdida de capacidad de las células beta como resultado de la diabetes a largo plazo y/o afecciones como la pancreatitis crónica. Otros tipos más raros de diabetes, como la MODY y la diabetes autoinmune latente en adultos, pueden revelarse potencialmente por no lograr la remisión con la pérdida de peso. Sin embargo, lograr una pérdida de peso sustancial únicamente mediante la restricción dietética no es fácil y es aún más difícil de mantener. La cirugía bariátrica suele dar lugar a una mayor pérdida de peso (20-30%) que se mantiene mejor en el tiempo [11] y se asocia a una remisión más prolongada de la diabetes [12]. Tanto los estudios observacionales [11, 13] como los ECA [14] sugieren que la remisión de la diabetes puede ocurrir incluso con un IMC >30 kg/^m2 y puede persistir durante muchos años. Sin embargo, los datos varían, lo que pone de relieve la importancia de los estudios a largo plazo [15].

Si bien los ensayos han demostrado que la función de las células beta puede restaurarse mediante una pérdida de peso sustancial, la reserva de células beta, o sus indicadores clínicos, es un fuerte predictor de la mejora glucémica y la remisión después de la pérdida de peso en la dieta [16, 17], después de la intervención en la dieta sin pérdida de peso [18] y después de la pérdida de peso quirúrgica [19,20,21,22,23,24 ]. Los indicadores clínicos de una mejor función de las células beta y una mayor probabilidad de remisión son una HbA más baja_1c, el uso de menos medicamentos, la ausencia de necesidad de insulina o sulfonilureas, una duración más corta de la diabetes conocida (a menudo autoinformada y no siempre fiable) y una edad más joven. Si bien la recaída de la diabetes tipo 2 después de la cirugía de bypass gástrico se asocia con la recuperación de peso, el mejor predictor de recaída es la mala función de las células beta prequirúrgicas [25,26,27]. En un estudio, las personas con una duración conocida de la diabetes de <4 años tuvieron una tasa de remisión del 91 % después de la cirugía, y solo el 20 % recayó a los 10 años; Sin embargo, entre los que tenían una duración de la diabetes de ≥4 años, solo el 41 % logró la remisión y el 94 % recayó a los 10 años. La pérdida de peso inicial tuvo un impacto en la remisión inmediata de la diabetes tipo 2, pero solo tuvo un papel marginal en la recaída a largo plazo [28]. En otro estudio que incluyó a 2090 personas en remisión 2 años después de la cirugía de bypass gástrico, el 20% que recayó a los 9 años tenía más probabilidades de haber estado usando insulina, haber tenido una HbA elevada_1c y haber tenido diabetes de mayor duración antes de la intervención [27]. En el estudio DIBASY, el 37,5% de los participantes permanecieron en remisión 10 años después de la cirugía bariátrica, en comparación con el 5,5% de los que recibieron tratamiento no quirúrgico. Hubo eventos adversos más graves, pero menos complicaciones de la diabetes en los pacientes asignados al azar a cirugía bariátrica. Si bien la cantidad de peso perdido fue grande y el impulsor dominante de la remisión, las variaciones en los cambios de peso no predijeron la remisión o recaída de la diabetes dentro de los grupos quirúrgicos, probablemente porque la mayoría de los participantes superaron en gran medida el umbral de pérdida de peso necesario. La recuperación de peso a los 10 años fue similar entre los participantes que sostuvieron la remisión (7,1±6,9%) y los que tuvieron una recaída de la diabetes (8,2±6,2%) [29].

Por lo tanto, si bien la restricción energética y la pérdida sustancial de peso son factores principales para inducir y mantener la remisión de la diabetes tipo 2, tener una reserva de células beta capaz de reactivarse funcionalmente es una necesidad absoluta. Es probable que la variabilidad en las tasas de recaída y la duración de la remisión se explique por los mismos factores que influyen en el desarrollo y la remisión de la diabetes tipo 2: la reserva y función de las células beta, la producción de glucosa hepática y la masa muscular esquelética y la oxidación de la glucosa. Las influencias agravantes provienen de los efectos complejos e inevitables del aumento de la edad y de la reacumulación o redistribución de la grasa corporal en sitios ectópicos. Ambos pueden estar mediados en parte por la inactividad física. Los estudios a lo largo de muchos años son esenciales, ya que las tasas de remisión disminuyen con el tiempo y las complicaciones vasculares tardan en aparecer.

¿Se puede lograr la remisión sin pérdida de peso?

Hay poca evidencia de los ensayos aleatorios de que el contenido de macronutrientes de la dieta afecte el control o la remisión del peso, y la pérdida de peso sigue siendo el factor dominante detrás de la remisión en estudios observacionales de, por ejemplo, dietas bajas en carbohidratos [30]. Otros factores que se sabe que afectan la aparición o el control de la diabetes tendrán efectos adicionales o modificadores. El ensayo PREDIMED ha demostrado que la adopción de una dieta mediterránea puede prevenir algunos nuevos diagnósticos de diabetes tipo 2 sin pérdida de peso [31], lo que podría apuntar a un enfoque útil para prevenir la recaída después de la remisión. La terapia intensiva con insulina puede proporcionar un período temporal de remisión [32,33,34], probablemente debido a la disminución de la lipotoxicidad, la glucotoxicidad y la inflamación, y tal vez porque permite cierta rediferenciación de las células beta [35]. Los agonistas del receptor de GLP-1 proporcionan pérdida de peso con una mejora de la función de las células beta y el control de la glucosa, pero el efecto se pierde rápidamente al dejar de tomar la medicación [36,37,38].

¿Podría la remisión reducir las complicaciones micro y macrovasculares relacionadas con la diabetes?

Las principales complicaciones micro y macrovasculares de la diabetes están relacionadas con la glucemia. El umbral diagnóstico de la diabetes se establece en el nivel en el que aparecen las complicaciones microvasculares específicas de la diabetes; son muy raros en la HbA_1c <48 mmol/mol (<6,5%), por lo que se esperaría que la remisión redujera el riesgo de tales complicaciones. El largo curso de su desarrollo dificulta el establecimiento de la prevención mediante un diseño experimental de ECA. En su lugar, se necesitan datos observacionales sólidos y a largo plazo, por ejemplo, de los registros nacionales. Los estudios observacionales individuales no pueden probar la causalidad, pero la evidencia inicial existente apoya la hipótesis de que la remisión reduce o retrasa las complicaciones clínicas de la diabetes tipo 2. En el ensayo Da Qing de una intervención en el estilo de vida en personas con prediabetes (n = ~ 500), el seguimiento durante 30 años mostró una prevención persistente de la diabetes y sugirió cierta reducción de las complicaciones cardíacas [39]. En el Programa de Prevención de la Diabetes (DPP) (n = ~ 3000), una intervención intensiva en el estilo de vida disminuyó los factores de riesgo de ECV [40] y hubo menos enfermedad microvascular en aquellos que no desarrollaron diabetes [41]. La intervención intensiva en el estilo de vida en el ensayo Look AHEAD, que incluyó a >5000 participantes con una duración media de la diabetes tipo 2 de 6,8 años, dio lugar a una reducción de la nefropatía y la retinopatía [42] y de los síntomas neuropáticos [43]. Ni el DPP [44] ni el ensayo Look AHEAD [45] encontraron que una intervención intensiva sostenida en el estilo de vida, con pérdidas de peso variables y relativamente pequeñas, disminuyera los eventos de ECV en general. Sin embargo, en el ensayo Look AHEAD, en el que la intervención intensiva en el estilo de vida resultó en la remisión de solo el 11,5% de los participantes a 1 año, disminuyendo al 7% a los 4 años [46], un análisis post hoc encontró que los eventos cardiovasculares se redujeron en un 21% entre los participantes que perdieron el >10% de su peso corporal en el primer año. y en un 40% en aquellos que lograron la remisión, un efecto que parecía estar modulado por los cambios en el peso, el colesterol HDL y la condición física [47]. Del mismo modo, el seguimiento de 5 años del ensayo DiRECT también encontró menos eventos clínicos después de una intervención exitosa.

La magnitud y la sostenibilidad de la pérdida de peso también fueron la clave para la remisión y la reducción de las complicaciones de la ECV en los estudios de cirugía bariátrica a largo plazo [12]. En el ensayo Swedish Obese Subjects, la remisión de la diabetes después de la cirugía bariátrica (72,3% a los 2 años, 30,4% a los 15 años) se asoció con menos complicaciones macro y microvasculares durante una mediana de seguimiento de 18 años [13]. El análisis de cohortes mostró un 47% menos de complicaciones microvasculares en individuos con diabetes tipo 2 5 años después de la cirugía (n = 1111) en comparación con los participantes de control emparejados que no se sometieron a cirugía (n = 1074) [48]. Otros estudios, que respaldan la evidencia del ensayo de Mingrone et al [29], han mostrado una menor progresión de la retinopatía a los 5,9 años en una pequeña cohorte de individuos que experimentaron remisión de la diabetes tipo 2 después de la cirugía bariátrica en comparación con aquellos que no estaban en remisión después de la cirugía [49], y menos eventos de ECV (principalmente insuficiencia cardíaca) 10 años después de la cirugía que en una cohorte bien emparejada que no se sometió a la cirugía [50].

La evidencia aún es limitada, pero el patrón es consistente en todos los estudios de diferentes diseños: es probable que el riesgo de complicaciones a largo plazo de la diabetes se reduzca si se puede lograr la remisión. La magnitud de la pérdida de peso y su sostenibilidad son claves, no solo para normalizar la glucemia, sino también para reducir la presión arterial y los niveles de lípidos. Sería valioso identificar al 15 % de las personas con obesidad y diabetes tipo 2 que no logran la remisión a pesar de perder el >15 % de su peso corporal, para poder proporcionar un enfoque más personalizado para la reducción del riesgo preventivo y terapéutico específico. Esto aún no es posible utilizando los grupos de riesgo cardiometabólico disponibles actualmente [51].

Remisión de la medicación frente a igual control de la diabetes con tratamiento sostenido

Desafiando la definición internacionalmente acordada de remisión de la diabetes tipo 2 [5], se puede argumentar que la HbA_1c <48 mmol/mol (<6,5%) podrían alcanzarse y mantenerse con medicación sostenida, es decir, lograr la ausencia de la enfermedad, pero no necesariamente la ausencia de la enfermedad, con una dependencia continuada de la medicación. Aquí hay una distinción entre el control de la diabetes y el control glucémico, ya que la pérdida de peso sustancial que genera la remisión mejora todas las características del síndrome metabólico incluidas en el control general de la diabetes. La evidencia observacional emergente sugiere un retraso o prevención de las complicaciones de la diabetes después de la pérdida de peso en la dieta que logra la remisión [52, 53]. Sin embargo, no se ha establecido si lograr el mismo control de la glucemia, la presión arterial y los niveles de lípidos utilizando múltiples medicamentos en lugar de a través de la pérdida de peso solo con la dieta tiene los mismos beneficios clínicos. Los nuevos medicamentos potentes para la diabetes, como los agonistas del receptor GLP-1 y los inhibidores de SGLT2, además de promover la pérdida de peso, proporcionan cierta protección cardiovascular y renoprotección y un menor riesgo de mortalidad, sin riesgo de hipoglucemia [7]. Estos medicamentos deben probarse con o contra un control de peso eficaz.

Medicina de precisión/tecnología de la información: una talla no sirve para todos

A medida que las estrategias de tratamiento evolucionan para adaptarse a las nuevas pruebas, el tratamiento debe personalizarse para satisfacer las necesidades individuales, que cambian con el tiempo. Las decisiones deben tener en cuenta el coste, la calidad de vida y los modelos de predicción de los resultados de la remisión, las complicaciones de la diabetes tipo 2 y el riesgo cardiovascular. La obesidad y la diabetes tipo 2 son enfermedades multifactoriales con muchos fenotipos [54]. Las pruebas genéticas pueden identificar a las personas con diabetes monogénica rara o MODY que necesitan tratamientos farmacológicos específicos. Se han identificado subgrupos de diabetes tipo 2 con diferentes perfiles de mecanismos probables y resultados clínicos en un esfuerzo por ayudar a individualizar el tratamiento y prevenir las complicaciones de la diabetes [55], algunos de los cuales pueden responder de manera diferente a la cirugía bariátrica [56]. Sin embargo, sobre la base de la evidencia actual, como primer paso en un enfoque personalizado, el subgrupo más importante de diabetes tipo 2 que se debe identificar es el de la diabetes tipo 2 sensible a la pérdida de peso.

Antes de comenzar el tratamiento, es importante hacer una evaluación clínica y bioquímica completa de los riesgos y discutir con la persona que vive con diabetes y sus familiares o cuidadores lo que significan y el impacto que tendrían los diferentes tratamientos (o ningún tratamiento). Deberíamos estar dispuestos a discutir el pronóstico abiertamente, al igual que lo estamos con los pacientes con cáncer; La diabetes tipo 2 es una enfermedad mucho más grave de lo que muchos creen, por lo que la remisión tiene un valor real. Antes de intentar dar consejos dietéticos, debemos entender lo poderoso que es el apetito humano y lo fuerte que es nuestro patrón social de comportamientos habituales, y reconocer que para mantener el cambio algunas personas necesitan mucho más apoyo que otras.

La remisión ha llegado para quedarse: ¿qué hay fuera de la caja?

Como se ha comentado anteriormente, en los últimos años se han acumulado pruebas que han cambiado nuestra comprensión de la diabetes tipo 2 y han apuntado a un cambio en el énfasis en el tratamiento, resumido en la Fig. 1. Quedan por resolver cuestiones y cuestiones prácticas. ¿Las métricas empleadas actualmente para definir la remisión de la diabetes tipo 2 proporcionan claridad, precisión y reconocimiento del verdadero estado de la diabetes? ¿Dónde deben estar las prioridades de investigación?

A partir de la evidencia discutida, los médicos ahora deben revisar la visión predominante de la diabetes tipo 2 y proporcionar tratamiento y apoyo proporcionados basados en la evidencia. Cabe destacar que (1) la diabetes tipo 2 es una enfermedad muy grave; (2) surge de defectos de células beta y exceso de grasa corporal con acumulación de grasa ectópica; (3) puede enviarse de manera confiable a la remisión durante al menos 1 a 5 años mediante una pérdida de peso mantenida de >10 kg; y (4) la evidencia sugiere que es probable que las complicaciones incapacitantes, dolorosas e irreversibles de la diabetes tipo 2 se retrasen o prevengan mediante una remisión sostenida. Por lo tanto, el control del peso debería ocupar un lugar mucho más destacado en el tratamiento de la diabetes tipo 2 de lo que ha sido la regla. Por ejemplo, la declaración de la ADA/EASD de 2022 sobre el manejo de la hiperglucemia en la diabetes tipo 2 todavía está muy dominada por las recomendaciones de medicamentos e incluye una página (de 29) y 15 referencias (de 346) sobre dieta y control de peso [57].

En un campo que cambia rápidamente, estamos empezando a imaginar, e incluso a detallar, un tipo completamente nuevo de servicio de salud pública y atención de la diabetes, con la remisión como el objetivo de tratamiento número uno para la diabetes tipo 2, con el objetivo de minimizar las consecuencias médicas a largo plazo y los costes tanto para los pacientes como para los servicios sanitarios. Esto debería, en principio, ser muy atractivo y potencialmente alcanzable, pero muchos médicos y servicios médicos consideran que la prescripción de medicamentos es más conveniente. El tratamiento dietético eficaz y/o los agonistas basados en el receptor de GLP-1 [58] pueden ser tan potentes como otros medicamentos para la diabetes tipo 2 (e hipertensión). Los dietistas, o incluso los legos con formación específica, también podrían tener un mayor impacto en la salud futura y la esperanza de vida que los médicos y los medicamentos.

La evidencia de que la pérdida de peso y la remisión no serán sostenidas por todos [59], o indefinidamente, justifica el uso de medicamentos o cirugía en casos adecuadamente seleccionados, con el objetivo de reducir las complicaciones médicas y mejorar la salud y el bienestar; Sin embargo, los medicamentos y la cirugía no son alternativas de igual valor. Hemos aprendido que el tratamiento de una enfermedad crónica, la diabetes tipo 2, por muy eficaz que sea, rara vez tiene el beneficio global que nos gustaría, porque deja que el proceso de la enfermedad subyacente de la obesidad impulse las otras enfermedades que media. Lograr y mantener una pérdida de peso sustancial es innegablemente difícil en el mundo postindustrial, pero los problemas relacionados con la prevención y la prevención secundaria de la obesidad y la diabetes tipo 2 no son completamente insuperables para todos si la sociedad decide poner en práctica una verdadera promoción de la salud. Deberíamos hacer algo más que reflexionar sobre el hecho de que las dietas y los estilos de vida tradicionales preindustriales se asociaban con la ausencia de diabetes tipo 2 y enfermedades crónicas relacionadas.

Una cuestión emergente es la necesidad de abarcar una gama más amplia de diseños de estudio, o determinar el diseño de estudio óptimo, para los estudios de investigación. Por ejemplo, un ECA a menudo no es el mejor diseño de estudio para establecer el tamaño del efecto una vez que la eficacia y la seguridad (su objetivo principal) se demuestran con confianza. Cuando no hay interés en la posibilidad de un resultado negativo (p. ej., pérdida de peso que agrava el control de la diabetes), las pruebas de significación estadística de dos colas son irrelevantes y dan lugar a la realización de ensayos innecesariamente grandes y costosos. Esta consideración no se aplica a la seguridad ni a los resultados clínicos, pero para ello el montaje de ECA a muy largo plazo es increíblemente costoso para una intervención dietética, y un diseño que prive a un grupo de control de un tratamiento probado es éticamente problemático. Se necesitan estudios observacionales a largo plazo de alta calidad en entornos de la vida real, sobre los resultados clínicos tanto de la pérdida de peso, lograda con diferentes enfoques, como del control glucémico con medicamentos hipoglucemiantes, incluidos los fármacos más nuevos con excelentes resultados de ECV. Abandonar el tratamiento convencional eficaz para buscar la remisión puede no ser siempre beneficioso. Por ejemplo, es el paciente que toma metformina en monoterapia y que mantiene una HbA_1c de 41 mmol/mol (5,9%) menos «libre de enfermedad» que uno con HbA_1c de 46 mmol/mol (6,4%) pero ¿quién no toma ningún medicamento hipogluceemiante? Ambos podrían evitar algunas consecuencias posteriores de la enfermedad. Es más probable que la búsqueda de la remisión tenga éxito en los primeros años después del diagnóstico o, mejor aún, en la etapa de prediabetes [59]. Retrasar la farmacoterapia que permite una mayor o más fácil pérdida de peso, un mejor control de la diabetes y una posible reducción de los riesgos clínicos en un intento de lograr una remisión sin medicamentos puede no ser apropiado para todos, ni siquiera ético.

Implicación del paciente y del público: el bienestar es clave

Con demasiada frecuencia, la investigación clínica ha asumido lo que es mejor para los pacientes y no ha logrado capturar la experiencia vivida por las personas que viven con diabetes tipo 2: una HbA más baja_1c no necesariamente mejorará los resultados informados por los pacientes. Por ejemplo, la viabilidad y aceptabilidad de un enfoque dietético estructurado y respaldado por profesionales, con una mejora sostenida del bienestar, se demostraron en el ensayo DiRECT [61, 62]. Las personas con diabetes tipo 2 tienen una calidad de vida relacionada con la salud deteriorada, que empeora aún más con comorbilidades y complicaciones adicionales, y más de un tercio tiene problemas diabéticos clínicamente importantes, relacionados con las demandas de autocontrol y el miedo a las complicaciones. Sin embargo, un peor control glucémico se asocia con puntuaciones más altas de angustia de la diabetes y la mejora en el control glucémico disminuye la angustia de la diabetes y mejora la calidad de vida [63, 64].

La primera declaración de posición de la ADA sobre la atención psicosocial para las personas con diabetes reconoció y recomendó que la atención de la diabetes debe priorizar los resultados de salud, así como la calidad de vida y el bienestar [65]. La mejora del bienestar debe ser el objetivo principal de todas las intervenciones sanitarias. Incluso en los países más ricos, la proporción de personas que alcanzan los objetivos glucémicos es baja. Además, a pesar de que nuestras estrategias han evolucionado y ahora pueden resultar en la remisión de la diabetes tipo 2, muchas personas no están accediendo a la prevención, el control o la remisión de la diabetes, que debería ser la piedra angular del enfoque terapéutico.

Tal vez los debates en torno a la obesidad y el control del peso nos estén enseñando que los objetivos del control de la diabetes deben abarcar una «vida mejor» para las personas con diabetes tipo 2, comenzando con la necesidad de optimizar el bienestar, por ejemplo, proporcionando viviendas y alimentos seguros y asequibles, agua potable limpia, un salario digno, apoyo comunitario y cuidado infantil. Tenemos el deber de liderar el camino en la investigación hacia una mejor atención de la diabetes, pero eso debe ser equitativo dentro de los países y las culturas y entre ellos.

Dado que la diabetes tipo 2 es más prevalente y aumenta más rápidamente en las poblaciones asiáticas e indígenas, entre las personas para quienes la atención médica y los medicamentos modernos no son accesibles ni asequibles, existe un caso para al menos igualar los presupuestos de investigación farmacéutica con los presupuestos para la investigación sobre cómo hacer que la remisión dietética de la diabetes tipo 2 sea más efectiva y sostenible. El reto consistirá en garantizar el acceso equitativo a programas de estilo de vida de alta calidad, estructurados, eficaces y rentables y a medicamentos más baratos, eficaces y mejor tolerados para tratar el sobrepeso y la obesidad y prevenir o «curar» la diabetes tipo 2. Será fundamental involucrar a las personas que viven con diabetes y a sus familias y cuidadores en la determinación de las estrategias de gestión, así como a los pagadores y a los responsables políticos.

Matthew C. Riddle, William T. Cefalu, Philip H. Evans, Hertzel C. Gerstein, Michael A. Nauck, William K. Oh, Amy E. Rothberg, Carel W. le Roux, Francesco Rubino, Philip Schauer, Roy Taylor, Douglas Twenefour; Consensus Report: Definition and Interpretation of Remission in Type 2 Diabetes. Diabetes Care 1 October 2021; 44 (10): 2438–2444.

La mejoría de los niveles de glucosa en el rango normal puede ocurrir en algunas personas que viven con diabetes, ya sea espontáneamente o después de intervenciones médicas, y en algunos casos puede persistir después de la retirada de la farmacoterapia hipoglucémica. Es posible que esta mejoría sostenida esté ocurriendo ahora con más frecuencia debido a las nuevas formas de tratamiento. Sin embargo, la terminología para describir este proceso y las medidas objetivas para definirlo no están bien establecidas, y los riesgos y beneficios a largo plazo de su logro no se comprenden bien. Para actualizar las discusiones previas sobre este tema, la Asociación Americana de Diabetes convocó a un grupo internacional de expertos para proponer la nomenclatura y los principios para la recopilación y el análisis de datos, con el objetivo de establecer una base de información para respaldar la orientación clínica futura. Este grupo propuso la «remisión» como el término descriptivo más adecuado, y la HbA_1c <6,5% (48 mmol/mol) medida al menos 3 meses después del cese de la farmacoterapia hipoglucemiante como criterio diagnóstico habitual. El grupo también hizo sugerencias para la observación activa de las personas que experimentan una remisión y discutió otras preguntas y necesidades insatisfechas con respecto a los predictores y los resultados de la remisión.

La historia natural de la diabetes tipo 2 (DT2) se entiende mejor ahora que antes. Es claramente heterogéneo, con factores genéticos y ambientales que contribuyen a su patogénesis y evolución. Por lo general, una predisposición genética está presente al nacer, pero la hiperglucemia que define la diabetes aparece solo gradualmente y alcanza niveles diagnósticos en la edad adulta. Los factores ambientales que modulan la expresión de la DT2 incluyen la disponibilidad de diversos alimentos; oportunidad y participación en la actividad física; estrés relacionado con la familia, el trabajo u otras influencias; exposición a contaminantes y toxinas; y el acceso a la salud pública y a los recursos médicos. Dos eventos comunes pero transitorios pueden conducir a la aparición temprana de hiperglucemia en individuos susceptibles: el embarazo o la terapia a corto plazo con glucocorticoides. En consecuencia, las personas pueden desarrollar «diabetes gestacional» o «diabetes esteroide» como afecciones distintas pero relacionadas con la diabetes tipo 2 típica (1,2). En estos entornos, la hiperglucemia es provocada por la resistencia a la insulina, pero puede no persistir, ya que las respuestas a la insulina mejoran cuando nace el bebé o cesa la terapia con glucocorticoides. Los niveles de glucosa pueden volver a la normalidad después del embarazo, pero sigue existiendo un mayor riesgo de diabetes tipo 2 posterior (3).

Las enfermedades agudas u otras experiencias estresantes también pueden provocar hiperglucemia temporal, a veces llamada «hiperglucemia por estrés», en personas vulnerables. La diabetes tipo 2 que se ha desarrollado gradualmente e independientemente de estos estímulos, pero que con mayor frecuencia acompaña al aumento de peso en la mediana edad, puede volverse más fácil de controlar o parecer remitir después de la pérdida de peso en algunos casos. Además, las personas con diabetes tipo 2 pueden perder peso involuntariamente debido a una enfermedad, angustia emocional o falta de disponibilidad de alimentos relacionados con una dislocación social grave. La disminución voluntaria o inesperada de peso en la diabetes tipo 2 puede permitir o requerir el cese del tratamiento hipoglucemiante.

Estos patrones cambiantes de glucemia tienen importantes implicaciones epidemiológicas. Una de ellas es que la diabetes tipo 2 puede remitir sin intervención específica en algunos casos. Otra es que las complicaciones específicas de la diabetes, como la glomerulopatía diabética, se pueden encontrar en personas sin diabetes concurrente que estuvieron expuestas a hiperglucemia crónica en el pasado (4). Otra es una relación en forma de U entre los niveles de glucosa y la muerte en la diabetes tipo 2, con un mayor riesgo a niveles normales o más bajos de hemoglobina A_1c (HbA_1c). Este patrón podría atribuirse al tratamiento excesivo de la diabetes tipo 2, lo que conduce a un mayor riesgo de hipoglucemia (5), pero alternativamente podría ser el resultado de la pérdida de peso y la disminución de los niveles de glucosa debido a otra enfermedad grave y potencialmente mortal (6). Por lo tanto, tanto los aumentos sostenidos como las disminuciones sostenidas de los niveles de glucosa pueden ocurrir espontáneamente o a través de intervenciones y pueden presentar problemas de interpretación.

Las terapias dirigidas al control metabólico en la diabetes tipo 2 han mejorado mucho en los últimos años. El tratamiento farmacológico a corto plazo en el momento de la primera presentación de la DM2 en adultos a veces puede restaurar un control glucémico casi normal, lo que permite retirar el tratamiento (7-9). La reversión de la «toxicidad de la glucosa» que acompaña a la restauración del control glucémico se documenta mejor con el tratamiento intensivo temprano con insulina, pero puede ocurrir con otras intervenciones. Las nuevas clases de fármacos, los agonistas del receptor del péptido similar al glucagón tipo 1 (GLP-1) y los inhibidores del cotransportador de sodio-glucosa, a veces pueden lograr un excelente control glucémico con poca tendencia a causar hipoglucemia. Los cambios significativos en el comportamiento, principalmente relacionados con la nutrición y el control del peso, pueden conducir a un retorno de la hiperglucemia manifiesta a niveles de glucosa casi normales durante períodos prolongados de tiempo (10,11). De manera más dramática, las intervenciones quirúrgicas u otras intervenciones enterales pueden inducir tanto una pérdida de peso significativa como una mejora adicional del control metabólico por otros mecanismos durante períodos prolongados (12-14), 5 años o más en algunos casos. Es muy probable que el retorno a la regulación glucémica casi normal después de todas estas formas de intervención sea temprano en el curso de la DM2 y puede implicar una recuperación parcial tanto de la secreción de insulina como de la acción de la insulina (15).

Cada vez más, la experiencia con la mejora sostenida de los niveles de glucosa en el rango normal ha llevado a una reevaluación de la terminología y las definiciones que pueden guiar las discusiones actuales y la investigación futura en el manejo de tales transiciones en la glucemia en la diabetes tipo 2. En 2009, una declaración de consenso iniciada por la Asociación Americana de la Diabetes (ADA, por sus siglas en inglés) abordó estos temas (16). Sugirió que se adoptara como término descriptivo «remisión», que significa «disminución o desaparición de los signos y síntomas». Se propusieron tres categorías de remisión. Se consideró que la remisión «parcial» ocurría cuando la hiperglucemia por debajo de los umbrales diagnósticos para la diabetes se mantenía sin farmacoterapia activa durante al menos 1 año. La remisión «completa» se describió como niveles normales de glucosa sin farmacoterapia durante 1 año. La remisión «prolongada» podría describirse cuando una remisión completa persistió durante 5 años o más sin farmacoterapia. Se utilizó un nivel de HbA_1c <6,5% (<48 mmol/mol) y/o glucosa plasmática en ayunas (GPA) de 100 a 125 mg/dl (5,6 a 6,9 mmol/l) para definir una remisión parcial, mientras que se requirieron niveles «normales» de HbA_1c y GPF (<100 mg/dl [5,6 mmol/l]) para una remisión completa.

Para aprovechar esta declaración y las publicaciones posteriores (17) en el contexto de la experiencia más reciente, la ADA convocó a un grupo internacional multidisciplinario de expertos. Se incluyeron representantes de la Asociación Americana de la Diabetes, la Asociación Europea para el Estudio de la Diabetes, Diabetes UK, la Sociedad de Endocrinología y la Cumbre de Cirugía de la Diabetes. Desde otro punto de vista, un oncólogo también formó parte del grupo de expertos. Este grupo se reunió tres veces en persona y realizó intercambios electrónicos adicionales entre febrero de 2019 y septiembre de 2020. A continuación se presenta un resumen de estas discusiones y las conclusiones que se derivan de ellas. Este informe no pretende establecer pautas de tratamiento ni favorecer intervenciones específicas. En su lugar, basándose en el consenso alcanzado por los autores, propone definiciones adecuadas de términos y formas de evaluar las mediciones glucémicas, para facilitar la recopilación y el análisis de datos que puedan conducir a futuras orientaciones clínicas.

Terminología óptima

La elección de la terminología tiene implicaciones para la práctica clínica y las decisiones políticas. Se han propuesto varios términos para las personas que se han liberado de un estado de enfermedad previamente diagnosticado. En la DT2, los términos resolución, reversión, remisión y cura se han utilizado para describir un resultado favorable de las intervenciones que dan como resultado un estado libre de enfermedad. De acuerdo con las conclusiones del grupo de consenso previo (16), este panel de expertos concluyó que la remisión de la diabetes es el término más apropiado. Logra un equilibrio adecuado, señalando que la diabetes puede no ser siempre activa y progresiva, lo que implica que una mejora notable puede no ser permanente. Es coherente con la opinión de que una persona puede necesitar apoyo continuo para prevenir una recaída, y un seguimiento regular para permitir la intervención en caso de que la hiperglucemia reaparezca. La remisión es un término muy utilizado en el campo de la oncología (18), definido como la disminución o desaparición de los signos y síntomas del cáncer.

Una tendencia común es equiparar la remisión con «sin evidencia de enfermedad», lo que permite una elección binaria de diagnóstico. Sin embargo, la diabetes se define por la hiperglucemia, que existe en un continuo. El grupo de consenso concluyó que «sin evidencia de diabetes» no era un término apropiado para aplicar a la diabetes tipo 2. Una de las razones de esta decisión fue que la fisiopatología subyacente de la DM2, que incluye tanto la deficiencia de insulina como la resistencia a las acciones de la insulina, así como otras anomalías, rara vez se normaliza por completo con las intervenciones (19-21). Además, cualquier criterio para identificar una remisión de la diabetes será necesariamente arbitrario, un punto en un continuo de niveles glucémicos. Aunque la declaración de consenso anterior sugería dividir la remisión de la diabetes en categorías parciales y completas, utilizando diferentes umbrales glucémicos (16), esta distinción podría introducir ambigüedad que afectara las decisiones de política relacionadas con las primas de seguro, los reembolsos y la codificación de los encuentros médicos. La sugerencia de la declaración anterior de que una remisión prolongada, de más de 5 años, se considerara por separado no tenía una base objetiva. El grupo actual dudaba de que esta distinción ayudara a tomar decisiones o procesos clínicos, al menos hasta que se disponga de información más objetiva sobre la frecuencia de las remisiones a largo plazo y los resultados médicos asociados a ellas. Se pensó que era más útil una definición única de remisión basada en mediciones glucémicas.

Los otros términos candidatos tienen limitaciones. Considerar que un diagnóstico de diabetes está resuelto sugiere que el diagnóstico original fue erróneo o que se ha establecido un estado completamente normal de forma permanente. El término reversión se utiliza para describir el proceso de retorno a niveles de glucosa por debajo de los diagnósticos de diabetes, pero no debe equipararse con el estado de remisión. El término cura parece especialmente problemático al sugerir que todos los aspectos de la afección están ahora normalizados y que no se necesitará ningún seguimiento clínico o tratamiento adicional, ya sea para una recurrencia de la hiperglucemia o para riesgos adicionales asociados con las anomalías fisiológicas subyacentes. Si bien la curación es un resultado esperado, como en los pacientes con cáncer, el grupo estuvo de acuerdo en que el término debe evitarse en el contexto de la diabetes tipo 2.

Criterios glucémicos para diagnosticar la remisión de la DT2

Las medidas ampliamente utilizadas para el diagnóstico o el manejo glucémico de la DM2 incluyen HbA_1c, FPG, glucosa plasmática de 2 h después de una exposición oral de glucosa y glucosa media diaria medida por monitoreo continuo de glucosa (MCG). El grupo se mostró a favor de la HbA_1c por debajo del nivel utilizado actualmente para el diagnóstico inicial de diabetes, 6,5% (48 mmol/mol), y permanecer en ese nivel durante al menos 3 meses sin continuar con los antihiperglucemiantes habituales como principal medida definitoria. Los métodos utilizados para medir la HbA_1c deben contar con una estricta garantía de calidad y los ensayos deben estandarizarse según criterios alineados con los valores de referencia internacionales (22-24).

Sin embargo, una serie de factores pueden afectar las mediciones de HbA_1c, incluida una hemoglobina variante, diferentes tasas de glicación o alteraciones de la supervivencia de los eritrocitos que pueden ocurrir en una variedad de estados de enfermedad. La información sobre qué métodos se ven afectados por las variantes de hemoglobina se puede encontrar en http://ngsp.org/interf.asp. Por lo tanto, en algunas personas puede haber un valor normal de HbA_1c cuando la glucosa está realmente elevada, o HbA_1c puede estar alta cuando la glucosa media es normal. En entornos en los que la HbA_1c puede no ser fiable, se ha propuesto como alternativa la medición de las concentraciones medias de glucosa en 24 horas mediante MCG. Un valor de hemoglobina glicosilada calculado como equivalente a la glucosa media observada por MCG se ha denominado HbA_1c estimada (eA1C) (25) o, más recientemente, indicador de gestión de la glucosa (GMI) (26). En los casos en los que la precisión de los valores de HbA_1c es incierta, se puede utilizar el MCG para evaluar la correlación entre la glucosa media y la HbA_1c e identificar patrones fuera del rango habitual de normalidad (27,28).

En algunos contextos, una FPG inferior a 126 mg/dL (7,0 mmol/L) puede utilizarse como criterio alternativo para la remisión, al igual que un valor superior a ese nivel es una alternativa para el diagnóstico inicial de la DT2. Este enfoque tiene la desventaja de requerir la recolección de muestras durante el ayuno durante la noche, junto con una variación significativa entre las mediciones repetidas. La prueba de glucosa plasmática de 2 h después de una prueba de provocación oral con glucosa de 75 g parece una opción menos deseable, en parte debido a la complejidad añadida de su obtención y a la gran variabilidad entre las mediciones repetidas. Además, las intervenciones quirúrgicas metabólicas pueden alterar los patrones habituales de respuesta glucémica a la glucosa oral, con hiperglucemia temprana seguida de hipoglucemia posterior después de una provocación oral con glucosa, lo que confunde aún más la interpretación de la prueba.

Teniendo en cuenta todas las alternativas, el grupo favoreció fuertemente el uso de HbA_1c <6,5% (48 mmol/mol) como criterio de definición generalmente fiable y más simple y ampliamente entendido en circunstancias habituales. En algunas circunstancias, un eA1C o un IMG <6,5% puede considerarse un criterio equivalente.

¿Se puede diagnosticar la remisión mientras se usan medicamentos hipoglucemiantes?

La remisión de la diabetes puede lograrse mediante un cambio de estilo de vida, otras intervenciones médicas o quirúrgicas o, como suele ser el caso, una combinación de estos aprodolores. El hecho de que sea necesario interrumpir una terapia antes de hacer un diagnóstico de remisión depende de la intervención. Las alteraciones del estilo de vida relacionadas con las rutinas cotidianas relacionadas con la nutrición y la actividad física tienen efectos en la salud que van mucho más allá de los relacionados con la diabetes. Además, la posibilidad no solo de lograr la remisión de la diabetes, sino también de mejorar el estado de salud en general, puede haber motivado al individuo a realizar estos cambios en primer lugar. Estas consideraciones también se aplican a los abordajes quirúrgicos, que, además, no se revierten fácilmente. Por lo tanto, se puede diagnosticar una remisión en el postoperatorio y en el contexto de los esfuerzos continuos del estilo de vida.

Si se puede diagnosticar una remisión en el contexto de la farmacoterapia en curso es una cuestión más compleja. En algunos casos, se puede restaurar un excelente control glucémico mediante el uso a corto plazo de uno o más fármacos hipoglucemiantes, con una persistencia de niveles casi normales incluso después del cese de estos agentes. Si continúa el tratamiento farmacológico antihiperglucémico, no es posible discernir si se ha producido una remisión independiente del fármaco. El diagnóstico de remisión sólo puede hacerse después de que se hayan suspendido todos los agentes hipoglucemiantes durante un intervalo que sea suficiente tanto para permitir la disminución de los efectos del fármaco como para evaluar el efecto de la ausencia de fármacos sobre los valores de HbA_1c.

Este criterio se aplicaría a todos los fármacos hipoglucemiantes, incluidos los que tienen otros efectos. En particular, la metformina podría recetarse para mantener el peso, para mejorar los marcadores de riesgo de enfermedad cardiovascular o cáncer, o para el síndrome de ovario poliquístico (29). Los agonistas del receptor de GLP-1 pueden ser favoritos para controlar el peso o reducir el riesgo de eventos cardiovasculares, y los inhibidores del cotransportador de sodio-glucosa se pueden recetar para la insuficiencia cardíaca o la protección renal. Si tales consideraciones impiden suspender estos fármacos, entonces no se puede diagnosticar la remisión aunque se mantengan niveles glucémicos casi normales. Se puede tomar la decisión clínica de continuar con dichas terapias sin pruebas de remisión y, en ese caso, se desconoce si se ha logrado una verdadera remisión. El grupo también reconoció que algunos medicamentos tienen un efecto modesto para reducir la glucosa, pero no están indicados para reducir la glucosa, como en el caso de algunos medicamentos para bajar de peso. Debido a que estos medicamentos no se usan específicamente para controlar la hiperglucemia, no sería necesario suspenderlos antes de que se pueda hacer un diagnóstico de remisión de la diabetes.

Otra preocupación es el posible papel de la intervención preventiva con medicamentos para las personas que han sido diagnosticadas con remisión o que se sabe que tienen un riesgo muy alto de diabetes tipo 2, como las mujeres con diabetes gestacional previa. ¿Deberían estos individuos ser candidatos para el tratamiento con terapia antihiperglucémica, especialmente con metformina? Se trata de un tema controvertido, con argumentos a favor y en contra. A favor de la farmacoterapia para prevenir la aparición o reaparición de la diabetes manifiesta está la posibilidad de eliminar de forma segura y económica un período de hiperglucemia no diagnosticada pero dañina (30). Por otro lado, está el argumento de que la protección contra el deterioro de las células β mediante la farmacoterapia aún no se ha demostrado de manera convincente y que la intervención preventiva tiene costos y riesgos potenciales conocidos (31).

Se consideró que la justificación de la intervención preventiva estaba fuera del alcance de la presente declaración, salvo para señalar que, si se utilizaba, no se podía saber si persistía una remisión. Los datos recopilados sistemáticamente sobre la base de las definiciones propuestas en este documento pueden ayudar a aclarar las funciones de las diversas intervenciones que podrían utilizarse en este contexto.

Aspectos temporales del diagnóstico de la remisión

Cuando la intervención en la DM2 es por farmacoterapia o cirugía, el momento de inicio se determina fácilmente y los efectos clínicos se manifiestan rápidamente (Tabla 1). Cuando la intervención es por alteración del estilo de vida, el inicio del beneficio puede ser más lento, y pueden ser necesarios hasta 6 meses para la estabilización del efecto. Otro factor temporal son los aproximadamente 3 meses necesarios para que una intervención eficaz se refleje completamente en el cambio de la HbA_1c, que refleja la glucosa media durante un período de varios meses. Teniendo en cuenta estos factores, se necesita un intervalo de al menos 6 meses después del inicio de una intervención en el estilo de vida antes de que la prueba de HbA_1c pueda evaluar de forma fiable la respuesta. Después de una intervención quirúrgica más rápida y eficaz, se requiere un intervalo de al menos 3 meses mientras se estabiliza el valor de HbA_1c. Cuando la intervención es con farmacoterapia temporal, o cuando se añade una intervención de estilo de vida o cirugía metabólica a la farmacoterapia previa, se requiere un intervalo de al menos 3 meses después del cese de cualquier agente hipogluceemiante. Dado que todas las intervenciones conducen a la remisión, se aconseja realizar mediciones posteriores de la HbA_1c con una frecuencia no superior a los 3 meses ni menos frecuentes que una vez al año para confirmar la continuación de la remisión. A diferencia de la HbA_1c, la FPG o la eA1C derivadas del MCG pueden estabilizarse en un tiempo más corto después del inicio de una intervención, o aumentar más rápidamente si el control glucémico empeora más adelante. Cuando estas mediciones de glucosa se sustituyen por la HbA_1c, pueden recogerse antes después de la intervención y con mayor frecuencia a partir de entonces, pero debido a que son más variables, un valor consistente con el inicio o la pérdida de una remisión debe confirmarse mediante una medición repetida.

Tabla 1

Intervenciones y factores temporales en la determinación de la remisión de la DM2

Nota sobre la intervención: La documentación de la remisión debe incluir una medición de la HbA_1c justo antes de la intervención	El intervalo antes de la prueba de HbA_1c puede evaluar de manera confiable la respuesta	Mediciones posteriores de HbA_1c para documentar la continuación de una remisión
Farmacoterapia	Al menos 3 meses después del cese de esta intervención	No más de cada 3 meses ni menos de una vez al año
Cirugía	Al menos 3 meses después del procedimiento y 3 meses después del cese de cualquier farmacoterapia
Modo de vida	Al menos 6 meses después de iniciar esta intervención y 3 meses después del cese de cualquier farmacoterapia

Consideraciones fisiológicas con respecto a las remisiones después de la intervención con farmacoterapia, estilo de vida o cirugía metabólica

Cuando se documenta una remisión después del uso temporal de medicamentos hipoglucemiantes, los efectos directos de la farmacoterapia no persisten. La reversión de los efectos adversos de un mal control metabólico (32) sobre la secreción y la acción de la insulina puede establecer una remisión, pero persisten otras anomalías subyacentes y la duración de la remisión es bastante variable. Por el contrario, cuando un cambio persistente en el estilo de vida conduce a la remisión, el cambio en la ingesta de alimentos, la actividad física y el manejo del estrés y los factores ambientales pueden alterar favorablemente la secreción y la acción de la insulina durante largos períodos de tiempo. En este contexto, las remisiones a largo plazo son posibles, pero no están aseguradas. Los efectos de la cirugía metabólica son más profundos y, en general, más sostenidos (33). Los cambios estructurales del tracto gastrointestinal conducen a un nuevo entorno hormonal. Esto incluye, entre otros cambios, concentraciones de GLP-1 varias veces mayores en la sangre después de comer, lo que a través de la interacción con áreas relevantes del cerebro puede reducir el apetito y la ingesta de alimentos y, además, alterar el metabolismo periférico. El restablecimiento de la homeostasis de la glucosa por estos mecanismos suele ser más duradero. Los cambios de anatomía y fisiología son esencialmente permanentes, pero aun así los efectos deseables sobre los patrones glucémicos pueden no mantenerse indefinidamente. Puede ocurrir una recuperación parcial de peso, y la disminución continua de la capacidad de las células β puede contribuir al aumento de los niveles de glucosa con el tiempo.

Monitoreo continuo

Por las razones que acabamos de describir, una remisión es un estado en el que la diabetes no está presente, pero que, sin embargo, requiere una observación continua, ya que la hiperglucemia se repite con frecuencia. El aumento de peso, el estrés por otras formas de enfermedad y el deterioro continuo de la función de las células β pueden conducir a la recurrencia de la diabetes tipo 2. Las pruebas de HbA_1c u otra medida de control glucémico deben realizarse con una frecuencia no inferior a una vez al año. Es necesario prestar atención continua al mantenimiento de un estilo de vida saludable, y debe evitarse la farmacoterapia para otras afecciones con agentes que se sabe que promueven la hiperglucemia, especialmente glucocorticoides y ciertos agentes antipsicóticos.

La memoria metabólica, o efecto legado (34), es relevante en este contexto. Estos términos describen los efectos nocivos persistentes de la hiperglucemia previa en varios tejidos. Incluso después de una remisión, las complicaciones clásicas de la diabetes, como la retinopatía, la nefropatía, la neuropatía y un mayor riesgo de enfermedad cardiovascular, pueden seguir ocurriendo (35). Por lo tanto, se debe aconsejar a las personas en remisión de la diabetes que se sometan a exámenes regulares de retina, pruebas de función renal, evaluación de los pies y medición de la presión arterial y el peso, además de un control continuo de la HbA_1c. En la actualidad, no hay evidencia a largo plazo que indique que cualquiera de las evaluaciones generalmente recomendadas para las complicaciones pueda suspenderse de manera segura. Se debe aconsejar a las personas que están en remisión que permanezcan bajo observación médica activa, incluidos los chequeos regulares.

Además de la progresión gradual continua de las complicaciones establecidas de la DT2, existe otro riesgo potencialmente asociado con una remisión. Se trata de la posibilidad de un empeoramiento brusco de la enfermedad microvascular tras una rápida reducción de los niveles de glucosa tras un largo periodo de hiperglucemia. En particular, cuando se presenta un control glucémico deficiente junto con una retinopatía más allá de la presencia de microaneurismas, se debe evitar la reducción rápida de los niveles de glucosa y repetir el examen de retina si se observa una disminución rápida de la glucosa en sangre. Esta sugerencia se basa principalmente en la experiencia con el empeoramiento de la retinopatía después del inicio o la intensificación de la terapia con insulina, que se observa solo si hay retinopatía moderada o peor al inicio del estudio (36,37). El empeoramiento de la retinopatía puede ocurrir con otras intervenciones, aunque existe cierta evidencia de que este riesgo es menor después de la cirugía metabólica (38).

Otras preguntas y necesidades insatisfechas

El análisis anterior se basa en gran medida en la opinión de expertos. No tiene la intención de proporcionar orientación sobre cómo o cuándo se debe buscar el control glucémico que califica como una remisión. Tampoco pretende aclarar el papel de la farmacoterapia preventiva después de que se identifica una remisión. Más bien, propone una terminología y una estructura para facilitar la investigación futura y la recopilación de información para respaldar futuras guías clínicas. A continuación se enumeran algunas de las áreas que necesitan más investigación.

Validación del uso de 6,5% de HbA_1c como medida definitoria

Se debe evaluar la efectividad relativa del uso de 6,5% de HbA_1c (48 mmol/mol) como punto de corte para el diagnóstico de remisión, en comparación con 6,0% de HbA_1c (42 mmol/mol), HbA_1c 5,7% (39 mmol/mol) o algún otro nivel, en la predicción del riesgo de recaída o de complicaciones microvasculares o cardiovasculares. Se debe explorar más a fondo el uso de datos derivados de MCG para ajustar los rangos objetivo de HbA_1c para identificar la remisión glucémica. Podría estudiarse el uso de glucosa media derivada de MCG que se considera equivalente a HbA_1c <6,5% (<48 mmol/mol) o el uso de FPG <7,0 mmol/L (<126 mg/dL) en lugar de HbA_1c.

Validación del momento de las mediciones glucémicas

Es posible realizar pruebas menos frecuentes de HbA_1c sin alterar la eficiencia predictiva. Por ejemplo, las mediciones rutinarias a los 6 meses y a los 12 meses podrían ser suficientes para identificar la remisión y el riesgo de recaída a corto plazo.

Evaluación de los efectos de la metformina y otros fármacos después de la remisión

La principal acción de la metformina que afecta el control glucémico en la diabetes es mejorar la respuesta hepática a la insulina portal. Se desconoce si puede retrasar la recaída a través de otros mecanismos. Después del diagnóstico de remisión, la terapia con metformina u otros fármacos no utilizados para indicaciones glucémicas puede retrasar la recurrencia de la hiperglucemia y/o proteger contra la progresión de otras alteraciones metabólicas. La información objetiva sobre este punto es limitada, y es evidente que se requiere más investigación.

Evaluación de las medidas no glucémicas durante la remisión

Un mejor control glucémico no es el único aspecto del metabolismo que puede afectar los resultados a largo plazo. Por ejemplo, los perfiles de lipoproteínas circulantes, la adiposidad periférica y visceral, y la deposición de grasa intracelular en el hígado y otros tejidos pueden ser efectos relevantes que acompañan a la remisión glucémica, o posiblemente separados de ella, y podrían evaluarse. Se desconoce el papel de los cambios en el GLP-1 y otros mediadores peptídicos después de intervenciones farmacológicas, conductuales o quirúrgicas en la alteración de los riesgos de recaída o eventos médicos.

Investigación sobre la duración de la remisión

La duración esperada de una remisión inducida por diversas intervenciones aún no está bien definida, y los factores asociados con la recaída de la remisión deben examinarse más a fondo.

Documentación de los resultados a largo plazo después de la remisión

Se desconocen los efectos a largo plazo de la remisión sobre la mortalidad, los eventos cardiovasculares, la capacidad funcional y la calidad de vida. Los factores metabólicos y clínicos relacionados con estos resultados durante la remisión son poco conocidos y podrían definirse.

Desarrollo de materiales educativos para profesionales de la salud y pacientes

El desarrollo y la estandarización de programas educativos y de detección para las personas en remisión facilitaría la aplicación de diversas recomendaciones a la práctica clínica.

Conclusiones

A veces se puede lograr un retorno a los niveles normales o casi normales de glucosa en pacientes con diabetes tipo 2 típica mediante el uso de formas actuales y emergentes de intervenciones médicas o de estilo de vida o cirugía metabólica. La frecuencia de la mejoría metabólica sostenida en este contexto, su duración probable y su efecto sobre los resultados médicos posteriores siguen sin estar claros. Para facilitar las decisiones clínicas, la recopilación de datos y la investigación sobre los resultados, se necesita una terminología más clara que describa dicha mejora. Sobre la base de nuestras discusiones, proponemos lo siguiente:

El término utilizado para describir una mejora metabólica sostenida en la DM2 a niveles casi normales debería ser remisión de la diabetes.
La remisión debe definirse como un retorno de la HbA_1c al <6,5% (<48 mmol/mol) que se produce espontáneamente o después de una intervención y que persiste durante al menos 3 meses en ausencia de farmacoterapia hipoglucemiante habitual.
Cuando se determina que la HbA_1c es un marcador poco fiable del control glucémico crónico, se pueden utilizar como criterios alternativos FPG <126 mg/dL (<7,0 mmol/L) o eA1C <6,5% calculados a partir de los valores de MCG.
Las pruebas de HbA_1c para documentar una remisión deben realizarse justo antes de una intervención y no antes de 3 meses después del inicio de la intervención y la retirada de cualquier farmacoterapia hipogluceosa.
Las pruebas posteriores para determinar el mantenimiento a largo plazo de una remisión deben realizarse al menos una vez al año a partir de entonces, junto con las pruebas recomendadas de forma rutinaria para las posibles complicaciones de la diabetes.
Se necesita investigación basada en la terminología y las definiciones descritas en la presente declaración para determinar la frecuencia, la duración y los efectos en los resultados médicos a corto y largo plazo de las remisiones de la DM2 utilizando las intervenciones disponibles.

Este Informe de Consenso se publica conjuntamente en The Journal of Clinical Endocrinology & Metabolism, publicado por Oxford University Press en nombre de la Sociedad de Endocrinología; Diabetologia, publicado por Springer-Verlag, GmbH, en nombre de la Asociación Europea para el Estudio de la Diabetes; Diabetic Medicine, publicado por Wiley en nombre de Diabetes UK; y Diabetes Care, publicado por la Asociación Americana de la Diabetes.

Un informe de consenso de un tema en particular contiene un examen exhaustivo y está redactado por un panel de expertos (es decir, un panel de consenso) y representa el análisis, la evaluación y la opinión colectiva del panel. La necesidad de un informe de consenso surge cuando los médicos, científicos, reguladores y/o formuladores de políticas desean orientación y/o claridad sobre un tema médico o científico relacionado con la diabetes para el cual la evidencia es contradictoria, emergente o incompleta. Los informes de consenso también pueden poner de relieve las lagunas en la evidencia y proponer áreas de investigación futura para abordar estas lagunas. Un informe de consenso no es una posición de la Asociación Americana de la Diabetes (ADA, por sus siglas en inglés), sino que representa solo la opinión de expertos y es producido bajo los auspicios de la ADA por expertos invitados. Se puede desarrollar un informe de consenso después de una Conferencia Clínica o Simposio de Investigación de la ADA.

© 2021 Sociedad de Endocrinología, Asociación Europea para el Estudio de la Diabetes, Diabetes UK y Asociación Americana de Diabetes. Los lectores pueden usar este artículo siempre y cuando la obra esté debidamente citada, el uso sea educativo y sin fines de lucro, y la obra no sea alterada. Más información disponible en https://www.diabetesjournals.org/content/license.

Evaluación integral y coordinada de tecnologías sanitarias en EE.UU

Evaluar la efectividad, y la costo efectividad de las tecnologías sanitarias en el mundo es complejo, siempre observamos la fuerza de recomendaciones para brindar mejor atención a las personas del National Institute for Health and care Excellence, que en sus capítulos incluye productos medicinales, dispositivos médicos, técnicas de diagnóstico, productos digitales, procedimientos quirúrgicos, sistemas de atención, etc. Siempre la evaluación de tecnología sanitarios es una ayuda, en un país donde la medicina se ha judicializado, es muy difícil que los dictámenes tengan en cuenta la evaluación de tecnologías sanitarias, si pueden servir para que acciones de gestión como compras centralizadas puedan bajar el precio de tecnologías o con contratos de riesgo compartido. En España están trabajando 7 agencias de evaluación de tecnologías, que progresivamente se están complementando en su accionar. Básicamente se identifican cinco tipos de agencias de evaluación de tecnologías sanitarias en el mundo: Revisiones rápidas, análisis rápidos de coste-efectividad, presentaciones rápidas de fabricantes, transferencias y ETS de facto. Tres características impulsan el uso de la ETS a en lugar de la ETS completa: urgencia, certeza y bajo impacto presupuestario. No le podemos pedir a las agencias que solucionen problemas que la exceden. A pesar de la creciente práctica de la ETS, no existen normas estandarizadas ni nomenclatura para la ETS. Las instituciones tienen que tener también su etapa de evolución, nutrirse de conocimientos, de evaluadores independientes, de ser un ejemplo de eficiencia, no ser un «ministerio». La oficina de evaluación de tecnologías sanitarias en el país vasco, son cinco personas. Por ello, la CONETEC, ha sido un avance, que no debiera quedar oculto en las refundaciones periódicas de este país. Por ello, me parece interesante evaluar este trabajo de EE.UU. para ver que esta construcción es compleja.

Introducción

No es ningún secreto que los costos de atención médica en Estados Unidos superan con creces los de cualquier otra nación desarrollada, y la brecha se está ampliando. En 2021, Estados Unidos gastó casi 13.000 dólares per cápita en atención sanitaria; ajustado por la paridad de compras, esto fue casi 6.000 dólares más que Alemania, el siguiente comparador más cercano [1 ].

A esto se suman estadísticas igualmente crudas que muestran cuán poca salud está comprando realmente Estados Unidos con todo este dinero. La esperanza de vida al nacer, de 76,4 años, se encuentra en su nivel más bajo en dos décadas [2 ]. Si bien los «shocks» del sistema como el COVID-19 y la crisis de opioides están afectando la esperanza de vida en Estados Unidos y otros países por igual, Estados Unidos ocupa el puesto 64^a nivel mundial, comparable a los niveles de Argelia y Panamá y muy por debajo de los de las naciones más ricas.3 ].

Una de las estrategias que muchos países emplean para garantizar que la salud de la población se maximice en función de la cantidad de financiación disponible es la evaluación de tecnologías sanitarias (ETS), un enfoque multidisciplinario que evalúa el valor clínico y económico de las intervenciones sanitarias y, con frecuencia, considera los costos de oportunidad. —-la salud y el gasto sacrificado—-asociados con la financiación de una nueva tecnología. Las razones de las tendencias preocupantes tanto en los costos como en la salud en los EE. UU. son innumerables y no pueden resolverse únicamente mediante métodos de ETS. Sin embargo, Estados Unidos no cuenta actualmente con un enfoque sistemático para la ETS, lo que puede resaltar áreas del sistema de salud donde el precio no está alineado con el beneficio clínico. Sin embargo, no siempre fue así; La historia de la ETS en Estados Unidos es compleja y estratificada. La pregunta es si Estados Unidos puede regresar a esas raíces y aplicar un nuevo enfoque a una ciencia que ayudó a fomentar.

2. La historia de la ETS en Estados Unidos: es un poco complicado

En 1972, el Congreso de los Estados Unidos creó la Oficina de Evaluación Tecnológica (OTA) para asesorar e informar a los legisladores sobre los posibles efectos, consecuencias e implicaciones de las nuevas aplicaciones tecnológicas.4 ,5 ]. La OTA operó en todos los sectores y produjo más de 750 informes sobre una variedad de temas en sus 23 años de existencia. El programa de salud de la OTA, iniciado en 1975, fue particularmente influyente, ya que desarrolló el primer enfoque conceptual publicado sobre ETS, describió los posibles impactos sociales de la tecnología sanitaria, proporcionó un modelo para la síntesis de evidencia que se ha utilizado en todo el mundo y fue el primero en integrar directamente el análisis de rentabilidad (CEA) en el marco de ETS [6 ]. Estos esfuerzos sirvieron como modelo directo para un esfuerzo paneuropeo para examinar y formalizar la ETS en múltiples entornos [7 ].

Pero la OTA fue abolida en 1995. Se citaron múltiples razones para su desaparición, incluida su postura sobre la credibilidad científica del programa de defensa de la ‘Guerra de las Galaxias’ de Ronald Reagan [8 ]; sin embargo, la mayoría está de acuerdo en que fue el resultado de un ejercicio simbólico de recorte presupuestario por parte de los líderes del Congreso, con la OTA como objetivo lógico debido a su pequeño tamaño [5 ].

Los esfuerzos para sostener la HTA continuaron con el Centro Nacional de Tecnología de Atención Médica (NCHCT), que fue financiado en 1978 para informar las decisiones de cobertura de Medicare, el programa de seguro nacional para las personas mayores.9 ]. El NCHCT era pequeño, contaba con una plantilla de 20 personas y un presupuesto anual de sólo 4 millones de dólares, pero creó una asociación público-privada única para acceder a una amplia gama de conocimientos y un enfoque multidisciplinario de la ETS. El Centro informó 75 decisiones de Medicare hasta que cesó su financiación en 1981 [9 ]. En este caso fueron intereses especiales, incluida la industria de dispositivos y la Asociación Médica Estadounidense, quienes criticaron al NCHCT por preocuparse solo por los costos e interferir con la relación médico-paciente.9 ].

3. La curiosa aversión de Estados Unidos a la rentabilidad

Los desafíos experimentados por la OTA y el NCHCT han sido impulsados en gran parte por las críticas al «racionamiento»: ¿por qué los analistas de datos deberían decidir a qué atención tenemos derecho? Muchos sienten que esta actitud es una aplicación sanitaria del «excepcionalismo estadounidense»: la noción de que Estados Unidos es único en gran parte porque las opciones y libertades son ilimitadas.10 ].

Esta tensión se ha ilustrado más claramente en los ataques a la CEA, que hace explícitas las compensaciones asociadas con la inversión en nueva tecnología. Medicare y las agencias HTA que aún existen, la Agencia para la Investigación y la Calidad de la Atención Médica (AHRQ) y el Instituto de Investigación de Resultados Centrados en el Paciente (PCORI), tienen prohibido por ley integrar CEA en la toma de decisiones [11 ,12 ]. En particular, existe un fuerte lobby contra el año de vida ajustado por calidad (AVAC), que se considera discriminatorio contra las personas discapacitadas y gravemente enfermas, y ha impulsado la legislación para prohibir el uso de AVAC en cualquier programa gubernamental [13 ].

4. “Brotes verdes”

A pesar de la tortuosa historia de la HTA en Estados Unidos y de las batallas políticas que continúan, ha habido algunas señales de vida recientes con respecto al control de los costos de atención médica. El gobierno ha estado experimentando con pagos agrupados y mecanismos de ‘pago por desempeño’ para los servicios de salud como una alternativa al enfoque tradicional de pagar una tarifa por cada servicio individualmente.14 ]. También hay nuevas opciones disponibles para proporcionar un mayor escrutinio de los precios farmacéuticos. El surgimiento del Institute for Clinical and Economic Review (ICER), una organización de ETS del sector privado que pone sus informes a disposición de los interesados de forma gratuita y celebra reuniones públicas deliberativas, ha dado a los pagadores privados una autoridad independiente para consultar en las negociaciones de precios y contratos [15 ]. Más recientemente, la nueva Ley de Reducción de la Inflación incluye disposiciones explícitas para la protección de los precios de los medicamentos recetados, incluidos límites al gasto de bolsillo de los pacientes, y, por primera vez en la historia, permite a Medicare negociar los precios de un pequeño conjunto de medicamentos con un presencia de mercado duradera y sin competencia genérica [17 ].

Sin embargo, incluso con estos avances, la naturaleza increíblemente compleja del sistema de salud estadounidense, la multiplicidad de actores involucrados en la cadena de suministro y reembolso de cualquier servicio determinado y la expectativa subyacente (rara vez cumplida) de opciones ilimitadas pueden significar que la mitigación de costos en algunos sectores empeorarían las presiones de costos en otros.

5. Opinión de expertos

¿Cuál es el resultado final de no tener un organismo centralizado encargado de garantizar que las inversiones en salud produzcan beneficios reales para los pacientes a un costo razonable? Es tan claro como las cifras presentadas anteriormente: costos desbocados sin que la salud lo demuestre. Las aseguradoras reaccionan a las presiones de costos de los medicamentos recetados restringiendo el acceso de los pacientes, porque la influencia de cualquier pagador estadounidense para negociar el precio es limitada. Y, a pesar de todo el ruido sobre el «racionamiento», no podemos fingir que no existe en Estados Unidos como ocurre en todas partes. La diferencia aquí es que no está centralizado ni es transparente, sino que lo deciden los pagadores individuales en discusiones en gran medida privadas. Como resultado, el acceso a la atención está sujeto a los detalles de una determinada cobertura o póliza de formulario, con impactos variables en la salud en todo el sistema.

Entonces, ¿qué se necesita? Los vientos políticos en contra parecen ser demasiado grandes para considerar una autoridad central de ETS dentro del gobierno, ya sea que dependa de la CEA o no. Una asociación público-privada que podría ser financiada en parte por el gobierno pero que dependa de instituciones académicas y consultorías para hacer el trabajo podría ser más aceptable, particularmente si está supervisada por un organismo que establezca estándares que pueda brindar orientación sobre métodos y procesos. Ya existen modelos para este enfoque, como la Academia Nacional (anteriormente Instituto de) Medicina [18 ].

Para satisfacer las necesidades de las partes interesadas de EE. UU., un enfoque de HTA local podría incluir CEA junto con el impacto presupuestario y otras formas de análisis económico, permitir asociaciones sólidas entre las partes interesadas y servir como banco de pruebas para enfoques novedosos de evaluación de valor [18 ]. Además, dado que los precios son universalmente altos en Estados Unidos, no sólo para los medicamentos recetados sino también para muchas otras tecnologías y servicios de salud, el mandato de un organismo de ETS con sede en Estados Unidos debería ser bastante amplio.

Sin embargo, incluso el trabajo riguroso realizado por ICER está limitado tanto por su pequeño tamaño y su consiguiente capacidad limitada de evaluación como por la falta de un mandato formal para implementar las recomendaciones de la ETS. De manera similar, una asociación de ETS público-privada solo será efectiva si existe el compromiso del gobierno de considerar sus resultados en la toma de decisiones. De hecho, un conjunto de informes presentados al gobierno de Estados Unidos podría proporcionar un marco para la negociación de los precios de todos los medicamentos (no sólo de los productos de larga data), así como de los honorarios de los proveedores y las instalaciones, actividad que sin duda influiría también en los pagadores privados.

6. Resumen

Dadas las estadísticas condenatorias sobre la salud de los estadounidenses y los costos de la atención médica en los EE. UU., muchos se sorprenderán de que los EE. UU. no solo estuvieran a la vanguardia de la evaluación de tecnologías sanitarias sino que también ayudaran a impulsar el enfoque moderno de la ETS que se practica en todo el mundo. . La disminución de la demanda estadounidense de HTA no es la única razón por la que los costos han seguido aumentando sin ninguna mejora asociada en la salud, pero ciertamente no ha ayudado. Necesitamos desesperadamente que Estados Unidos aprenda de las lecciones de aquellos países a los que ayudó a enseñar; sólo con un enfoque coordinado y central para comprender la evidencia y determinar el valor de la tecnología sanitaria se puede tomar una decisión equitativa y basada en principios sobre su adopción. De lo contrario, Estados Unidos eventualmente dejará de ser un centro de innovación en salud, ya que no quedará nadie a quien tratar

Mejora de la Calidad en el Sistema de Salud: Claves y Estrategias

ESCRITO POR

Mohammed M. Albaadani, Adel Omar Bataweel, Alaa Mahmoud Ismail, Jameelah Mohammed Yaqoob, Ebrahim Sarwi Asiri, Hesham Ahmed Eid, Khaled M. Kasasbeh, Mohamed Fathy Shaban, Nasr Ali Mohammed, Samir Mohammed Bawazir, Siham Mohammed Saleh y Yasser Sami Amer

1. Introducción

El sistema de salud está diseñado para producir salud, pero puede hacer lo contrario y causar daño. Hay muchos factores que influyen en la probabilidad de error. Estos factores incluyen el diseño de dispositivos médicos, el volumen de tareas, la unidad y claridad de las pautas y políticas, el comportamiento de otros que se centran en estrategias que maximizan la frecuencia con la que las cosas salen bien, la dependencia de los proveedores de atención médica entre sí, la diversidad de pacientes. , médicos y otro personal, la vulnerabilidad de los pacientes, las variaciones en la distribución física de los entornos clínicos, la variabilidad o falta de regulaciones, la implementación de nuevas tecnologías, la diversidad de vías de atención y organizaciones involucradas [ 1 , 2 ].

Estos factores no sólo aumentan la vulnerabilidad de los pacientes a sufrir daños, sino que también hacen que el sistema sanitario sea muy complejo y caótico. Por lo tanto, existe una necesidad urgente de soluciones viables para hacer frente a estos desafíos y estandarizar los procesos de atención médica, haciendo que el sistema de salud sea seguro, eficaz y más eficiente. Las iniciativas de mejora de la calidad desempeñan un papel clave a la hora de mejorar la calidad de los procesos en los hospitales y mejorar los resultados de seguridad del paciente. Al implementar prácticas y pautas clínicas basadas en evidencia, las organizaciones de atención médica pueden garantizar que los pacientes reciban terapias apropiadas y efectivas que se adapten a sus necesidades individuales [ 3 ].

La mejora de la calidad se define como un enfoque sistemático que se guía por datos para mejorar los servicios de salud y la calidad de la atención y los resultados para los pacientes basándose en cambios iterativos, pruebas y mediciones continuas y el empoderamiento de los equipos de primera línea [ 4 ].

También se define como el monitoreo, evaluación y mejora de los estándares de calidad de la atención médica, así como la implementación de una serie de procesos rigurosos y sistemáticos en toda la organización que resultan en una mejora mensurable en los servicios de atención médica [ 5 ].

Por otro lado, la mejora continua de la calidad (CQI) se define como una mejora incremental progresiva de los procesos, la seguridad y la atención al paciente [ 6 ]. El concepto de CQI se originó en Japón después de la Segunda Guerra Mundial y se utilizó ampliamente en los sectores industrial y manufacturero y se ha utilizado en el sector de la salud [ 7 , 8 ]. A lo largo de varios años, la mejora continua de la calidad ha evolucionado rápidamente y se han desarrollado muchas metodologías para guiar a las organizaciones hacia la racionalización de sus procesos, la reducción del desperdicio y la mejora de la eficiencia. Existen muchas herramientas y enfoques de mejora de la calidad que incluyen la auditoría clínica; Planificar, Hacer, Estudiar, Actuar; modelo de mejora; LEAN/Seis Sigma; evaluación comparativa de rendimiento, mapeo de procesos y control estadístico de procesos [ 9 ].

2. Metodología

Para este capítulo, llevamos a cabo una investigación exhaustiva utilizando un enfoque de búsqueda bibliográfica integral. Exploramos bases de datos bibliográficas basadas en Internet, como Google™ Scholar y PubMed, así como sitios web directos de revistas, libros, cursos de capacitación, programas y sitios web de referencia revisados por pares de buena reputación. Joint Commission International (JCI), Sociedad Internacional para la Calidad en la Atención Médica (ISQua) y el Institute of Healthcare Improvement (IHI) relacionados con la investigación sobre la calidad, la seguridad y la mejora de la atención sanitaria. Nuestros términos de búsqueda específicos incluyeron, entre otros, «seguridad del paciente», «calidad de la atención médica», «calidad de la atención médica», «atención médica basada en evidencia», «mejora de la calidad», «investigación de mejora», «investigación de implementación», «calidad». de atención de salud”, “directrices de práctica”, “auditoría clínica”, “acreditación”, “paquetes de atención”, “paquete de atención al paciente”, “gestión continua de la calidad”, “gestión, calidad total” y “educación”. Inicialmente, encontramos 230 resultados y refinamos nuestra lista de referencias a aproximadamente 150 muy relevantes para el enfoque de nuestro capítulo. Una selección adicional excluyó los recursos que no estaban alineados con el alcance, lo que resultó en una lista final de 65 citas incluidas en este capítulo.

3. ¿Qué es la variación?

Dado que este capítulo busca proporcionar algunas herramientas para reducir la variación que podría afectar el resultado de los servicios de atención brindados, es muy importante arrojar luz sobre este concepto. Variación significa desviación de la norma. En la práctica clínica, la variación significa diferencias en los procesos o resultados de la atención médica, en comparación con sus pares o con un estándar de oro, como una recomendación de una guía basada en evidencia [ 10 ]. Las variaciones en la atención médica son amplias y pueden incluir una variedad de diferentes opciones de tratamiento, procedimientos de diagnóstico y dosis de medicamentos. La variación no es necesariamente mala y puede ser buena siempre que se produzca dentro de ciertos parámetros. Las variaciones clínicas pueden estar justificadas o injustificadas. La variación clínica justificada es esencialmente inevitable, ya que todos los médicos, enfermeras y otros profesionales tienen una comprensión o percepción diferente de un problema particular y utilizan diferentes protocolos de manejo de problemas. Por otro lado, la variación clínica injustificada se refiere al uso excesivo o insuficiente de ciertas terapias, tratamientos o materiales de diagnóstico de una manera que potencialmente perjudica los resultados de los pacientes o la sostenibilidad del sistema de salud. El segundo tipo de variación es mucho más problemático en la práctica sanitaria porque puede aumentar la vulnerabilidad a errores [ 11 ].

4. Fuentes de variación

Las principales fuentes de variación se pueden agrupar en dos clases principales: variación de causa común, también llamada variación aleatoria, que puede ocurrir en procesos estables y variación de causa especial, que se observa principalmente en procesos inestables. Ambos tipos se explicarán más adelante.

Factores que contribuyen a la variabilidad de la atención sanitaria

La variabilidad en la práctica de la atención clínica a menudo se debe a dos cuestiones distintas [ 12 ]:

Variabilidad operativa Se refiere a las diferencias en la atención brindada directamente por los diferentes involucrados en el proceso de atención al paciente. Si bien cada proveedor brinda atención en función de su comprensión del diagnóstico y el plan de tratamiento del paciente, esto puede generar diferencias significativas en la forma de brindar atención al paciente.
Variabilidad del conocimiento Se refiere a las diferencias en la experiencia entre el personal médico. Este tipo de variabilidad suele ser difícil de evaluar porque se basa en el nivel educativo y de experiencia de un proveedor individual.

En este capítulo, intentaremos resaltar las iniciativas de mejora de alta calidad que desempeñan un papel importante en la estandarización de los procesos de atención médica, la reducción de la variación en la práctica clínica y el logro de resultados predecibles para los pacientes, los sistemas de atención médica y las organizaciones. Estas iniciativas incluyen:

Guías y vías de práctica clínica.
Políticas y procedimientos (P&P)
Rendimiento basado en datos
La metodología 5S
Proyecto choca los 5
Auditoría clínica
calidad de pensamiento
Educación y entrenamiento
Proceso de acreditación
Paquetes de cuidados

6. Guías y vías de práctica clínica

6.1 Antecedentes

Las guías de práctica clínica (GPC) y las vías de atención integrada (PIC) desempeñan un papel vital en la atención sanitaria moderna al proporcionar un marco para estandarizar las prácticas médicas y mejorar la calidad y seguridad de la atención al paciente. Estas herramientas basadas en evidencia ofrecen a los profesionales de la salud un enfoque estructurado para la toma de decisiones clínicas, garantizando que los pacientes reciban la atención más eficaz y adecuada. Este artículo explora la importancia de las GPC y las PCI para mejorar los resultados de la atención sanitaria, la mejora de la calidad y la seguridad del paciente.

Guías de práctica clínica (GPC)son recomendaciones y declaraciones basadas en evidencia desarrolladas sistemáticamente que guían a los profesionales de la salud en la toma de decisiones informadas sobre las intervenciones de atención médica más apropiadas para situaciones o condiciones clínicas específicas. Las GPC suelen basarse en una revisión exhaustiva de la mejor evidencia médica disponible, el consenso de expertos y la consideración de los valores y preferencias de los pacientes. Su objetivo es estandarizar y mejorar la calidad de la atención sanitaria proporcionando un marco estructurado para la toma de decisiones clínicas, el diagnóstico, el tratamiento y la gestión de pacientes [ 13 ].

Vías de atención integrada (PIC),También conocidos como vías de atención o vías clínicas, son planes de atención multidisciplinarios que describen los pasos, actividades e intervenciones esenciales necesarios para el manejo eficaz de pacientes con afecciones médicas específicas, a lo largo de todo el proceso de atención. Los ICP están diseñados para promover la colaboración entre profesionales de la salud de diversas disciplinas y garantizar una prestación de atención fluida y coordinada. A menudo incorporan GPC y prácticas basadas en evidencia en un marco estructurado que ayuda a optimizar los resultados de los pacientes, agilizar los procesos de atención médica y mejorar la participación del paciente y el cuidador. También se consideran uno de los principales tipos de herramientas de implementación de GPC [ 14 , 15 ]. Los PCI son particularmente valiosos para el manejo de condiciones complejas o crónicas al delinear las trayectorias de atención más apropiadas y facilitar la comunicación y la continuidad de la atención entre los proveedores de atención médica.

6.2 Medicina basada en la evidencia y GPC

La medicina basada en la evidencia (MBE) es de suma importancia en la atención médica, ya que garantiza que las decisiones e intervenciones clínicas se basen en la mejor evidencia científica disponible. La EBM promueve la prestación de atención racional, eficiente y centrada en el paciente mediante la integración sistemática de resultados de investigaciones rigurosas con la experiencia clínica y los valores y preferencias de los pacientes. Mejora la calidad y la seguridad de la atención sanitaria, reduciendo las variaciones en la práctica y minimizando el potencial de riesgo o daño. Al adherirse a los principios de la MBE, los profesionales de la salud pueden optimizar la precisión del diagnóstico y los resultados del tratamiento, reducir las intervenciones innecesarias y asignar recursos de manera más efectiva, lo que en última instancia conduce a mejores resultados para los pacientes, una mayor satisfacción del paciente y el avance continuo del conocimiento y la práctica médica [ 13 ]. .

La EBM constituye la base de la atención sanitaria moderna y contemporánea. Las GPC y las PCI son herramientas esenciales para aplicar la MBE y la atención sanitaria basada en la evidencia en general, ya que traducen los últimos hallazgos de las investigaciones en recomendaciones prácticas para la práctica clínica y sirven como puente entre la investigación y la atención al paciente.

Una de las funciones principales de las GPC y los PCI es estandarizar la atención en todos los entornos sanitarios, lo que a su vez conduce a una mayor coherencia, integración y previsibilidad en la prestación de atención sanitaria. Cuando los profesionales sanitarios siguen las GPC y las PIC establecidas, los pacientes pueden esperar un nivel de atención uniforme, lo que reduce las variaciones y la posibilidad de errores. Esta estandarización es particularmente crítica en áreas complejas y de alto riesgo, como la cirugía y los cuidados intensivos.

6.3 Mejorar la calidad y la seguridad de la atención

El cumplimiento de las GPC y las PIC puede mejorar significativamente la calidad de la atención brindada a los pacientes [ 16 , 17 ]. Siguiendo recomendaciones basadas en evidencia, los proveedores de atención médica pueden optimizar los planes de tratamiento, reducir las complicaciones y lograr mejores resultados para los pacientes. Las GPC ayudan a identificar las mejores prácticas, lo que permite a las instituciones de salud medir y mejorar su desempeño continuamente.

La seguridad del paciente es una preocupación primordial en la atención sanitaria, y las GPC y las PIC contribuyen significativamente a minimizar los riesgos. Las GPC tienen un papel importante para ayudar a identificar y mitigar posibles errores y eventos adversos [ 15 , 18 ]. Orientan el control de infecciones, la gestión de medicamentos y otros aspectos críticos de la seguridad del paciente y, en última instancia, reducen la probabilidad de daño.

Además, al promover una atención eficiente y eficaz, estas herramientas pueden generar ahorros de costos para los sistemas de salud que resaltan aún más los beneficios económicos del uso de GPC e PCI. Los enfoques estandarizados reducen los procedimientos innecesarios, los reingresos hospitalarios y las complicaciones, lo que resulta en una mejor asignación de recursos y una mayor rentabilidad.

6.4 Desafíos en la implementación de directrices y vías

La implementación de GPC y sus PCI en entornos sanitarios enfrenta varios desafíos [ 15 , 18 , 19 ]. La complejidad de las GPC, los diferentes niveles de calidad de la evidencia y la necesidad de adaptación a los contextos locales (es decir, contextualización) pueden obstaculizar una implementación efectiva. Además, los profesionales sanitarios pueden experimentar una sobrecarga de información, lo que dificulta mantenerse actualizados con numerosas GPC sobre los mismos temas de salud. Las barreras para la adopción incluyen la resistencia al cambio, la falta de conciencia y el tiempo y los recursos limitados. Las estrategias para superar estas barreras implican involucrar a todas las partes interesadas relevantes en el desarrollo o adaptación de las GPC, brindando capacitación regular, involucrando a defensores clínicos y de calidad, auditorías y retroalimentación periódicas, involucrando a los pacientes e integrando las GPC en los flujos de trabajo clínicos y las PCI. Los modelos exitosos, como el uso de registros médicos electrónicos para la difusión de GPC y el apoyo a las decisiones clínicas mediante la automatización o digitalización de GPC e ICP, han mostrado impactos positivos en la atención al paciente al mejorar la adherencia a las prácticas basadas en evidencia.

6.5 Futuro, innovaciones y el camino a seguir

El panorama de las GPC y los PCI está evolucionando con los avances en tecnología y metodología. A medida que la atención sanitaria avanza hacia una toma de decisiones más dinámica y en tiempo real, el desarrollo y la difusión de las GPC incorporan cada vez más análisis de datos sofisticados y plataformas digitales. Esta evolución tiene como objetivo garantizar que las directrices estén actualizadas, basadas en evidencia y fácilmente accesibles para los profesionales de la salud, especialmente con conceptos emergentes como GPC vivas, revisiones sistemáticas vivas y evidencia de esfera viva [ 17 ].

Las tecnologías emergentes, como el aprendizaje automático y el procesamiento del lenguaje natural, están revolucionando la forma en que se desarrollan y difunden las GPC. Estas tecnologías facilitan el análisis de grandes conjuntos de datos para identificar patrones y tendencias que pueden informar el desarrollo de CPG. Además, las plataformas de difusión digital, incluidas aplicaciones móviles y portales en línea, están facilitando a los proveedores de atención médica el acceso y la aplicación de directrices en la práctica clínica.

Se espera que la integración de la inteligencia artificial (IA) y el análisis de datos allane el camino para recomendaciones personalizadas de GPC. Los algoritmos de IA pueden analizar datos de pacientes, considerar condiciones y preferencias de salud individuales y sugerir planes y vías de atención personalizados. Este enfoque tiene como objetivo mejorar la precisión de los tratamientos, mejorar los resultados de los pacientes y optimizar los procesos de toma de decisiones clínicas, marcando el comienzo de una nueva era de medicina personalizada en la implementación de GPC.

7. Políticas y Procedimientos (P&P)

7.1 Antecedentes

Las políticas son definidas por la Joint Commission International (JCI) como reglas y principios que guían e informan los procedimientos y procesos de la organización, mientras que un procedimiento se define como instrucciones paso a paso sobre cómo se realiza una tarea [ 20 ]. La prestación de servicios sanitarios de alta calidad requiere políticas y procedimientos actualizados que reflejen las últimas buenas prácticas y garanticen el cumplimiento de los requisitos reglamentarios y legislativos [ 21 ]. Además de su función de facilitar el cumplimiento de las leyes sanitarias, los requisitos de acreditación, las licencias y los estándares de certificación, los equipos clínicos, incluidos médicos, enfermeras, farmacéuticos y otros proveedores de atención que participan en la atención al paciente, los P&P pueden desempeñar un papel vital a la hora de comunicar las expectativas. y estándares para el personal, establecer pautas para las operaciones y mejoras diarias, optimizar los procesos y mejorar la seguridad del paciente [ 22 ].

7.2 ¿Por qué las políticas y procedimientos son importantes?

Las políticas y procedimientos son componentes esenciales de programas eficaces de mejora de la calidad y seguridad del paciente por las siguientes razones:

Ayudar en la realización de la atención diaria al paciente aclarando las funciones y responsabilidades.
Servir como una herramienta de comunicación única entre el equipo de tratamiento.
Unifique las prácticas entre equipos multidisciplinarios y reduzca la posible tasa de error que podría ocurrir debido a variaciones en la práctica clínica.
Mejorar la consistencia y precisión del proceso clínico.
Orientar el proceso de toma de decisiones.
Proteger la reputación de la organización y minimizar cualquier responsabilidad potencial.
Mejorar la confianza y la satisfacción en el trabajo en equipo.

7.3 Orientación general para redactar P&P eficaces

Todas las políticas y procedimientos deben redactarse en un lenguaje sencillo y claro para que sean comprensibles para todos. Evite el uso de abreviaturas que puedan interrumpir o confundir al lector. Se recomienda evitar el uso de oraciones complejas con múltiples cláusulas que complicarían la comprensión de qué trata la política. También deben indicar claramente quién hace qué y articular las funciones y responsabilidades de las personas y departamentos responsables de llevar a cabo determinadas tareas. Finalmente, todos los P&P deben ser accesibles para todos los equipos.

7.4 Tipos de P&P de atención sanitaria

Los P&P de atención médica se pueden dividir en cinco tipos principales [ 23 ]:

Atencion al paciente: está relacionado con todos los P&P que guían a los médicos para realizar operaciones diarias y de rutina de atención al paciente en la práctica de atención médica.
Salud y seguridad: cualquier tipo de política que ayude al personal a afrontar y manejar cualquier riesgo de seguridad y salud que pueda surgir durante la atención al paciente.
Manejo y manejo de medicamentos: todo tipo de políticas y directrices que ayuden en el manejo del ciclo de gestión de medicamentos: transferencia, almacenamiento, prescripción, preparación, administración, etc.
Gestión de la información: todas las políticas que respaldan la gestión adecuada de la información confidencial dentro de los centros de atención médica. Pueden incluir temas como confidencialidad, seguridad, privacidad, integridad de la información y distribución de registros médicos. También incluye el tiempo de retención de los registros médicos de los pacientes y otra información.
Recursos administrativos y humanos: se refiere a todas las políticas que tienen que ver con el reclutamiento, la retención, el desarrollo y la educación continua del personal.

7.5 Gestión de P&P

Las políticas y procedimientos deben desarrollarse a través de un proceso estandarizado y sistemático, comenzando por abordar la necesidad de los mismos que podría surgir de nuevos requisitos legales, y luego conformando un equipo multidisciplinario (propietarios) que será responsable de redactar, revisar, finalizar y aprobar las políticas y procedimientos. política. Antes de implementar los P&PS, el personal debe estar familiarizado con ellos y esto se puede lograr mediante una capacitación específica. Se debe monitorear la adherencia del personal y el equipo de mejora de la calidad debe plantear y solucionar cualquier desafío u obstáculo durante la implementación. Las políticas y procedimientos deben revisarse y actualizarse periódicamente para garantizar su relevancia y eficacia.

8. Rendimiento basado en datos

8.1 Antecedentes

Los datos son un recurso vital y valioso en la salud, son como una brújula o el tablero del vehículo que sirve para monitorear su desempeño y alertar al conductor de cualquier problema. En el campo de la atención médica, utilizamos indicadores clave de rendimiento (KPI) para rastrear el proceso de mejora (observar, analizar, optimizar y transformar un proceso de atención médica) y para asegurarnos de que el personal cumpla con los estándares de atención. Estas métricas también se pueden utilizar para comparar (evaluar) el desempeño de la organización con otros centros de atención médica similares e identificar áreas de mejora [ 24 ]. Además, pueden ayudar a respaldar la eficacia y eficiencia de la atención clínica, así como a mejorar la medición continua del desempeño [ 25 ]. Finalmente, estas métricas pueden permitir la toma de decisiones informadas basadas en modelos reales de prestación de atención médica; por ejemplo, los profesionales y líderes de la atención médica pueden utilizar datos precisos, válidos, confiables, oportunos, relevantes, legibles y completos para ajustar de manera proactiva el curso clínico del tratamiento para pacientes individuales [ 26 , 27 ]. Los indicadores de desempeño no deben verse como una herramienta de mejora de la calidad que proporcionará soluciones factibles sobre cómo solucionar los problemas de desempeño; actúan solo como medios de diagnóstico y alertan a la organización sobre cualquier desviación en el desempeño de sus procesos.

8.2 Fuentes de datos

Hay muchas fuentes para obtener datos, ya sean fuentes internas dentro del centro de atención médica o externas de organizaciones de acreditación, gubernamentales, semigubernamentales, de defensa del paciente sin fines de lucro y comerciales en el campo. Los datos recopilados de fuentes internas ayudan a evaluar periódicamente el desempeño de los procesos de atención médica, mientras que los datos utilizados de fuentes externas facilitan la comparación con otras organizaciones en el mismo campo y tienen un alcance de servicios similar, además de ayudar a establecer objetivos de desempeño. La Tabla 1 muestra las principales fuentes de datos.

Fuentes internas	Fuentes externas
Informes/resúmenes de ocurrenciaMedición de calidad continuaEncuestas, entrevistas, cuestionarios.Observación directa (auditoría clínica, recorridos)Historias clínicas, informes/perfiles (farmacia, laboratorio, banco de sangre, etc.)Informes de control de infeccionesInformes regulatorios y de acreditación.Hallazgos de la revisión clínicaSistema de notificación de incidentes	Informes del registro nacionalInformes de Control de Enfermedades Transmisibles (CDC)Proyectos de investigación/literatura (p. ej., MEDLINE)Protocolos clínicos, directrices y parámetros de práctica (colegios y juntas médicas)Cámara de compensación de directrices nacionalesbiblioteca internacional de medidaInformes de organismos de acreditación

Tabla 1.

Fuente de datos.

8.3 Indicadores de desempeño

El seguimiento del rendimiento es un proceso continuo que implica la recopilación de datos para determinar si un servicio cumple con los estándares u objetivos deseados [ 27 ]. Los indicadores clave de rendimiento (KPI) son medidas de rendimiento bien definidas que se utilizan para observar, analizar, optimizar y transformar un proceso de atención médica para aumentar la satisfacción tanto de los pacientes como de los proveedores de atención médica. Estas métricas son comúnmente utilizadas por los centros de atención para comparar su desempeño con el de otros centros de atención e identificar áreas de mejora [ 24 ]. Las medidas de desempeño se formulan sobre la base de estándares determinados a través de literatura académica basada en evidencia o el consenso de expertos cuando la evidencia no está disponible [ 27 ].

8.4 Tipo de indicadores de desempeño

Según el modelo de Donabedian, los indicadores de desempeño se dividen en tres tipos: estructura, proceso y resultado:

Medida de estructura: evalúa el contexto en el que se brinda atención médica desde dos aspectos: la capacidad de los entornos físicos (edificios, número de personal, costo por unidad y equipos, medicamentos y sistemas usados) y las capacidades de los proveedores de atención (calificaciones del personal, capacitación). y competencias).
Medida del proceso: refleja la forma en que funcionan los sistemas y procesos de salud para lograr el resultado deseado mediante la aplicación de acciones específicas que sean consistentes con los estándares profesionales de atención y las pautas de diagnóstico basadas en evidencia.
Medida de resultado: se refiere a los efectos o resultados de la atención sanitaria, como la reducción de la morbilidad y la mortalidad, la reducción de la duración de la estancia hospitalaria, la reducción de las infecciones adquiridas en el hospital, los incidentes adversos o los daños.

8.5 Medida de equilibrio

La medida de equilibrio es otro tipo de medida que tiene como objetivo observar un sistema desde diferentes direcciones/dimensiones. Cualquier cambio diseñado para mejorar una parte del sistema no debería causar nuevos problemas en otras partes del sistema. Por ejemplo, para reducir el tiempo que los pacientes pasan con un ventilador después de la cirugía, debemos asegurarnos de que las tasas de reintubación no aumenten.

8.6 ¿Qué es un punto de referencia?

Punto de referencia se refiere a un punto de referencia que se utiliza para evaluar el desempeño o la calidad de algo. Es un estándar o un conjunto de criterios con los que algo puede medirse o compararse [ 28 ]. La evaluación comparativa se puede realizar internamente comparando el desempeño de procesos específicos con procesos similares en diferentes áreas de la misma organización. Por ejemplo, comparar las tasas de neumonía asociada a ventilador (NAV) en diferentes unidades de cuidados intensivos médicos (UCI). Se puede hacer también externamente (local, nacional o internacional); dentro de organizaciones de atención médica de tamaño y alcance similar, contra la literatura de práctica médica o mediante la participación en bases de datos nacionales o internacionales. Ya sea una evaluación comparativa interna o externa, el objetivo final es proporcionar a los médicos información valiosa que los oriente en el proceso de toma de decisiones.

8.7 Variación del proceso

La variación se refiere a la falta de uniformidad y diferencia en el desempeño del proceso en comparación con el desempeño aceptable de sus pares. En la práctica clínica, la variación clínica puede generar una mala calidad de la atención, un desperdicio de recursos y un costo excesivo de los servicios [ 29 ].

8.8 Tipos de variaciones del proceso

Hay dos tipos de variaciones de proceso, variación por causa común y variación por causa especial. La Tabla 2 muestra las principales diferencias entre ellos [ 30 ].

Variación de causa común	Variación de causa especial
Provocado por causas naturales u ordinarias.	Causado por causas no ordinarias y antinaturales.
Inherente al sistema o proceso.	No inherente al diseño del proceso.
Previsible	Impredecible
Afecta todos los resultados de un proceso.	Afecta algunos pero no necesariamente todos los aspectos del proceso.
Resultar en un proceso estable	Resultado en un proceso inestable
Desarrollar y probar ideas que podrían resultar en mejoras al proceso y al sistema.	Requerir investigación de las causas subyacentes de las variaciones y tomar acciones correctas para solucionarlas.

Tabla 2.

Tipos de variaciones del proceso.

9. Metodología 5S

9.1 Antecedentes

La metodología 5S se identifica como una de las herramientas de gestión lean más comunes que se utilizan no sólo para mejorar el entorno laboral sino también para mejorar los aspectos funcionales del proceso. El 5S fue desarrollado en Japón y utilizado por Toyota [ 31 ]. La metodología 5S también se llama lean y está compuesta por cinco palabras japonesas Seiri, Seiton, Seiso, Seiketsu y Shitsuke, que significa ordenar, poner en orden, brillar, estandarizar y sostener. La metodología 5S es un conjunto de acciones que deben realizarse sistemáticamente en una secuencia, una tras otra, con la plena participación del personal responsable del proceso y debe repetirse continuamente [ 32 ]. La metodología 5S puede beneficiar a cualquier organización que esté genuinamente comprometida con ser menos derrochadora, más eficiente y interesada en mejorar la seguridad, establecer objetivos y optimizar el flujo de trabajo del proceso [ 33 ]. La Tabla 3 muestra los principios generales de las 5S.

japonés	Inglés	¿De qué se trata?
Seiri	Clasificar	Eliminar elementos y herramientas innecesarios del área de trabajo.
Seiton	Colocar	Disponer los elementos del área de trabajo de forma lógica y eficiente.
Seiso	Brillar	Limpiar el área de trabajo para mantener un ambiente seguro.
Seiketsu	Estandarizar	Estandarizar las mejores prácticas en el ámbito laboral inmediatamente después de implementar las primeras 3S.
Shitsuke	Sostener	Hacer que los procesos ya desarrollados formen parte de la rutina diaria del practicante (autodisciplina).

Tabla 3.

Principios generales de la metodología 5S.

Para facilitar la aplicación de las 5S y evitar el retroceso de las primeras 3S y, en consecuencia, la implementación a largo plazo de toda la metodología, se recomienda dividirla en dos fases, la fase inicial se centra en el logro de las primeras 3S (Ordenar, Establecer , y Shine), y la segunda fase se centra en las últimas 2S (Estandarizar y Mantener) [ 32 ]. En el contexto de la mejora de la calidad de la atención sanitaria, la metodología 5S ha sido reconocida como una de las herramientas de mejora de la calidad y se utilizó para maximizar el valor añadido eliminando todos los factores innecesarios que no generan valor [ 34 ]. El método tuvo un gran impacto en la promoción efectiva de los servicios de salud y aumentó la motivación del personal en los centros de salud donde los recursos son escasos y prevalecen otros factores desmotivadores [ 35 , 36 ]. Por otro lado, la aplicación de las 5S puede mejorar la seguridad del paciente al reducir la tasa de errores, mejorar la eficiencia de los servicios de atención médica, reducir el tiempo de espera y crear un entorno más seguro y organizado para la atención al paciente.

9.2 Alcance del uso de las 5S en la práctica sanitaria

La metodología 5S se puede aplicar ampliamente en la práctica sanitaria. Se puede utilizar, por ejemplo, en las siguientes áreas:

Sistemas de notificación de errores: implementar sistemas sólidos para informar y rastrear errores, cuasi accidentes y eventos adversos puede ayudar a identificar riesgos potenciales y prevenir sucesos futuros.
Reconciliación de medicamentos: desarrollar procesos exhaustivos para conciliar el historial de medicación de un paciente es esencial para evitar eventos adversos relacionados con los medicamentos y garantizar una administración de medicamentos precisa y segura.
Programas de prevención de caídas:La implementación de protocolos para evaluar y minimizar los riesgos de caídas para los pacientes, especialmente aquellos con problemas de movilidad, puede prevenir lesiones y mejorar la seguridad.
Protocolos estandarizados: desarrollar protocolos estandarizados para diversos procedimientos y procesos de atención, como listas de verificación quirúrgica y protocolos de higiene de manos, puede mejorar la coherencia y reducir los errores.
Protocolos de identificación de pacientes.: implementar protocolos estrictos para la identificación de pacientes, especialmente antes de administrar medicamentos o realizar cualquier procedimiento, puede mitigar el riesgo de errores.

9.3 Ejemplo de aplicación de las 5S en la práctica sanitaria

La metodología 5S se puede aplicar en áreas clínicas de la siguiente manera:

Clasificar: esto implica eliminar elementos innecesarios de las áreas clínicas y operativas de los hospitales para eliminar el desorden y mejorar la eficiencia. En entornos de atención médica, esto puede ayudar a garantizar que los artículos esenciales para el cuidado del paciente sean fácilmente accesibles y, al mismo tiempo, reducir el riesgo de errores causados por confusión o desorden; teniendo en cuenta que eliminar los equipos y suministros adicionales innecesarios disminuirá la posibilidad de cometer errores al utilizar los suministros incorrectos.
Poner en orden: en las áreas de atención al paciente, esto puede implicar organizar suministros y equipos médicos de manera estandarizada y consistente, lo que facilita que los proveedores de atención médica encuentren rápidamente lo que necesitan y reducen la posibilidad de error.
Brillar: en salud, estoS es una parte crucial de los programas de control de infecciones. Al mantener un entorno limpio y seguro, se reducirá el riesgo de daño al paciente debido a superficies o equipos contaminados. Si el área clínica se inspecciona cuidadosamente y se retiran del área todos los avisos antiguos, carteles, equipos rotos y máquinas no utilizadas, los peligros y riesgos potenciales se pueden identificar fácilmente [ 37 ]. El brillo se puede ampliar para incluir la limpieza de todo tipo de equipos que se encuentren en uso como computadoras, teclados, monitores, mesas, etc. La limpieza debe realizarse periódicamente con la plena participación de todo el personal del área. El uso de una lista de verificación de limpieza simple puede mejorar la ejecución de esta fase y ayudar al CQI y al departamento de control de infecciones en el proceso de rastreo [ 32 ].
Estandarizar: Después de implementar las tres primeras 3S, el siguiente paso es estandarizar los procesos de atención para garantizar la coherencia y confiabilidad de la atención brindada a los pacientes. Esta S implica la creación de protocolos estandarizados para manejar las tareas clínicas diarias, como el proceso de administración de medicamentos, el traspaso de pacientes, la prevención de caídas de pacientes y otros procesos de cuidados críticos para minimizar cualquier potencial de errores y daños.
Sostener: Esto puede implicar capacitación continua, auditorías periódicas y esfuerzos de mejora continua para garantizar que la seguridad del paciente siga siendo una prioridad absoluta. Para asegurar esta fase, se recomienda vincular esta S con un grupo de medidas clave de desempeño, en las que cualquier tendencia o variación especial se pueda desencadenar rápidamente.

10. El proyecto de las 5S altas

10.1 Antecedentes

Sin lugar a dudas, la seguridad del paciente ha ganado considerable atención y atención global por parte de líderes de salud, investigadores, proveedores de atención médica y organizaciones de desarrollo empresarial y de gestión. Es un principio fundamental de la atención al paciente de alta calidad [ 38 ]. La seguridad de los pacientes se ha incorporado en muchos modelos de prestación de atención sanitaria desarrollados por diversas organizaciones sanitarias; por ejemplo, es un componente clave de los seis dominios de calidad de la atención sanitaria del Instituto de Medicina (IOM), abreviados como STEEEP (Safe, Timely, Effective , Eficiente, Equitativa y Centrada en el Paciente).

Además, es uno de los indicadores y medidas clave utilizados para evaluar la seguridad de las prácticas sanitarias. La seguridad del paciente es definida por la Organización Mundial de la Salud (OMS) como la ausencia de daños evitables a un paciente y la reducción del riesgo de daños innecesarios asociados con la atención médica a un mínimo aceptable [ 39 ]. En el contexto de un sistema de salud más amplio, la seguridad del paciente es un marco de actividades organizadas que crea culturas, procesos, procedimientos, comportamientos, tecnologías y entornos en la atención de salud que reducen de manera consistente y sostenible los riesgos, reducen la ocurrencia de daños evitables, hacen que error menos probable y reducir el impacto del daño cuando ocurre [ 39 ]. La OMS había declarado y adoptado varias iniciativas importantes de seguridad del paciente, para instar y guiar a los estados miembros, particularmente en países de ingresos bajos y medianos con sistemas de salud frágiles, a centrarse y priorizar la seguridad del paciente como uno de los componentes más importantes de la prestación de atención médica a través de publicaciones. , desarrollo de capacidades, educación, campañas, herramientas y conferencias relevantes [ 40 ].

Manos limpias es una atención más segura, la cirugía segura salva vidas (lista de verificación de seguridad quirúrgica), la investigación sobre seguridad del paciente, la resistencia a los antimicrobianos y la guía curricular multiprofesional sobre seguridad del paciente, Global Patient Safety Collaborative (GPSC) y Medication without Harm se encuentran entre los Iniciativas globales de seguridad del paciente de la OMS [ 40 ]. El proyecto 5 s fue otra iniciativa de la OMS sobre seguridad del paciente y será el tema central de esta sección.

10.2 ¿Qué es el proyecto High 5s?

El proyecto High 5s es una de las importantes iniciativas globales de seguridad del paciente que fue lanzada por la Organización Mundial de la Salud (OMS) en 2006. Su objetivo es abordar las principales preocupaciones constantes sobre la seguridad del paciente en todo el mundo, así como facilitar la implementación y evaluación de soluciones estandarizadas de seguridad del paciente dentro de una comunidad de aprendizaje global para lograr reducciones mensurables, significativas y sostenibles en problemas desafiantes de seguridad del paciente [ 41 ].

10.3 Alcance del proyecto 5s

Los cinco componentes principales del proyecto High 5s son:

Desarrollar e implementar protocolos operativos estandarizados (SOP)
Crear una estrategia de evaluación de impacto.
Recopile, informe y analice datos validados.
Desarrollar una comunidad de aprendizaje colaborativo.
Difundir las lecciones aprendidas a nivel mundial.

Hay cinco POE y los instrumentos de evaluación asociados que se desarrollaron entre 2007 y 2009 para abordar los siguientes desafíos: precisión de la medicación en las transiciones de la atención, procedimiento correcto en el lugar correcto del cuerpo, uso de medicamentos inyectables concentrados, comunicación durante los traspasos de atención al paciente y atención médica. -Infecciones asociadas [ 42 ].

10.4 Atributos del proyecto High 5s

Hay dos características únicas del proyecto High 5s que son [ 42 ]:

Estandarizaciónes el proceso de desarrollar, acordar e implementar especificaciones, criterios, métodos, procesos, diseños o prácticas técnicas o uniformes que puedan aumentar la compatibilidad, interoperabilidad, seguridad, repetibilidad y calidad. La estandarización de procesos es la especificación y comunicación de un proceso con un nivel de detalle suficiente para permitir una implementación consistente y verificable por parte de diferentes usuarios en diferentes momentos y en diferentes entornos. La estandarización puede reducir la variación y minimizar la tendencia al fracaso del proceso. También permite el aprendizaje compartido, facilita el trabajo en equipo multidisciplinario y mejora la eficiencia en las interacciones al establecer condiciones óptimas.
Evaluación:El enfoque de evaluación de proyectos High 5s aborda el desafío de la medición del impacto desde diferentes perspectivas, incluida la recopilación de datos cualitativos sobre las experiencias de implementación de SOP, los resultados cuantitativos de la medición del desempeño, el análisis de eventos y la evaluación de la cultura organizacional. Estos métodos se utilizaron para evaluar la viabilidad y el impacto de implementar protocolos estandarizados de seguridad del paciente.

11. Auditoría clínica

11.1 Antecedentes

Auditoría es una palabra latina que significa escuchar [ 43 ]. La auditoría clínica fue definida por el Instituto Nacional de Salud y Excelencia Clínica (NICE) como un proceso de mejora de la calidad que busca mejorar la atención al paciente y los resultados a través de una revisión sistemática según criterios explícitos y la implementación de cambios [ 44 ]. También se define como un proceso que busca identificar dónde se pueden realizar mejoras dentro de los servicios de salud midiéndolos con estándares basados en evidencia [ 45 ].

11.2 Auditoría versus mejora de la calidad

Como mencionamos anteriormente en este capítulo, la mejora de la calidad (QI) es un enfoque sistemático que se utiliza para estudiar procesos completos (clínicos y no clínicos) que formulan sistemas de salud, a diferencia de la auditoría clínica, que tiene una orientación principalmente clínica. Aunque el proceso de auditoría es bastante más largo que algunos enfoques de mejora de la calidad como PDSA y puede llevar meses completarlo, ambas herramientas tienen el mismo objetivo: observar el estado actual de los estándares de atención médica y pensar cómo podrían mejorarse. Por otro lado, el alcance de la auditoría es más amplio que los enfoques de MC, puede realizarse a pequeña escala, por ejemplo, auditando un proceso específico en el hospital, o auditando todo el nivel de atención (Atención Primaria, Atención Domiciliaria, y un grupo de Hospitales (fideicomiso) y/o se puede realizar a nivel nacional (auditorías clínicas nacionales).

11.3 ¿Qué es la auditoría clínica?

La auditoría es una de las medidas clave de mejora de la calidad, así como uno de los principales pilares de la gobernanza clínica, y permite a las organizaciones sanitarias trabajar continuamente para mejorar la calidad de la atención y optimizar la seguridad del paciente mostrándoles dónde se están quedando cortos, permitiéndoles implementar las mejoras requeridas y repetir el ciclo para evaluar la efectividad del cambio implementado [ 46 ]. El objetivo principal de las auditorías clínicas es facilitar el proceso de mejora de la calidad porque será muy beneficioso y conducirá a mejores resultados para los pacientes. Las auditorías clínicas pueden analizar la atención a nivel nacional (auditorías clínicas nacionales) y las auditorías clínicas locales también se pueden llevar a cabo localmente en fideicomisos, hospitales o consultorios de atención primaria dondequiera que se brinde atención médica.

11.4 El ciclo de la auditoría clínica

Hay seis etapas del ciclo de auditoría comúnmente aceptado, y cada etapa se detalla a continuación [ 46 ]:

Elija el tema de auditoría(identificar el problema), por ejemplo, pacientes que esperan demasiado en accidentes y emergencias (A&E).
Definición de estándares/criterios, por ejemplo, las guías recomiendan que el 95% de los pacientes esperen <4 horas.
Recolectar datos, por ejemplo, registra durante una semana cuánto tiempo esperan los pacientes (determinando que el 92% espera <4 h).
Análisis, por ejemplo, 92 % frente al 95 % objetivo, áreas de mejora.
Implementando el cambio, por ejemplo, un plan de acción para ayudar a alcanzar el objetivo.
Reauditoría, por ejemplo, vuelva a realizar los pasos 1 a 5 hasta alcanzar el objetivo y luego establezca las medidas necesarias para sostener el cambio logrado.

11.5 Auditoría versus investigación

La auditoría clínica y la investigación pueden superponerse entre sí en la práctica clínica y es muy importante reconocer las diferencias entre ellas. La Tabla 4 explora las diferencias clave entre estas dos herramientas:

Auditoría clínica	Investigación
Es un ciclo continuo de mejora.	Es un estudio sistemático.
Apunta a: Mide la efectividad de la atención médica en comparación con estándares de atención acordados y probados para una alta calidad.Tomar las acciones correctivas para alinear la práctica con estos estándares.Implementar, monitorear y sostener los cambios cuando esté indicado.	Apunta a: Responder y analizar diversas cuestiones y acontecimientos en el campo de las ciencias.Desarrollar hipótesis y probar su validez.Mejorar la calidad de la atención generando conocimientos sobre lo que constituye la mejor práctica para informar las directrices.
Cuéntanos dónde lo estamos haciendo.	Descubre lo que debes hacer

Tabla 4.

Diferencias clave entre auditoría clínica e investigación.

11.6 Barreras y factores facilitadores para una auditoría eficaz

Hay muchos factores que pueden influir en la realización de una buena auditoría, entre ellos la falta de experiencia, datos inadecuados debido a la falta de documentación o mantenimiento de registros, la auditoría se realiza de forma subjetiva y no se basa en estándares probados, la falta de apoyo de liderazgo y la escasez de recursos. debido a presupuestos limitados. La calidad de la retroalimentación también puede limitar los beneficios del cambio que se generaría a partir de la auditoría. Por el contrario, realizar una auditoría eficaz requiere capacitación, asignar tiempo al personal y tener una fuente confiable de datos como registros médicos electrónicos, un sistema de tecnología de la información que cierre la brecha entre los datos recopilados de rutina y la auditoría, así como la independencia del auditor clínico.

12. Calidad de pensamiento

Una de las definiciones de calidad es hacer bien lo correcto. Sin embargo, lo correcto no está determinado por la calidad per se, sino que en un nivel superior, como la planificación estratégica, podemos hacer nuestras tareas correctamente y sin fallas o daños. Los servicios de atención médica pueden ir más allá de ser simplemente una atención segura y ser oportunos, efectivos, eficientes, equitativos y centrados en el paciente.

Por lo tanto, la seguridad es la prioridad número uno ya que el paciente no debe añadir más problemas de salud negativos de los que ya tiene. Además, necesitan ser tratados por lo que vinieron a buscar con prontitud, con un resultado efectivo, de manera eficiente, con los mismos derechos que los demás y de manera amable. Esto se podría resumir también en tres palabras ideadas por el IHI (Institute of Healthcare Improvement): sé amable conmigo, trátame y no me hagas daño Figura 1 . Para lograr esto hay cuatro factores en juego que afectan estas dimensiones y provocan una menor calidad de la atención.

Los tres principios de atención del IHI.

Hay cuatro factores del pensamiento sistémico Paciente, Proveedor, Entorno y Tarea, y como estamos usando un acrónimo, podríamos llamarlo PPET para abreviar, Figura 2 .

Figura 2. Cuatro componentes del pensamiento de calidad. — Figura 2.Cuatro componentes del pensamiento de calidad.

Se ha trabajado mucho en el factor ambiental (a veces llamado sistema o instalación y aquí incluye todo el entorno, desde equipos, dispositivos, luces, pisos, políticas y procedimientos, vías y protocolos), ya que se cree que fallará al proveedor. de hacer bien su tarea, y esto es cierto, pero resultó insuficiente ya que los índices de error van en aumento.

El factor paciente podría estar fuera del alcance de este capítulo, ya que necesita un capítulo completo sobre cómo comunicarse bien con los pacientes y obtener la información completa que permita a los proveedores lograr y alcanzar un diagnóstico adecuado, por ejemplo.

El factor de tarea también es otro factor importante donde diferentes tareas requieren demandas diferentes y mayores de conciencia y atención plena, como en el caso de las tareas basadas en reglas y conocimientos en comparación con las tareas basadas en habilidades o rutinas. Sin embargo, el factor más importante al que se le ha prestado poca atención es el factor proveedor. Los proveedores podrían involuntariamente no realizar sus tareas de manera adecuada, lo que provocaría fallas en el sistema y resultados indeseables para los pacientes. Aquí queremos hablar de la calidad del pensamiento del proveedor para alcanzar la dimensión de Calidad STEEEP (Segura, Oportuna, Efectiva, Eficiente, Equitativa y Centrada en el Paciente).

Se estaría de acuerdo en que diferentes proveedores pueden realizar la misma tarea de manera diferente e incluso el mismo proveedor puede realizarla con variaciones. Ciertos proveedores pueden realizar incorrectamente la misma tarea, pero otros no. De manera similar, algunos proveedores cometerán errores con los pacientes e incluso no seguirán la política y el procedimiento del sistema.

La calidad del trabajo o el desempeño está vinculada y afectada por los estilos de pensamiento, los rasgos de personalidad, la inteligencia emocional (IE) del proveedor y muchos otros factores intangibles como la psicopatía subclínica cuando se trata de comportamientos contraproducentes en el lugar de trabajo que comprometerían la seguridad del paciente. Por lo tanto, tal vez necesitemos idear una nueva terminología, como factores humanos internos y externos, para que sea más específica, de modo que los factores externos cubran todo lo que está fuera del proveedor (p. ej., sistema, entorno, políticas y procedimientos, pacientes, tareas, protocolos, clínica). vías, etc.) y factores internos que son intrínsecos o la estructura y composición del cerebro de los individuos que procesan internamente todo lo externo y producen cierto comportamiento en consecuencia.

Las organizaciones deberían comenzar a tomar en serio este aspecto para comprender las variaciones entre los proveedores de atención médica e incluso dentro de los mismos proveedores de servicios para comprender por qué se comportan de ciertas maneras que podrían exponerlos a más errores de seguridad del paciente e incluso comportamientos laborales contraproducentes. Por ejemplo, se encontró que el estilo de pensamiento en términos de estilo experiencial (ES, más asociado con efecto y respuesta rápida) y estilo racional (RS, más consciente y analítico) difería entre enfermeras y médicos. Las enfermeras dependieron significativamente más de la ES en comparación con los médicos y un aspecto positivo de esto es que las puntuaciones individuales más altas en la ES reportarían errores en comparación con las ES más bajas. Sin embargo, se demostró que las puntuaciones más altas en RS estaban relacionadas con tasas de error más bajas, pero es mejor si el individuo tuviera puntuaciones más altas tanto en RS como en ES para tener un efecto positivo real en la reducción de los errores clínicos [ 47 ].

Otro factor intrínseco que afecta la calidad del trabajo es la IE, que tiene muchas dimensiones. Por ejemplo, el pensamiento creativo se relacionó con el factor Sociabilidad de la IE, cuanto mayor es la puntuación más creativa es la persona. Además, estos factores también afectaron la tasa de error en la persona [ 48 ]. Otra dimensión de la IE que tiene un impacto positivo en la calidad de la atención es el autocontrol, donde las puntuaciones más altas tuvieron una calidad de atención significativamente más segura [ 49 ].

En el lado negativo, puntuaciones más bajas en IE se asocian con autolesiones y trastornos de la personalidad que podrían ser perjudiciales para la seguridad del paciente [ 49 ].

Se demostró que los rasgos de personalidad predicen qué individuo podría tener un mayor riesgo de cometer errores, tener cualidades negativas en el lugar de trabajo como el acoso e incluso cómo atenderían las necesidades de los pacientes. Puntuaciones más altas en el rasgo de personalidad de Escrupulosidad reducirían el riesgo de errores clínicos y en el personal de farmacia esto tuvo un efecto positivo en cómo el personal de farmacia recomendaría tratamientos que tienen menos probabilidades de causar dolor o interferir con las actividades diarias del paciente, mejorando así una atención más segura y mejor calidad de la experiencia del paciente [ 50 ].

El rasgo de personalidad amabilidad también tuvo un impacto positivo en la calidad de la atención si el individuo obtuvo puntuaciones más altas; sin embargo, tiene un efecto perjudicial en la calidad de la atención desde el punto de vista de la tasa de error y la comunicación entre proveedor y paciente si la puntuación es baja y También hace que el individuo corra un riesgo significativamente mayor de sufrir acoso y violencia. En general, se encontró que los individuos con puntuaciones altas de amabilidad eran amigables, cooperativos y solidarios, mientras que los individuos con puntuaciones bajas tendían a ser egoístas y menos afectuosos. Además, las puntuaciones altas en neuroticismo se asociaron con violencia, más ansiedad, mayor riesgo de agotamiento y errores [ 49 ].

Una de las explicaciones por las que ciertos rasgos de personalidad y los individuos con IE corren mayor riesgo de recibir una atención de menor calidad desde un punto de vista de error, el acoso, la violencia, la menor cooperación y la menor capacidad de atención podrían deberse a que tienden a estar más ansiosos que otros. [ 51 ]. La atención sanitaria es un entorno estresante con largas horas de trabajo, menos tiempo para comidas adecuadas, agotamiento, falta de sueño y exigencias estresantes para la resolución de problemas y las necesidades de los pacientes. Si estas personas tuvieran más ansiedad como base normal, sentirían el estrés del trabajo incluso mucho más que otros. Se demostró que un estrés como este está asociado con un efecto negativo en el hipocampo y la amígdala que afecta su volumen, lo que a su vez afecta la memoria, el aprendizaje y el acceso a la información, serían mucho más emocionales y quedarían atrapados en un círculo vicioso que los llevaría a cometer errores. y comportamientos negativos en el lugar de trabajo [ 52 , 53 , 54 ].

En conclusión, la calidad del trabajo depende de factores externos e internos que rodean al proveedor, lo que lo pone en mayor riesgo de cometer errores y otros comportamientos negativos. Las organizaciones de atención médica deben tener un enfoque holístico de la calidad de la atención si quieren reducir el daño a los pacientes, al personal y a la organización.

13. Educación y formación

13.1 Antecedentes

La formación es importante en la atención sanitaria y social, para garantizar la seguridad de todos los implicados en la prestación de atención y de quienes la reciben y para mantener los más altos niveles de calidad de la atención [ 55 ]. Los programas de formación para la mejora de la calidad se definieron como cualquier actividad que tuviera como objetivo explícito enseñar a los profesionales métodos que podrían utilizarse para analizar y mejorar la calidad de la atención sanitaria. En los últimos años, estos programas han crecido rápidamente para incluir educación continua como talleres, cursos en línea, colaboraciones y capacitación ad hoc creada para respaldar la ejecución de proyectos de mejora específicos. Este crecimiento en los programas de capacitación de calidad ha ayudado a los participantes a mejorar sus conocimientos, habilidades y actitudes y a utilizar lo que han aprendido en su práctica clínica [ 56 ]. La educación y la capacitación pueden derribar barreras para brindar una atención segura, creando un ambiente donde todo el personal aprende de los errores, los pacientes están en el centro de la atención, son tratados con apertura y honestidad, y donde el personal está capacitado para centrarse en las necesidades de los pacientes [ 57 ]. Los programas de capacitación de calidad también pueden ayudar a los profesionales a cumplir con los estándares, políticas y pautas de práctica locales y nacionales requeridos y, en última instancia, a unificar los protocolos de atención.

13.2 ¿Cómo desarrollar un programa de formación eficaz?

El desarrollo de programas de capacitación efectivos sobre requisitos de calidad y seguridad del paciente puede comenzar con la evaluación de las necesidades de capacitación existentes (brechas: capacitación actual y aquellas requeridas para alcanzar el objetivo) y esto se puede hacer recopilando datos de diversas fuentes en el hospital y luego desarrollando la capacitación. programas basados en los resultados de los análisis de deficiencias. La fuente de datos incluye, entre otros:

Informes de indicadores clave de rendimiento (KPI)
Sistema de notificación de incidentes
Recomendaciones del Análisis de Causa Raíz (RCA)
Hallazgos del organismo de acreditación
Recomendación de proyectos de mejora de la calidad.
Informes de seguimiento y auditoría.
Rondas de seguridad del paciente
Recomendaciones del análisis modal de fallos y efectos (FMEA)

La Tabla 5 muestra algunos ejemplos de estos programas de formación y sus beneficios para el profesional sanitario.

#	Educación	Beneficio
1	Proceso de gestión de datos	Permite al formador comprender todo el proceso de gestión de datos, incluida la recopilación, la validación y el análisis, así como realizar un seguimiento del rendimiento del proceso a lo largo del tiempo y detectar cualquier desviación.
2	Metodologías de auditoría y seguimiento	Ayuda al formador a controlar el cumplimiento de los médicos con los estándares, directrices y políticas requeridos.
3	Enfoques de mejora del rendimiento	Ayuda al formador a liderar el proceso de mejora mediante la utilización de las herramientas adecuadas de mejora de la calidad.
4	Enfoques de gestión de riesgos	Ya sea que se trate de un enfoque proactivo como el Análisis modal de fallas y efectos (FMEA) o reactivo como el Análisis de causa raíz (RCA), el capacitador será capaz de pronosticar cualquier falla potencial que pueda ocurrir y cualquier falla real que ya haya ocurrido y establecer la reducción de riesgo adecuada. soluciones
5	Requisitos de estándares de atención	Proporciona al formador conocimientos y habilidades sobre los estándares de atención al paciente requeridos y cómo cumplirlos a través de políticas, procedimientos y pautas de práctica clínica.

Tabla 5.

Programas de formación de calidad.

13.3 Evaluación del proceso de formación y educación

La evaluación de la capacitación es un componente esencial de las iniciativas de creación de capacidad. Ayuda a evaluar la eficacia del programa de formación, identifica áreas de mejora y garantiza que la formación satisfaga las necesidades de los participantes y que los recursos invertidos en la formación se utilicen de forma eficaz [ 57 ].

La evaluación se puede realizar mediante uno de los métodos de evaluación, como evaluaciones previas y posteriores a la capacitación, los cuatro niveles de evaluación de Kirkpatrick, el modelo CIPP (contexto, insumo, proceso, producto), observación, encuestas y cuestionarios, o cualquier otro método alternativo. que esté aprobado por el departamento de formación educativa de la organización [ 58 ].

14. Proceso de acreditación

14.1 Antecedentes

La acreditación consiste en convertir el ruido del complejo sistema de salud en ritmos musicales. Según la Sociedad Internacional para la Calidad de la Atención Médica, la acreditación es un proceso “en el que revisores externos capacitados evalúan el cumplimiento de una organización de atención médica con estándares de desempeño preestablecidos [ 59 ]. En otras palabras, es un sello de aprobación que muestra hasta qué punto las organizaciones sanitarias están comprometidas con brindar una atención segura al paciente. Estar acreditado significa que la organización ha cumplido con los más altos y excelentes estándares de atención. La Joint Commission International (JCI) define un estándar como una declaración que define las expectativas de desempeño, estructuras o procesos que deben implementarse para que una organización brinde atención, tratamiento y servicios al paciente seguros y de alta calidad [ 20 ]. Los estándares también se describen como el nivel mínimo aceptado de práctica y calidad. También se desarrollan en consonancia con los requisitos reglamentarios, lo que garantiza que los centros de atención médica cumplan con las leyes y regulaciones relacionadas con la seguridad del paciente. Los ejemplos incluyen que los centros de atención médica deben informar cualquier incidente relacionado con equipos médicos a la Autoridad Nacional de Alimentos y Medicamentos, y los proveedores de atención médica no pueden ejercer sus profesiones a menos que las entidades reguladoras nacionales pertinentes los autoricen. Un sistema de gestión de la calidad (QMS), por otro lado, es un mecanismo para garantizar que los procedimientos se lleven a cabo de acuerdo con los estándares acordados y con la plena participación de todos los miembros del personal [ 59 ].

14.2 Acreditación versus regulaciones

Estos dos conceptos no son idénticos. La acreditación, como se mencionó anteriormente, es un sello de aprobación que muestra en qué medida las organizaciones de atención médica están comprometidas con brindar atención segura al paciente y la otorga un organismo de acreditación independiente que la organización ha cumplido con los estándares y requisitos aplicables, mientras que las regulaciones son un grupo de reglas que estrictamente Se siguen y hacen cumplir las autoridades y reguladores nacionales, como los Ministerios de Salud, los consejos médicos y de enfermería, las autoridades de medicamentos y alimentos, etc.

14.3 ¿Cuáles son los beneficios de la acreditación?

A pesar de que el proceso de acreditación enfatiza cómo las organizaciones de atención médica cumplen con los estándares aplicables, el objetivo final es cómo mejorar continuamente el sistema y los procesos de atención médica. La acreditación puede ayudar a las organizaciones de salud a:

Desarrollar el sistema de gestión de calidad (QMS) con las políticas, protocolos, procedimientos y listas de verificación requeridos.
Ayudar a construir una base de datos de medición de calidad.
Proporcionar una comparación efectiva consigo mismo y con los demás, así como con las mejores prácticas.
Ayudar a la organización a desarrollar y difundir una cultura de mejora continua para todo el personal.
Garantizar un entorno de atención seguro reduciendo los riesgos potenciales que podrían poner en peligro tanto a quienes reciben la atención como a los cuidadores.
Establecer una cultura organizacional de apertura y transparencia, hablar y aprender de experiencias pasadas que faciliten iniciativas de mejora y sostengan el cambio.
Ayudar a reducir las variaciones en la práctica clínica que podrían poner en gran riesgo la seguridad del paciente.
Mejorar los resultados de los servicios de salud.
Proporcionar un marco integral para que las organizaciones de atención médica mejoren la seguridad del paciente mediante la incorporación de las mejores prácticas basadas en evidencia.

14.4 Ciclo de acreditación

El ciclo de preparación de la acreditación consta de cinco fases: la primera fase es la planificación, que consiste en realizar un análisis de deficiencias de la situación actual para ver cuáles son los documentos requeridos (lo que ya tenemos y lo que deberíamos tener). Después de identificar las brechas, el siguiente paso es reunir varios equipos para preparar la documentación requerida. Luego, la siguiente fase es educar y capacitar al personal sobre los documentos requeridos. Después de eso, controle el cumplimiento por parte del personal de los documentos requeridos mediante la realización de auditorías periódicas no planificadas. Este ciclo debe repetirse hasta alcanzar el nivel óptimo de rendimiento. Una vez alcanzado el nivel óptimo de rendimiento, la fase final es mantener este nivel de práctica. El apoyo continuo del liderazgo, el sistema de gestión de calidad equipado en el lugar, la vigilancia del personal y el compromiso son los impulsores clave para sostener el cambio logrado.

14.5 Estándares de atención al paciente

Los estándares de atención al paciente son aquellos relacionados con la atención directa paciente-familia. Estos estándares pueden variar de un acreditador a otro. A continuación se muestran algunos ejemplos de ellos:

Atención al paciente (acceso, evaluación, transición y continuidad de la atención)
Seguridad del paciente
Manejo de medicamentos
Control y prevención de infecciones.
Anestesia y quirurgica

Todos los estándares, incluidos los estándares de atención, se desarrollan con aportes e información de diversas fuentes que incluyen [ 60 ]:

Organizaciones de atención médica
Expertos en la materia
Literatura científica y directrices de la industria.
Paneles de asesoramiento técnico
Otras partes interesadas clave

15. Paquetes de cuidados

15.1 Antecedentes

El concepto de paquetes de atención fue desarrollado en 2001 por el Institute for Healthcare Improvement (IHI). Un paquete se define como un conjunto de prácticas basadas en evidencia (generalmente de tres a cinco) que, cuando se realizan de manera colectiva y confiable, han demostrado mejorar los resultados de los pacientes [ 61 , 62 ]. El paquete de atención es un proceso continuo que se repite diariamente hasta que el paciente ya no necesita un dispositivo invasivo o su estado ha mejorado. Todos los elementos del paquete deben ser realizados en una secuencia de pasos por un equipo de atención médica dentro del mismo período de tiempo para garantizar que se produzca una mejoría clínica. La adopción de «paquetes de atención» puede verse como un cambio fundamental en el pensamiento, desde la aceptación de algunos resultados adversos como resultado inevitable de la atención brindada al concepto de reducción significativa o incluso eliminación de dichos resultados adversos [ 62 ]. La teoría de los paquetes de atención está muy cerca del ciclo del Ciclo de Cambio de Deming: Planificar, Hacer, Verificar, Actuar (PDCA), donde hay una práctica repetida, así como un seguimiento cuidadoso del cumplimiento del personal con el paquete de atención y también del resultado del paciente para evaluar. la efectividad. Por lo tanto, los Care Bundles se introducen con frecuencia en las prácticas clínicas como componentes de iniciativas de mejora de la calidad [ 62 ].

15.2 Tipos de paquetes

Los paquetes de cuidados se utilizan ampliamente en la práctica clínica para controlar y prevenir determinadas afecciones de salud. La Tabla 6 muestra los tipos de paquetes más comunes y las áreas donde se pueden aplicar:

#	Paquete de cuidados	¿Dónde se aplican?
1	Listas de verificación de seguridad quirúrgica de la OMS	quirófanos
2	Neumonía asociada al ventilador (NAV)	Unidades de cuidados intensivos (UCI)
3	Infección del tracto urinario asociada al catéter (CAU-TI)	UCI
4	Una infección del torrente sanguíneo por vía central (CLABSI)	UCI
5	Catéter vascular periférico (PVC)	Toda el área clínica.
6	Paquete de atención con antibióticos (paquete ACB)	UCI
7	Paquete de atención para la prevención de úlceras por presión:	Todas las áreas de atención donde un paciente corre riesgo de sufrir úlceras por presión.
8	Paquete de prevención de infecciones del sitio quirúrgico	UCI, departamentos de cirugía, salas de aislamiento, etc.
9	Paquete de atención de sepsis	UCI, salas de aislamiento y todas las demás áreas donde los pacientes son vulnerables a la sepsis.

Tabla 6.

Tipos de paquetes de atención.

15.3 Impacto del uso de paquetes de atención en la práctica clínica

Los paquetes de atención son una de las iniciativas de mejora de la calidad que mejoran la confiabilidad del proceso de atención, lo que resultó en una mejora de los resultados clínicos. Tienen un gran aporte para estandarizar los procesos de atención al paciente y unificar la práctica clínica. En el campo del control de la prevención de infecciones, los paquetes participaron en la reducción de los resultados negativos que acompañan al proceso de gestión médica, como las infecciones adquiridas en hospitales (HAI). Antibiotic Care Bundle (ACB), por ejemplo, desempeña un papel importante en la implementación del programa de administración de antibióticos que no sólo mejora el uso adecuado de los antibióticos y optimiza el curso de la terapia, sino que también va más allá de ralentizar la resistencia de las bacterias y disminuir la duración. de estancia de los pacientes y, en definitiva, reduciendo los gastos de atención sanitaria. Además, cada elemento del paquete se puede rastrear para evaluar la efectividad de la atención brindada, por lo que proporciona medidas confiables que se pueden utilizar para ver las áreas que requieren mejora.

15.4 Puntos clave para implementar paquetes de atención exitosos

Para mejorar la eficacia, los paquetes de atención se pueden implementar en varias fases: desarrollo o adopción, prueba piloto, capacitación, educación, auditoría y retroalimentación.
Los datos recopilados se utilizan para evaluar el cumplimiento del personal o para ver cómo los paquetes son efectivos y se debe acceder a ellos, tener una medida de recopilación confiable, validarse y analizarse a su debido tiempo para guiar el proceso de toma de decisiones.
La medición debe ser precisa, consistente y continua para reflejar auténticamente la práctica hospitalaria y la retroalimentación debe entregarse con frecuencia (semanal o mensualmente si es posible) para fomentar la mejora y la sostenibilidad [ 61 ].
Para implementar el paquete con éxito, cada elemento del paquete debe implementarse colectivamente con total coherencia para lograr los resultados más favorables (enfoque de «todo o ninguno») [ 61 ].
Los elementos del paquete de atención deben ser concisos, simples y prescriptivos y no estáticos ni complejos y obstaculizar una adopción e implementación exitosa [ 63 ].
Todos los elementos del paquete deben ser realizados en secuencia por un solo equipo de atención médica y dentro del mismo período de tiempo.
La educación, las auditorías de recordatorios y la retroalimentación son los componentes clave para la implementación de paquetes de atención [ 64 ].
Un diagrama de flujo es una de las herramientas de calidad útiles que se pueden utilizar para diseñar paquetes de atención [ 65 ].
El apoyo del liderazgo y el compromiso del personal son los principales impulsores del éxito de cualquier paquete de atención.

16. Conclusión

Las variaciones en la atención médica son amplias y pueden incluir una variedad de diferentes opciones de tratamiento, procedimientos de diagnóstico y dosis de medicamentos que podrían poner en peligro la seguridad del paciente. La estandarización puede reducir la variación y minimizar la tendencia al fracaso del proceso. También puede permitir el aprendizaje compartido, facilitar el trabajo en equipo multidisciplinario y mejorar la eficiencia en las interacciones al establecer condiciones óptimas. Por lo tanto, es necesario estandarizar los procesos de atención médica, reduciendo las variaciones en la práctica y minimizando el potencial de riesgo o daño; esto se puede lograr mediante capacitación continua, auditorías periódicas y esfuerzos de mejora continua, utilizando paquetes de atención, implementando estándares de atención y siguiendo directrices, políticas y procedimientos de práctica. Y, finalmente, tener una cultura de calidad dedicada para implementar estas iniciativas y lograr y mantener la mejora deseada para los procesos y el sistema es la base de este viaje.

Innovación de programas sociosanitarios en el Medicaid.

Se preguntarán con toda razón porque incluyo este posteo en el blog, porque es conceptual en varios aspectos, uno «la comida es medicina» que este programa aborda, https://saludbydiaz.com/2024/04/25/la-comida-es-medicina-para-la-seguridad-nutricional-y-la-equidad-en-la-salud-cardiometabolica/, lo segundo es la importancia de los determinantes sociales, y la diabetes, tercero la mirada integral desde la salud al problema de las enfermedades crónicas en los postergados, cuarto el benchmarking que se puede hacer desde el estado Argentino y las provincias en un país Federal como el nuestro, y la migración de los más postergados a las grandes urbes, generando el hacinamiento, la crisis de vivienda, el incremento de los problemas sociales. Quinto nominalizar a los postergados es fundamental en un país que pretende un desarrollo con Libertad. Como dice Amartya Sen, no hay libertad plena sin acceso a la salud.

Medicaid es un programa conjunto federal y estatal que proporciona cobertura de salud gratuita o de bajo costo a millones de estadounidenses, incluyendo algunas personas de bajos ingresos, familias y niños, mujeres embarazadas, personas mayores y personas con discapacidades. El gobierno federal proporciona una porción de la financiación para Medicaid y establece pautas para el programa. Los programas de Medicaid varían de un estado a otro.

En la actualidad 75 millones de estadounidenses califican y tienen Medicaid. 25% de la población. Uno de cada cinco habitantes en EE.UU tiene medicaid.

Medicaid Innovation Collaborative (MIC) anuncia programas piloto para mejorar los resultados de salud de los beneficiarios de Medicaid

Veenu Aulakh

24 de enero de 2024

Los programas piloto de MIC abordarán las necesidades sociales relacionadas con la salud de los beneficiarios de Medicaid con diabetes que requieren insulina a través de fondos de The Leona M. and Harry B. Helmsley Charitable Trust y Acumen America, socios financieros.

NUEVA YORK, 16 de enero de 2024 – Hoy, The Medicaid Innovation Collaborative (MIC), un programa de Acumen America, anunció programas piloto en Iowa, Kentucky y Nueva York para abordar las necesidades críticas de los beneficiarios de Medicaid que viven con una afección crónica como la diabetes que requiere insulina (IRD) a través de fondos de Helmsley Charitable Trust y Acumen America. El MIC seleccionó soluciones tecnológicas en cada estado que buscan mejorar la capacidad de millones de personas que viven con IRD en Medicaid para controlar su salud al enfocarse en problemas como la inseguridad alimentaria, la inestabilidad de la vivienda y la inseguridad financiera. Como se detalla en este informe reciente de CHCS, las soluciones tecnológicas son una herramienta clave para abordar las necesidades sociales relacionadas con la salud (HRSN, por sus siglas en inglés) de los beneficiarios de Medicaid.

Los HRSN son altos entre los beneficiarios de Medicaid y se magnifican para los millones de personas que viven con una afección crónica como IRD, lo que afecta su capacidad para controlar la afección. Según el Centro de Estrategias de Atención Médica, la diabetes afecta de manera desproporcionada a los beneficiarios de Medicaid en comparación con el público en general, y los beneficiarios de Medicaid experimentan tasas más altas de control deficiente de la diabetes, peores resultados glucémicos, más barreras para la atención y más complicaciones relacionadas con la afección.

«Es difícil priorizar el control de la diabetes si no sabes dónde vas a dormir o cuándo vas a comer tu próxima comida», dijo Laurel Koester, MPH, Oficial de Programas de Helmsley Charitable Trust. «Esta asociación con MIC ofrece una oportunidad para ayudar a desarrollar soluciones que tienen el potencial de crear más ancho de banda para que las personas con IRD se concentren en controlar su diabetes y mejorar los resultados de salud.

El programa piloto es parte de la segunda cohorte de MIC enfocada en HRSN. La cohorte se lanzó en 2023 y permite a los programas estatales de Medicaid, los planes de atención administrada y otras partes interesadas clave identificar e implementar soluciones tecnológicas para abordar el HRSN de los beneficiarios de Medicaid en Iowa, Kentucky y Nueva York.

«Estos pilotos nos permiten demostrar un impacto significativo mediante el desarrollo de asociaciones únicas entre soluciones tecnológicas empresariales y planes de atención administrada, con el apoyo de Medicaid estatal, que no habrían ocurrido anteriormente», dijo Veenu Aulakh, director ejecutivo del MIC. «Estas asociaciones prometen ayudar a reducir las muchas desigualdades en la salud que enfrentan los beneficiarios de Medicaid en los Estados Unidos».

Los participantes elegidos para el programa en cada estado incluyen:

Kentucky

Passport de Molina Healthcare y FarmboxRx (financiado por Helmsley Charitable Trust)
- El programa piloto atenderá a 200 miembros de Passport by Molina Healthcare Medicaid con diabetes en Louisville. FarmboxRx utilizará su plataforma de participación de los miembros para inscribir a los miembros de Passport para las entregas mensuales de cajas de alimentos, lo que aumentará el acceso a alimentos saludables y educación nutricional. También organizarán sesiones educativas en vivo en la Cocina Comunitaria del Banco de Alimentos Dare to Care, mejorando la capacidad de los beneficiarios para aprovechar al máximo las cajas de alimentos, con cuidado infantil proporcionado por Play Cousins Collective.
Samaritan (financiado por el Helmsley Charitable Trust)
- Aetna Better Health y Humana Healthy Horizons tienen la intención de asociarse con el capítulo de Kentucky de la organización sin fines de lucro en un programa que empodera a los beneficiarios de Medicaid con inseguridad de vivienda en Louisville para que alcancen sus metas en la vida. Los proveedores locales desplegarán el recurso para ayudar a los residentes a obtener el apoyo financiero y social necesario para mejorar el acceso a la atención, los servicios públicos críticos y la vivienda.
Attane Health y Anthem Blue Cross Blue Shield Kentucky Medicaid (financiado por socios de Acumen America)
- El programa piloto implementará una intervención de Food is Medicine que atenderá a 100 miembros de Anthem Medicaid con diabetes en el condado de Jefferson. Los participantes tendrán acceso a alimentos ricos en nutrientes, productos frescos adaptados a sus necesidades dietéticas y asesoramiento nutricional.

Nueva York

PPS de Staten Island,Ready Computing,Samaritan y Healthfirst (financiado por socios de Acumen America)
- El programa piloto lanzará un programa de alcance comunitario para los miembros desatendidos de Medicaid de Healthfirst en Staten Island. Los navegadores de la comunidad utilizarán la plataforma Ready Computing Channels360 para seleccionar, evaluar y remitir a los miembros a organizaciones comunitarias para abordar sus necesidades sociales. Un subconjunto de miembros sin hogar se inscribirá en el programa de Membresía Samaritana para proporcionar incentivos financieros y apoyo para satisfacer sus necesidades de supervivencia.

Iowa

Kaizen Health,Wellpoint,Iowa Total Care y Molina Healthcare of Iowa (financiado por Helmsley Charitable Trust)
- Kaizen se está asociando con las tres organizaciones de atención administrada de Medicaid en Iowa, Amerigroup, Iowa Total Care y Molina Healthcare, para atender a los miembros del plan de salud en los condados de Blackhawk y Des Moines con diabetes que requiere insulina. Kaizen garantizará que los miembros tengan acceso a servicios de transporte médico que no sean de emergencia para ayudarlos a acceder a sus citas y servicios médicos para abordar necesidades sociales críticas.

Acerca de Medicaid Innovation Collaborative (MIC) y Acumen America

Medicaid Innovation Collaborative (MIC) es un programa de Acumen America, una organización sin fines de lucro lanzada en 2015 para catalizar las innovaciones que abordan la pobreza en los EE. UU. a través de inversiones de alto impacto e iniciativas de cambio de sistemas en los ámbitos de la salud, el trabajo y la riqueza. El MIC ayuda al ecosistema de Medicaid a identificar e implementar innovaciones del sector privado que brinden a los beneficiarios la oportunidad de alcanzar su máximo potencial de salud y bienestar. El programa tiene como objetivo acelerar las innovaciones que promueven la equidad en la salud, conectando soluciones tecnológicas para abordar las disparidades profundamente arraigadas en Medicaid. Para obtener más información sobre The Medicaid Innovation Collaborative, visite medicaidcollaborative.org

Acerca de The Leona M. and Harry B. Helmsley Charitable Trust

El Leona M. and Harry B. Helmsley Charitable Trust aspira a mejorar vidas mediante el apoyo a esfuerzos excepcionales en los EE. UU. y en todo el mundo en salud e iniciativas selectas basadas en el lugar. Desde que comenzó a otorgar subvenciones activas en 2008, Helmsley ha comprometido más de $4 mil millones para una amplia gama de fines benéficos. El Programa de Diabetes Tipo 1 (DT1) de Helmsley es la fundación privada más grande del mundo con un enfoque en la diabetes Tipo 1, con más de $ 1 mil millones hasta la fecha comprometidos para transformar la trayectoria de la enfermedad y acelerar el acceso a la atención del siglo XXI, en todas partes. Para obtener más información sobre Helmsley y sus programas, visite helmsleytrust.org .

Los pacientes le creen a los médicos. Abundan las afirmaciones falsas sobre la salud, pero los médicos siguen siendo la fuente más confiable de información sobre salud

Melissa Suran, PhD, MSJ¹; Karen Bucher, MA, CMI²

JAMA. 26 de abril de 2024. doi:10.1001/jama.2024.6837

La pandemia de COVID-19 puso de relieve un problema creciente: la omnipresencia de afirmaciones falsas sobre la salud. Para comprender mejor cómo las personas en los EE. UU. ven las imprecisiones de salud y aprenden sobre ellas a través del uso de los medios de comunicación, KFF (anteriormente Kaiser Family Foundation), una organización sin fines de lucro centrada en políticas de salud, rastreó la exposición y las creencias sobre ciertas afirmaciones. Para su Encuesta Piloto de Seguimiento de Desinformación sobre la Salud, realizada el año pasado, los investigadores de opinión pública de KFF preguntaron a una muestra representativa a nivel nacional de adultos negros, hispanos y blancos de 2007 sobre información inexacta relacionada con el COVID-19, la violencia armada y la salud reproductiva. El equipo de la encuesta también preguntó dónde las personas obtienen sus noticias y en qué fuentes de información de salud confían.

La encuesta mostró que la confianza en los profesionales de la salud cruzó las líneas partidistas: el 95% de los demócratas y republicanos informaron que confiaban en sus médicos personales para que les proporcionaran las recomendaciones correctas sobre temas de salud. «Los médicos están particularmente bien posicionados para ser los mensajeros cuando se trata de recomendaciones de salud en las que la gente realmente confía», dijo Lunna Lopes, MSc, autora principal del informe y analista senior de encuestas en KFF, a JAMA Medical News en una entrevista.

La mayoría de las personas confían bastante en que el gobierno les proporcione información precisa sobre temas de salud, pero la confianza varía según las líneas de los partidos políticos. Por ejemplo, el 87% de los demócratas informaron que confían en los Centros para el Control y la Prevención de Enfermedades, en comparación con el 49% de los republicanos. El 74 por ciento de los demócratas y el 58 por ciento de los republicanos confiaban en los funcionarios de salud pública estatales y locales.

En general, el 96% de los participantes informaron que habían escuchado al menos 1 de las 10 afirmaciones inexactas sobre la salud enumeradas en la encuesta de KFF: que las vacunas contra el sarampión, las paperas y la rubéola (MME) causan autismo, por ejemplo, o que la ivermectina es eficaz contra el COVID-19. Y aunque la exposición a la desinformación sobre la salud fue desenfrenada, el porcentaje de personas que han escuchado afirmaciones falsas y creen que son probable o definitivamente verdaderas osciló entre el 14% y el 35%. «Una conclusión clave que obtuvimos de los datos es que la gente está escuchando información errónea, pero no muchos están convencidos de que sea cierta», dijo Lopes.

Los resultados sugieren que muchas personas caen en lo que KFF denomina el «medio maleable»: personas que escuchan o leen afirmaciones incorrectas pero no están seguras de si la información es precisa. «Dicen que las afirmaciones son probablemente verdaderas o probablemente falsas, pero no están convencidos en ninguna dirección», explicó Lopes. Enfatizó que la comunicación en salud debe ser más personalizada para llegar a este grupo. «Están en el medio, pero eso no significa que responderán a los mismos tipos de mensajes o intervenciones».

Otro hallazgo clave fue que muchas personas están preocupadas por la propagación de afirmaciones falsas sobre la salud y quieren que se haga más para limitarla. La mayoría de las personas informaron que la información inexacta sobre la salud es un problema importante. De hecho, el 86% de los encuestados dijo que la información falsa e inexacta en general es un problema importante, y el 74% informó que las afirmaciones falsas sobre la salud específicamente son un problema importante.

La mayoría de los encuestados, independientemente de su demografía o partidismo, también creen que no se está haciendo lo suficiente para limitar las afirmaciones falsas sobre la salud. Entre los encuestados, el 78% y el 68%, respectivamente, informaron que el Congreso y el presidente Joe Biden no están haciendo lo suficiente, y alrededor de 7 de cada 10 informaron que los medios de comunicación y las plataformas de redes sociales de EE. UU. deben dar un paso al frente.

Pero la idea de las afirmaciones falsas varía de persona a persona. «Aunque las personas están de acuerdo en que hay un problema, no necesariamente hay un acuerdo sobre lo que constituye información errónea sobre la salud, así que eso es lo que hace que abordar el problema sea particularmente difícil», añadió Lopes.

Muchas personas informaron un alto uso de las redes sociales, pero pocas confían en la información de salud publicada en dichas plataformas. YouTube y Facebook fueron los sitios más populares: el 65% y el 63% de los encuestados informaron que visitaban las plataformas cada semana, respectivamente. Pero la confianza en estos sitios era considerablemente baja. Solo el 8% de los encuestados dijo que tendría mucha confianza en la información de salud en YouTube, y el 5% confiaría en la información de salud en Facebook. Twitter, ahora conocido como X, era utilizado semanalmente por el 21% de los encuestados, aunque solo el 4% confiaría en la información de salud en el sitio. Las personas que usaban con frecuencia las redes sociales para buscar información sobre salud eran más propensas a creer en afirmaciones falsas sobre la salud.

Cuando se les preguntó sobre las fuentes de noticias tradicionales, la mayoría de los encuestados dijeron que confían en la televisión local, las redes nacionales y los agregadores digitales. En general, el 62% informó que veía regularmente las noticias de la televisión local, y el 56% a menudo sintoniza cadenas nacionales como ABC, CBS o NBC. Los agregadores digitales como Apple, Google o Yahoo News le siguieron de cerca con un 55%.

Pero menos de 3 de cada 10 adultos informaron tener mucha confianza en cada una de las fuentes de medios enumeradas en la encuesta. Alrededor de una cuarta parte de los encuestados dijeron que tendrían mucha confianza en la información sobre temas de salud reportada por las noticias de la televisión local o las cadenas nacionales, las fuentes más confiables.

«Vas a tener al menos un poco de confianza en la fuente de noticias que estás siguiendo, pero hay algo de escepticismo allí», dijo Lopes.

La conclusión, dijo Lopes, es que aunque la exposición a información de salud inexacta sigue siendo alta, también lo hacen las dudas públicas en torno a tales afirmaciones.

«La mayoría de los adultos expresan incertidumbre y pueden estar abiertos a información adicional de mensajeros de confianza, especialmente de sus propios médicos».

El mito del libre mercado de productos farmacéuticos

Rena M. Conti, Ph.D., Richard G. Frank, Ph.D., y David M. Cutler, Ph.D.

Los críticos de la política estadounidense destinada a reducir el gasto en medicamentos recetados afirman que el gobierno está interfiriendo injustamente con un mercado «libre».

Un comentario reciente de Merck sobre la Ley de Reducción de la Inflación (IRA) de 2022 ejemplifica las quejas de la industria: «El Congreso ha estado comprometido durante mucho tiempo con un enfoque de libre mercado basado en precios impulsados por el mercado… El verano pasado, sin embargo, el Congreso trazó un nuevo rumbo radical». 1

Pero el mercado farmacéutico moderno de los Estados Unidos no es lo que Adam Smith habría considerado «libre». En los mercados libres, se supone que los consumidores están plenamente informados, y se supone que eligen los productos sobre la base de sus beneficios y costos discernibles; los vendedores pueden entrar libremente en los mercados y fabricar productos similares o idénticos a otros; y los precios, fijados por las empresas que tratan de maximizar los beneficios, son competitivos con los de otros vendedores y no se modifican por la intervención del gobierno (véase el cuadro). El mercado farmacéutico estadounidense se aleja de todas estas características.

El gobierno concede patentes a las empresas que establecen el período de monopolio de un medicamento cuando no se pueden vender versiones alternativas.

Ningún medicamento puede venderse sin cumplir con los estándares de calidad, seguridad y eficacia de fabricación y dar fe de estas características en su etiqueta, lo que restringe la competencia.

Aunque las patentes del ingrediente activo de un medicamento duran 20 años, las empresas suelen obtener derechos de exclusividad adicionales, lo que podría extender los monopolios a 35 años.2

Los consumidores no están bien informados: los pacientes confían en los médicos para que les recomienden medicamentos y en las aseguradoras para determinar el acceso. Aunque los médicos están educados para comprender las propiedades clínicas de un medicamento, a menudo no son conscientes de los costos y, por lo tanto, rara vez evalúan el valor económico de los medicamentos para los pacientes al recetarlos. A diferencia de las políticas de la mayoría de los países, la política de Estados Unidos permite a las empresas anunciar medicamentos, pero los anuncios no tienen por qué hablar del precio, y a menudo son engañosos. La mayoría de los consumidores están asegurados, y el seguro está subsidiado públicamente.

Por lo tanto, las empresas pueden cobrar precios altos: si un medicamento vale 100 dólares a pacientes que pagan solo el 20% del precio, la empresa puede cobrar hasta 500 dólares sin que los pacientes se resistan. Los médicos pueden ser recompensados financieramente por usar medicamentos más caros, incluso cuando los medicamentos menos costosos son igualmente efectivos: a los médicos se les puede pagar una tarifa administrativa, basada en el costo de un medicamento, por administrarlo, y los administradores de beneficios de farmacia y las aseguradoras pueden recibir pagos por proporcionar un acceso favorable a medicamentos costosos. El efecto neto de estas desviaciones del ideal de libre mercado es que los precios son altos, lo que compromete la asequibilidad. Estados Unidos es el mercado más grande de drogas y paga los precios más altos del mundo. Algunas empresas aumentan considerablemente los precios durante años después del lanzamiento.2

Características del libre mercado de acuerdo con los principios económicos frente al mercado estadounidense de productos farmacéuticos.
Variable	Característica de libre mercado	Mercado farmacéutico de EE. UU.
Comportamiento del consumidor	Los pacientes son compradores plenamente informados que pueden discernir fácilmente los beneficios y costos de un producto.	Los pacientes no están completamente informados. Los médicos y los pacientes pueden verse influenciados por la publicidad, los detalles y las pólizas de seguro. Los pacientes asegurados no responden tanto al precio como los pacientes sin seguro. Los médicos, los administradores de beneficios de farmacia y los planes de salud pueden beneficiarse de los pacientes que usan medicamentos de mayor precio.
Comportamiento del productor	Las nuevas empresas pueden entrar libremente en el mercado y producir productos similares a los ofrecidos por otras empresas.	Las patentes gubernamentales y los derechos de exclusividad en el mercado se conceden a las empresas, lo que restringe la entrada en el mercado y la competencia Las normas gubernamentales restringen la entrada en el mercado de los medicamentos sobre la base de la calidad, la seguridad y la eficacia de la fabricación. Las etiquetas deben reflejar con precisión los ingredientes de los medicamentos y los beneficios clínicos.
Precios	Los precios son fijados por empresas competidoras que venden productos relacionados, sin trabas por la intervención del gobierno.	Las empresas que venden medicamentos de marca tienen derechos de patente y exclusividad de mercado otorgados por el gobierno, lo que les otorga un poder de fijación de precios monopólico. Las políticas gubernamentales financian los costos del descubrimiento y desarrollo de nuevos fármacos. Las políticas gubernamentales exigen que las empresas que venden medicamentos ofrezcan descuentos y rebajas a compradores seleccionados o que se retiren de la cobertura del seguro público.

Por lo tanto, Estados Unidos favorece a los productores sobre los consumidores al permitir que la industria se quede con más de lo que le corresponde en el valor económico de los medicamentos. La política ha promovido la asequibilidad al acelerar la disponibilidad de medicamentos genéricos que son de la misma calidad, seguridad y eficacia que los medicamentos de marca y producidos por empresas competitivas. La Ley de Competencia de Precios de los Medicamentos y Restauración de la Duración de las Patentes de 1984 modificó los reglamentos sobre patentes y exclusividad para facilitar la venta de medicamentos genéricos, garantizando al mismo tiempo que los medicamentos de marca tuvieran tiempo suficiente para recuperar su inversión. Estas modificaciones han dado lugar a un mercado robusto de genéricos. En 2010, la Ley de Competencia e Innovación de Precios de Productos Biológicos estableció una vía abreviada para la aprobación de biosimilares con el fin de fomentar la competencia de productos biológicos. La póliza también ha ampliado la cobertura de seguro para reducir los costos de los consumidores. La Ley de Modernización de Medicare en 2003 estableció la cobertura de Medicare para los medicamentos dispensados por las farmacias. La Ley de Cuidado de Salud Asequible (ACA, por sus siglas en inglés) en 2010 extendió el acceso al seguro a millones de pacientes que antes no tenían seguro. Ambas pólizas redujeron los costos de bolsillo entre las personas recién aseguradas. Las ganancias de la industria crecieron gracias al aumento de las ventas de medicamentos. Aunque las empresas privadas introducen nuevos medicamentos en el mercado, el gobierno contribuye a su creación apoyando la ciencia básica subyacente y proporcionando subvenciones y capacitación a los investigadores que pueden llegar a trabajar en la industria. La ciencia del descubrimiento y desarrollo de fármacos se ha vuelto más compleja, arriesgada y costosa, y se está llevando a cabo más investigación y desarrollo, gracias a este apoyo gubernamental. La Ley de Medicamentos Huérfanos de 1993 proporcionó incentivos financieros para atraer el interés de la industria en los medicamentos para enfermedades raras, incluida la ampliación de los períodos de exclusividad y créditos fiscales de hasta el 50 por ciento para gastos de investigación y desarrollo. En la actualidad, más del 50 % de los nuevos medicamentos están aprobados con indicaciones para enfermedades huérfanas.3

El Proyecto Genoma Humano, el Cancer Moonshot y la Ley de Curas financian los costos de las empresas privadas, lo que contribuye al desarrollo de la medicina de precisión. La IRA es la política más reciente destinada a mejorar la asequibilidad de los medicamentos para Medicare, sus beneficiarios y los contribuyentes. Los cambios de política anteriores no han hecho lo suficiente para reducir los precios generales de los medicamentos, en lugar de solo la porción que pagan los consumidores, un error, en nuestra opinión.

Las personas mayores usan la mayoría de los medicamentos que se venden, y aunque la mayor parte de este uso involucra medicamentos genéricos de bajo costo, Medicare paga precios mucho más altos por los medicamentos de marca que los planes estatales de Medicaid, otros compradores del gobierno y los pagadores públicos internacionales.2 Los altos precios de Medicare causan desafíos de asequibilidad para los beneficiarios que requieren tratamiento y para los contribuyentes. Medicare no ha tenido ningún papel en el establecimiento de los precios en el lanzamiento de un medicamento. A diferencia de las aseguradoras comerciales de EE. UU. y los pagadores de otros países, Medicare paga los medicamentos incluso cuando la evidencia sugiere que tienen un beneficio limitado o pueden no ser rentables. El IRA aborda algunas de estas preocupaciones. Quizás lo más controvertido es que le da a Medicare la autoridad para negociar los precios de algunos medicamentos de marca de alto precio. De este modo, Estados Unidos favorece a los productores sobre los consumidores al permitir que la industria se quede con más de lo que le corresponde en el valor económico de los medicamentos. El mito del libre mercado de productos farmacéuticos drogas. Las negociaciones con las empresas participantes para el primer grupo de medicamentos comenzaron en 2023 y los precios negociados entrarán en vigor en 2026.

Los primeros 10 medicamentos elegibles para la negociación son tomados por alrededor de 9 millones de beneficiarios para afecciones como coágulos sanguíneos, diabetes, enfermedades cardiovasculares, insuficiencia cardíaca y enfermedades autoinmunes, y representaron $50.5 mil millones en gastos de la Parte D entre junio de 2022 y mayo de 2023.4

También representaron $3.4 mil millones en gastos de bolsillo de los beneficiarios en 2022. Medicare seleccionará para la negociación medicamentos adicionales cubiertos por la Parte D para 2027, hasta 15 medicamentos cubiertos por la Parte D o B para 2028 y hasta 20 medicamentos cubiertos por la Parte D o B cada año después de eso. La negociación tiene la intención de devolver algo de poder de negociación a los contribuyentes para que Medicare pague los precios de medicamentos seleccionados con períodos extendidos de exclusividad de mercado que estén más cerca de los que uno podría pagar en un mercado que funcione mejor.

Las reducciones previstas son del 30 al 70% con respecto a los precios actuales. Los métodos de negociación de la IRA son similares a los utilizados por la Administración de Veteranos, el Departamento de Defensa, las agencias estatales de Medicaid y otros países para obtener precios asequibles de los medicamentos.

Al centrarse en los medicamentos de marca de larga duración que representan un alto gasto, la IRA tiene como objetivo efectos similares a los de las políticas que promueven el ahorro de costos por medio de la competencia de genéricos o biosimilares. Los medicamentos iniciales seleccionados para la negociación cosecharon ingresos acumulados después del lanzamiento que superaron con creces sus costos de desarrollo.5

Algunas empresas ya han evitado la negociación al permitir que se produzca una competencia de genéricos y biosimilares.

La IRA también limita los aumentos de precios de los medicamentos de marca a la tasa de aumento en el índice de precios al consumidor, imponiendo a Medicare una restricción que ya está vigente en los planes estatales de Medicaid y en algunos otros países.

La IRA deja en su lugar amplias oportunidades para la rentabilidad de las empresas, manteniendo los incentivos para invertir en nuevos medicamentos. No restringe los precios de lanzamiento y limita la negociación a medicamentos sin competidores significativos. También limita los costos de bolsillo de los productos de alto precio, incluidos los medicamentos para la diabetes y las enfermedades cardiovasculares, lo que impulsará sus ventas; y elimina los costos de bolsillo de las vacunas para adultos. Exime de negociación a los medicamentos que solo están aprobados para tratar enfermedades huérfanas. Y duplica el crédito fiscal para la investigación y el desarrollo de las pequeñas empresas farmacéuticas y amplía las condiciones para su uso.

El efecto neto esperado de estas reformas es una desaceleración del gasto en medicamentos por parte de Medicare y sus beneficiarios, sin efectos sustanciales en los ingresos de las empresas ni en los incentivos a la innovación. Las aseguradoras comerciales y los empleadores también pueden beneficiarse al incorporar los precios negociados de los medicamentos en sus pólizas. El mercado farmacéutico de Estados Unidos siempre ha sido una construcción del gobierno, no uno libre. La política gubernamental tiene como objetivo establecer normas que promuevan un mayor acceso y una mayor asequibilidad, al tiempo que apoyan el desarrollo de nuevos medicamentos que mejoren la salud de los pacientes y la población. La IRA es la última política que intenta equilibrar estos objetivos. No será la última.

Un aporte. Cuales son las razones del alto precio de la innovación en medicamentos.

Se debate en todos los ámbitos de la gestión sanitaria la evidencia científica independiente, el valor de un fármaco innovador, su verdadera indicación y el precio, que es fijado sin límites, ni elementos de referencia, no pudiendo cubrir los tratamientos oncológicos, o para enfermedades inmunológicas, de los pacientes. Los sistemas de salud no tienden a la equidad. La protección de mercado que ofrecen las patentes resulta que ante la fijación de un precio elevado de 10 a 100 el PBI per cápita de un país, a un sacrificio, y un costo de oportunidad elevadísimo, a nuestras mentes de gestores sanitarios, parece que estuviéramos poniéndole precio a la vida de un paciente, cuando carecemos de esa cualidad, y éticamente estamos imposibilitados hasta de plantearlo, pero, nos enfrentamos a quienes somos, con qué elementos decidimos. Si bien la generalización lleva a bases poco fundamentadas en un tema complejo, este debate debe ser colectivo, y abierto, para ser validado por una sociedad, para que además sea una política sustentable económicamente. No librado a una presión prescriptiva enfrentada contra recursos escasos, y decisiones de amparo judicial que entorpecen la buena relación médico paciente sistema de cobertura. Mecanismos para mitigar los efectos existen, hay que ponerlos en práctica todos en conjunto para que esta tecnologías la reciban estrictamente quienes la necesiten en el momento que realmente sean útiles. Este artículo que vuelco a continuación escrito por Els Torreele ofrece una base fundamentada para entender la problemática.

¿Por qué nuestros medicamentos son tan caros? Spoiler: No por las razones que te dicen…

Els Torreele

Torreele E. Why are our medicines so expensive? Spoiler: Not for the reasons you are being told…. Eur J Gen Pract. 2024 Dec;30(1):2308006. doi: 10.1080/13814788.2024.2308006. Epub 2024 Feb 1. PMID: 38299574; PMCID: PMC10836477.

Febrero 2024

Este artículo sostiene que los precios altos no son inevitables, sino el resultado de una decisión social y política de confiar en un modelo de negocios con fines de lucro para la innovación médica, vendiendo medicamentos al precio más alto posible. En lugar de centrarse en los avances terapéuticos, prioriza la maximización de beneficios para beneficiar a los accionistas e inversores antes que mejorar los resultados de salud de las personas o el acceso equitativo.

Como resultado, las personas y los sistemas de salud en todo el mundo luchan por pagar los productos sanitarios cada vez más caros, con desigualdades crecientes en el acceso incluso a medicamentos que salvan vidas, mientras que la industria biofarmacéutica y sus financiadores son los sectores comerciales más lucrativos.

Como lo pusieron de relieve una vez más las desigualdades extremas en la vacuna contra la COVID-19, necesitamos urgentemente reformar el contrato social entre los gobiernos, la industria biofarmacéutica y el público y restaurar su propósito sanitario original. Los formuladores de políticas deben rediseñar las políticas y el financiamiento del ecosistema de investigación y desarrollo farmacéutico de manera que los sectores público y privado trabajen juntos hacia el objetivo compartido de responder a las necesidades de salud pública y de los pacientes, en lugar de maximizar el retorno financiero porque los medicamentos no deberían ser un lujo.

Introducción:

En 2014, el precio de Gilead de 84.000 dólares por un tratamiento de tres meses contra la hepatitis C (77.628 euros al cambio actual), o 1.000 dólares por pastilla (924 euros al cambio actual), se consideró excesivo y sin precedentes [ 1 ]. Hoy en día, ya no nos sorprende que se lance un nuevo tratamiento contra el cáncer o una enfermedad rara con un coste de entre 0,5 y más de 2 millones de euros [ 2 ], aclamado tanto por la prensa financiera y los inversores como por los grupos de pacientes.

Pero ¿por qué son tan caros los nuevos medicamentos? Las compañías farmacéuticas hacen todo lo posible para convencer al público y a los formuladores de políticas de que estos altos precios están justificados debido al «valor» médico que representan los nuevos tratamientos, o que reflejan los altos costos y riesgos asociados con el proceso de investigación y desarrollo (I+D). También argumentan que los ingresos generados a través de estos altos precios son necesarios para pagar la innovación continua.

Este artículo presentará evidencia de que los precios altos son más bien construcciones artificiales que sirven principalmente para maximizar los ingresos para inversionistas y accionistas y reflejan la creciente financiarización del sector farmacéutico, priorizando el retorno financiero sobre la mejora de la salud de las personas. Los niveles actuales de precios de los medicamentos representan un cambio radical en comparación con hace apenas dos décadas, sin un aumento concomitante en los avances terapéuticos. Como era de esperar, las personas y los sistemas de salud en todo el mundo luchan cada vez más para pagar los altos precios que se cobran, con desigualdades crecientes en el acceso incluso a medicamentos que salvan vidas, mientras que la industria biofarmacéutica y sus financiadores se han convertido en uno de los sectores comerciales más lucrativos. Esto es el resultado de décadas de formulación de políticas para crear un entorno empresarial propicio para que las empresas biofarmacéuticas globales prosperen, con muy poca atención para garantizar que promueva la salud y la equidad.

Lecciones no aprendidas: la historia se repite.

Durante muchos años, los medicamentos inaccesibles y el acceso desigual se consideraron problemas que afectaban principalmente a los países en desarrollo, cuyos gobiernos altamente endeudados y ciudadanos pobres no tenían el poder adquisitivo para pagar los medicamentos, especialmente los caros. Esta inequidad saltó a la luz internacional a finales de los años 1990, cuando una revolucionaria terapia combinada antirretroviral transformó el VIH/SIDA de una creciente epidemia mortal a una enfermedad crónica manejable, pero sólo en los países ricos [ 3 ]. El precio que cobraban las empresas por este tratamiento combinado que salvaba vidas era de 10.000 a 15.000 euros por persona al año (aproximadamente el doble de los precios actuales), mucho más allá de los medios financieros de los países en desarrollo, donde la epidemia de SIDA estaba asolando a las comunidades [ 4 ].

La razón por la que las compañías farmacéuticas cobraban precios tan altos no era porque fuera costoso producir esos medicamentos. De hecho, pronto resultó que el coste de producción era de sólo unos pocos cientos de dólares o 50 veces menos que el precio de venta, y que se vendían con márgenes de beneficio considerables [ 5 ]. La causa fundamental fue que las empresas que producían estos medicamentos tenían monopolios de patentes (ver Cuadro 1 ), incluso si se basaban en gran medida en investigaciones del gobierno de EE. UU. [ 6 ]. Así, las empresas con fines de lucro controlaron la producción, la disponibilidad y el precio de estos medicamentos que salvan vidas, y adoptaron estrategias de marketing que priorizaron la maximización de ganancias sobre la salud de las personas: vendiendo principalmente a países ricos que estaban dispuestos y eran capaces de pagar un alto precio (con la salud pública). sistemas y/o planes de seguro médico que cubren gran parte de los costes) [ 3 ]. Como los gobiernos de muchos países de bajos recursos no tenían el espacio fiscal para pagar esos medicamentos, las personas en esos países que a menudo pagan los medicamentos de su bolsillo se vieron privadas de acceso a estos medicamentos críticos [ 4 ]. Como resultado, en gran parte del mundo en desarrollo, particularmente en el África subsahariana, hubo una explosión de personas en la flor de la vida que enfermaron y murieron a causa del VIH/SIDA no tratado y la propagación continua de la epidemia hasta bien entrada la década de 2000 [ 7 ] .

¿Qué son las patentes? ¿Cómo funcionan?

Las patentes son una herramienta política utilizada por los gobiernos para incentivar (inversiones en) innovación útil para la sociedad al:
Proporcionar un derecho de monopolio temporal sobre la explotación de una invención que permite a los titulares de la patente excluir a otros del uso o venta de la invención durante un tiempo limitado (para recuperar las inversiones y recompensar los riesgos asumidos y los esfuerzos realizados);
A cambio de la divulgación de los métodos detallados (para fomentar la innovación posterior),
las patentes no son un derecho natural ni una propiedad verdadera. Originalmente fueron diseñados para lograr un equilibrio entre los intereses públicos y privados. Son una cuestión de competencia nacional: cada país promulga leyes y políticas para permitir el patentamiento y su aplicación dentro de su territorio.
¿Qué se puede patentar? ‘Invenciones’ en cualquier ámbito tecnológico que cumplan los tres criterios siguientes :

Novedad (aún no descrita en ningún lugar anterior)
Actividad inventiva (no obvia para alguien experto en el campo de la tecnología)
Aplicabilidad industrial

El principal marco legal que rige las patentes a nivel global es el Acuerdo sobre Propiedad Intelectual Relacionada con el Comercio (ADPIC) de la Organización Mundial del Comercio (OMC) de 1994, que entró en vigor el 1 ^de enero de 1995 y que globalizó los estándares mínimos sobre patentes.

1995: Acuerdo sobre los ADPIC de la OMC:
- Todos los países deben conceder y hacer cumplir las patentes de todas las tecnologías, incluidas las farmacéuticas, durante un mínimo de 20 años.
- Período de transición limitado para los países de ingresos bajos y medianos, que se ampliará para los países de ingresos más bajos
- Declaración de Doha de 2001 sobre los ADPIC y la salud pública: reafirma el derecho de todos los países a utilizar flexibilidades en la ley para proteger la salud pública, por ejemplo, licencias obligatorias.
- Pero en la práctica… Los grupos de presión farmacéuticos y los países con importantes sectores industriales farmacéuticos (como EE.UU., los países de la UE, Suiza y Japón) han rechazado firmemente su uso y ejercen presión a través de acuerdos comerciales y otros canales para adoptar normas más estrictas que las requeridas en virtud de VIAJES (‘VIAJES-plus’)
Antes de 1995:
- Los países aplicaron diferentes grados de protección de patentes de acuerdo con su capacidad tecnológica, política industrial y/u objetivos de política pública, por ejemplo:
  - No hay patentes sobre productos farmacéuticos o sólo de corta duración.
  - Primero establecer la capacidad técnica mediante la copia; luego proteger la innovación a través de patentes
  - Sólo patentes de proceso, ninguna patente de producto (Suiza hasta los años 1970, India hasta 2005)

HIV y patentes:

Se requirió una gran movilización de activistas de derechos humanos y de salud en todo el mundo para desafiar la primacía de los intereses empresariales sobre las vidas de las personas, anteponer los derechos de los pacientes con VIH/SIDA a los derechos de patente y allanar el camino hacia una disponibilidad generalizada de medicamentos genéricos contra el SIDA de bajo costo. [ 4 , 8 ]. Permitió ampliar el acceso al tratamiento del VIH/SIDA a nivel mundial e hizo posible que casi 30 millones de personas sigan vivas hoy con terapia antiviral crónica [ 9 ]. Sin embargo, millones de personas murieron en los 10 a 15 años que llevó que estos medicamentos que salvan vidas estuvieran disponibles en el mundo en desarrollo.

Covid 19 Vacunas:

Avance rápido hasta 2021. Las innovadoras vacunas contra el Covid-19 que protegían a las personas en los países ricos contra enfermedades graves estaban bajo el control monopólico de un puñado de empresas, con el poder de decidir a quién vender primero y a qué precio, lo que efectivamente creó importantes desigualdades y retrasos en el acceso. para personas en países en desarrollo [ 10 ]. Quienes imaginaron que la pandemia del SIDA nos habría enseñado lecciones sobre patentes y acceso equitativo a innovaciones médicas que salvan vidas se equivocaron [ 11 ].

Patentes y acceso a medicamentos esenciales: un equilibrio complicado.

Las patentes son monopolios legales emitidos por los gobiernos con el objetivo de estimular la innovación (tecnológica) útil en beneficio de la sociedad, que a menudo es una mezcla entre los intereses de las personas y los intereses estratégicos y geopolíticos de un país (ver Cuadro 1 : ¿Qué son las patentes y cómo funcionan?). trabajo?) [ 12 ]. Como herramienta política, las patentes y otras formas de propiedad intelectual (PI) se han utilizado durante siglos para determinadas artesanías y tecnologías, incluso en las sociedades feudales y en las primeras industrias. Inicialmente fueron diseñados para lograr un equilibrio entre los intereses públicos y privados dentro de la economía: recompensar la innovación y la creatividad proporcionando un monopolio temporal sobre la explotación de invenciones a cambio de una divulgación que permita a la sociedad beneficiarse y se fomente la innovación posterior [ 13 ]. . Con el surgimiento de la economía basada en el conocimiento en los países industrializados, el uso de la propiedad intelectual se volvió más prominente durante la segunda mitad del siglo XX, culminando en el acuerdo de 1994 de la Organización Mundial del Comercio (OMC) sobre los Aspectos de los Derechos de Propiedad Intelectual relacionados con el Comercio (ADPIC). que se globalizaran las normas mínimas sobre patentes en todos los sectores económicos. Desde entonces, se espera que los estados miembros de la OMC emitan y apliquen patentes sobre productos farmacéuticos durante un mínimo de 20 años, incluso si hasta ahora muchos países habían excluido o limitado tales monopolios por razones de salud pública [ 12 ]. No es casualidad que este acuerdo fuera impulsado en gran medida por las industrias farmacéutica y del entretenimiento de Estados Unidos, que previeron el formidable potencial comercial de un régimen de propiedad intelectual globalizado para privatizar y monetizar el conocimiento [ 14 ]. Mientras los ministros de comercio y sus departamentos negociaban el acuerdo ADPIC de la OMC, la atención se centró en los aspectos comerciales de la propiedad intelectual y las ventajas comerciales de privatizar los bienes del conocimiento, mientras que las preocupaciones sobre la salud y otros intereses públicos estuvieron en gran medida ausentes de las conversaciones [ 12 , 14 ].

Cuando poco después, las implicaciones para la salud y el acceso a los medicamentos se hicieron obvias, por ejemplo, en torno al acceso desigual a los medicamentos contra el VIH/SIDA que salvan vidas, una batalla de políticas públicas entre defensores de la salud y los derechos humanos que buscaba anteponer los derechos a la salud a los intereses comerciales, y surgieron aquellos que priorizaban los intereses económicos e industriales y que aún continúan hoy [ 3 , 4 , 12 ]. Durante la pandemia de COVID-19, a las empresas farmacéuticas se les permitió mantener el control monopólico sobre las vacunas y medicamentos que producían, a pesar de las importantes contribuciones públicas a I+D, las inversiones de los contribuyentes en manufacturas en riesgo y los compromisos anticipados de mercado por parte de los gobiernos [ 15 , 16] . ]. Por ejemplo, se estima que solo el gobierno de Estados Unidos ha gastado al menos 31.900 millones de dólares estadounidenses, o 29.700 millones de euros, en I+D, fabricación y compra de vacunas contra la COVID-19, sin aprovechar esta inversión para garantizar un acceso equitativo [ 17 ]. En octubre de 2020, India y Sudáfrica presentaron una propuesta urgente a la OMC para emitir una exención temporal sobre los derechos de propiedad intelectual relacionados con las vacunas, los medicamentos y los medios de diagnóstico contra el Covid-19 para facilitar la producción local y el acceso global oportuno. Apoyada por más de cien países, en su mayoría países en desarrollo, la propuesta fue bloqueada por países ricos que priorizaron a sus aliados, las compañías farmacéuticas, y luego destruida hasta el punto de que ya no era relevante [ 18 ]. Las desigualdades resultantes en el acceso a las vacunas, en las que los países ricos acumularon la mayoría de las dosis para vacunar primero a toda su población, mientras que incluso los países en desarrollo más vulnerables no pudieron acceder a las vacunas durante el pico de la pandemia, fueron denominadas «apartheid de las vacunas» por el director de la OMS. -General Tedros Ghebreyesus [ 19 ].

Ir a:

No siempre ha sido así

El predominio de las patentes y del poder monopólico de fijación de precios como principal incentivo para estimular la innovación médica comercial es un hecho relativamente reciente. Varios avances médicos importantes de principios del siglo XX, entre ellos la insulina, la penicilina y la vacuna contra la polio, se desarrollaron sin tales perspectivas de patentes y ganancias. Desde el descubrimiento de la penicilina en 1928 hasta la edad de oro de los nuevos antibióticos y vacunas durante las décadas de 1950 y 1970, se desarrolló una amplia gama de innovaciones médicas que se pusieron ampliamente a disposición y acceso para mejorar la salud pública, incluso a través de programas de vacunación y atención primaria de salud patrocinados por el gobierno. . Muchos países también invirtieron en capacidad pública de fabricación de vacunas para suministrar vacunas infantiles, como pilar de su sistema de salud pública [ 20 ].

Sin embargo, durante las décadas de 1970 y 1980, asistimos a una creciente privatización y comercialización de la I+D médica, respaldada por diversas leyes y políticas que fomentan las inversiones privadas en este sector, y la investigación financiada con fondos públicos sirvió para reducir el riesgo de las inversiones privadas [ 21 ]. Como el capital privado espera un retorno financiero, esta medida cambió gradualmente la fuerza impulsora detrás de la I+D médica de un motivo de necesidades de salud a un motivo de generación de ganancias. Esta tendencia fue parte de una ola más amplia de políticas neoliberales que asumían que los «mercados» eran los mejores y más eficaces proveedores de bienes y servicios necesarios en la sociedad, incluidos los productos medicinales. Ha llevado a una pérdida del interés público en el ecosistema de I+D farmacéutico, a pesar de las continuas inversiones importantes en investigación sanitaria por parte de gobiernos y actores sin fines de lucro, a niveles comparables con las inversiones privadas [ 22 , 23 ].

Ir a:

De las necesidades de salud a los negocios saludables

Históricamente, las enfermedades infecciosas han sido una importante amenaza para la salud y, a medida que la ciencia progresó durante el siglo XX, fueron el objetivo principal de la I+D farmacéutica. Durante el decenio de 1990 se produjo un cambio en las prioridades de I+D y en el modelo empresarial hacia enfermedades crónicas para las que se podían prescribir tratamientos de por vida (por ejemplo, fármacos antihipertensivos o reductores del colesterol). Al mismo tiempo, los precios de los medicamentos comenzaron a subir, anunciando el período de los «éxitos de taquilla» en el sector farmacéutico. Un término acuñado inicialmente para describir nuevos fármacos excepcionalmente lucrativos que generaban ventas iguales o superiores a 1.000 millones de euros al año, principalmente basadas en ventas de gran volumen, pronto se convirtió en la norma y el objetivo para el desarrollo exitoso de fármacos, incluso para inversores y accionistas [ 24 ]. . Como resultado, las prioridades de I+D y las decisiones estratégicas en materia de proyectos se desplazaron aún más hacia objetivos que pudieran maximizar el valor para los accionistas. Esta financiarización se ejemplifica con la adquisición especulativa por parte de Gilead del fármaco candidato contra la hepatitis C, sofosbuvir, por 11.000 millones de dólares (10.200 millones de euros al tipo de cambio actual) y su posterior precio de entrada al mercado estadounidense de 84.000 dólares (77.628 euros al tipo de cambio actual). para un tratamiento de 3 meses, generando ingresos de más de 10 mil millones de euros (9,2 mil millones de euros al tipo de cambio actual) solo el primer año [ 1 ].

En los últimos años, gracias a incentivos y medidas políticas que hacen que sea financieramente atractivo para las empresas desarrollar tratamientos para enfermedades huérfanas o raras, incluida la disposición a pagar precios muy altos, el modelo de negocio ha pasado de ser grandes éxitos a ser «destructores de nichos», altamente rentables. tratamientos para nichos de mercado de bajo volumen [ 25 ]. En 2022, los medicamentos huérfanos representaron el 54% de todas las aprobaciones de nuevos medicamentos en los EE. UU. [ 26 ], mientras que el precio medio de lanzamiento de los nuevos medicamentos superó los 200.000 dólares estadounidenses (185.000 euros) [ 27 ]. Estos precios ya no guardan ninguna relación con el coste de la I+D o de la producción, como suele afirmarse [ 28 ], sino que reflejan los imperativos financieros de los accionistas y de los inversores de capital (especulativos), que deben maximizar el rendimiento financiero (a corto plazo) de la inversión [ 29 ]. Sin embargo, la falta de transparencia en torno a los costos y precios de I+D, justificada por las empresas como «información comercialmente sensible», impide un debate social sobre cómo deberían ser los precios justos de los productos farmacéuticos [ 30-33 ]. Mientras tanto, los precios de los nuevos medicamentos siguen aumentando y cada terapia innovadora traspasa los límites de lo aceptado; el último de ellos es un nuevo tratamiento para la anemia de células falciformes con un precio de más de 3 millones de euros [ 34 ]. Al mismo tiempo, las compañías farmacéuticas y sus grupos de presión se movilizan contra los esfuerzos de los responsables políticos por frenar los precios excesivos de los medicamentos [ 35-38 ]. Como se detalla en el Recuadro 2 (Mitos y realidades sobre los costos de I+D de medicamentos y su fijación de precios), las empresas farmacéuticas y sus aliados suelen utilizar una variedad de narrativas para defender el modelo de negocios actual, a pesar de un creciente conjunto de evidencia sobre sus problemas e ineficiencias.

No hay relación entre costo y precio
Durante muchos años, el precio de los medicamentos se analizó a través de la dinámica clásica del mercado y la estructuración de precios de los productos básicos. Sugirió que el precio que cobran las empresas por los nuevos medicamentos refleja el costo combinado de producción y las inversiones y riesgos asumidos para desarrollar los nuevos medicamentos, con un margen de beneficio, sujeto a las leyes de la competencia, la oferta y la demanda. Se pensaba que los monopolios de patentes permitían recuperar los costos de las inversiones en I+D. Sin embargo, los recientes aumentos de precios y los precios excesivos han aclarado que los precios de los medicamentos se basan en gran medida en lo que las empresas pueden hacer, independientemente de los costos de producción y de I+D [ 28 , 39 ]. Especialmente en Estados Unidos, las empresas farmacéuticas ejercen un poder de mercado unilateral para fijar los precios y se ha demostrado que lo aprovechan sistemáticamente [ 56 ]. Además, existe una falta general de transparencia sobre quién paga cuánto por los (nuevos) medicamentos, lo que socava aún más el potencial de eficiencia del mercado [ 30 , 31 ]. Con los precios de lista oficiales en niveles sin precedentes, las empresas negocian acuerdos de compra secretos con diferentes compradores (pueden ser gobiernos, regiones, hospitales, compañías de seguros de salud) y logran acuerdos que combinan compromisos sobre volumen, paquetes con otros productos, precios, exclusividades de mercado e incluso responsabilidad. exenciones, como hemos aprendido de los contratos filtrados durante Covid-19 [ 57 , 58 ].
El secreto como máxima protección de los intereses comerciales
Además de la opacidad en torno a los precios de los medicamentos, también hay una falta de transparencia sobre cuánto cuesta realmente desarrollar nuevos medicamentos, con estimaciones que van desde varios 100 millones de euros hasta varios miles de millones, con mucho de la I+D se basa en investigaciones previas financiadas con fondos públicos o directamente apoyada por subvenciones gubernamentales adicionales o subsidiada de otro modo [ 23 ]. Sin embargo, sin transparencia sobre quién ha pagado por la I+D, cuánto y cómo se estructuran y justifican los precios, es difícil tener un debate social informado sobre cómo serían los precios «justos» de los medicamentos, a pesar de los mejores esfuerzos del mundo. Organización de la salud [ 30 , 37 ].
Los precios e ingresos altos (no) son necesarios para pagar la innovación continua.
La justificación más utilizada para los precios altos es que los ingresos generados a través de ellos son fundamentales para pagar la innovación futura. Sin embargo, a pesar del secreto bien guardado sobre cuánto cuesta la innovación médica, los estudios han demostrado que las compañías farmacéuticas a menudo gastan más en marketing que en I+D, mientras que una porción igualmente grande de las ganancias va a los accionistas e inversores, a través del pago de dividendos y la compra de acciones. -respalda y sólo una modesta fracción se reinvierte en I+D [ 39, 51 ]. Además, la mayoría de los tratamientos recientemente registrados no proporcionan un beneficio terapéutico adicional en comparación con lo que ya tenemos, una cifra que no aumentó a lo largo de los años a pesar de los niveles más altos de precios de los medicamentos y un margen de beneficio alto y continuo para la industria farmacéutica como sector [ 39 , 46 , 48 ]. Junto con el argumento –o amenaza– farmacéutico relacionado de que “reducir los precios de los medicamentos perjudicará la innovación futura”, este supuesto vínculo entre los ingresos a través de los altos precios y las inversiones en avances terapéuticos no está respaldado por evidencia.
Los precios altos reflejan el valor social de un medicamento
Un último mito que hay que desacreditar es que los tratamientos críticos o que salvan vidas «valen» su alto precio, ya sea porque ahorrarían costos aún mayores de tratamientos adicionales u hospitalizaciones, o simplemente porque la voluntad de El pago es un reflejo del precio del «valor», traducido en valor de mercado monetario o precio. Gilead utilizó el primer argumento para justificar el precio de 84.000 dólares estadounidenses (77.628 euros al tipo de cambio actual) por una cura para la hepatitis C (más barata que el trasplante de hígado que podría ser necesario si no se trata), mientras que el segundo es el núcleo de la industria. narrativa impulsada por la ‘fijación de precios basada en el valor’. En esa lógica, que confunde el valor médico o personal con el valor monetario de mercado [ 59 ], el agua y otros productos y servicios vitales también deberían ser caros y se les debería permitir convertirse en productos comerciales de lujo en lugar de los elementos básicos de la vida a los que todas las personas deberían acceder. tener derecho, tal como está consagrado en la Declaración Universal de Derechos Humanos [ 60 ].

Las patentes no están diseñadas para fomentar la innovación médica

En el modelo económico actual que subyace a la innovación farmacéutica, las patentes se consideran el mecanismo de incentivo clave, y los derechos de monopolio asociados brindan poder de mercado y fijación de precios para generar ingresos e impulsar nuevas inversiones (además de recompensar a los inversores y accionistas). Sin embargo, históricamente las patentes no se crearon para impulsar específicamente la innovación médica. De hecho, los criterios para obtener una patente son independientes de la mejora de los resultados de salud y se basan estrictamente en la novedad, la inventiva y la aplicabilidad o utilidad industrial en general. Nada en la ley de patentes ni en los incentivos políticos relacionados exige que las solicitudes de patente demuestren que abordan necesidades médicas no satisfechas, demuestren un beneficio terapéutico o garanticen el acceso o la asequibilidad. Esto significa que, por diseño, las patentes no son un incentivo adecuado para estimular y recompensar las contribuciones para mejorar la salud de las personas.

Sin embargo, la búsqueda de patentes y oportunidades de mercado prevalece en el modelo de negocio farmacéutico actual, lo que se refleja en las prioridades de I+D y las tácticas de mercado de las empresas. Si bien muchas áreas de necesidades insatisfechas siguen desatendidas, un producto nuevo y patentable en un área de enfermedad establecida y rentable puede servir para generar ingresos considerables incluso si no representa un avance terapéutico (el llamado fármaco ‘yo también’) [ 39 , 40 ]. Mientras tanto, seguir indicaciones de «yo también» quita recursos valiosos a la verdadera innovación médica que se centra en el valor de la salud [ 41 ].

Ir a:

Creciente desalineación

Por lo tanto, la prominencia de las patentes y el afán de lucro como fuerzas impulsoras detrás del desarrollo farmacéutico afecta los precios y tiene un impacto importante en el establecimiento de prioridades de I+D, con grandes áreas de necesidades médicas insatisfechas cada vez más abandonadas. Las enfermedades relacionadas con la pobreza, como la tuberculosis o las llamadas enfermedades tropicales, como la malaria, la leishmaniasis o la enfermedad del sueño, han sido ignoradas durante mucho tiempo por las compañías farmacéuticas comerciales porque los pacientes carecen de suficiente poder adquisitivo para atraer su atención [ 42 ]. A pesar de la creciente resistencia a los antimicrobianos a nivel mundial, también tenemos una escasez de nuevos antibióticos y las empresas abandonan el campo por falta de perspectivas de rentabilidad en comparación con otras áreas [ 43 ]. Incluso la disponibilidad de antibióticos críticos más antiguos (a menudo baratos) ya no está asegurada, en parte porque se ha vuelto mucho más rentable para las empresas centrarse en productos de mayor «valor añadido» [ 44 ]. Para que el sector privado participe en el desarrollo de vacunas y tratamientos para enfermedades epidémicas emergentes como el Ébola o el COVID-19, las empresas esperan financiación pública y otros incentivos para reducir riesgos, como compromisos de compra anticipada, e incluso entonces, se muestran reticentes a comprometerse. a objetivos de salud pública como el acceso equitativo [ 17 , 45 ].

Es importante destacar que, a pesar de un discurso ampliamente promovido sobre importantes avances médicos e innovación en el sector farmacéutico, la realidad es que más de la mitad de los medicamentos recientemente aprobados no muestran evidencia de beneficio clínico adicional en comparación con los tratamientos ya existentes [ 39 , 46 , 47 ]. Esto significa que los incentivos actuales no están impulsando una innovación médica útil. En cambio, la mayoría de los medicamentos desarrollados recientemente no son mejores que los que ya tenemos, un síntoma de un ecosistema de innovación sanitaria altamente ineficiente. Aun así, a través de esfuerzos de marketing que equivalen aproximadamente al gasto en I+D, el sector farmacéutico puede prosperar financieramente basándose en el desarrollo y las ventas de productos con poco o ningún valor terapéutico añadido [ 39 , 40 ], y permanecer entre los sectores industriales más rentables [ 48]. , 49 ].

Mientras tanto, debido a la premisa de que la innovación médica tiene un propósito de salud, el modelo de negocio farmacéutico está en gran medida subsidiado por el financiamiento público (de los contribuyentes): desde una financiación sustancial para investigaciones iniciales en las universidades de las cuales la industria selecciona cuidadosamente los descubrimientos para otorgar licencias, hasta impuestos para créditos y otros subsidios para recompensar a las empresas que invierten en I+D, hasta generosas políticas de propiedad intelectual y exclusividad de mercado y, por último, pero no menos importante, diversos sistemas de seguro médico que cubren parte del precio de los medicamentos y minimizan el gasto de bolsillo de los hogares (principalmente en países ricos). Estas políticas públicas sirven principalmente para «eliminar el riesgo» del sector privado y sus inversores, sin embargo, sin garantizar que se salvaguarde el interés público, por ejemplo a través de condicionalidades sobre el acceso equitativo y el intercambio de tecnología y un énfasis en la buena gobernanza común [ 39 , 50 ]. En cambio, los beneficios y recompensas de los esfuerzos colectivos de I+D se privatizan a través de la propiedad intelectual y otros monopolios y se utilizan para maximizar los ingresos, que fluyen cada vez más hacia los accionistas e inversores [ 29 ]. Esto da como resultado una marcada desalineación entre los objetivos de innovación médica esperados basados en las necesidades de salud y los impulsores de las compañías farmacéuticas (Figura 1).

La naturaleza extractiva de esta financiarización se ilustra mejor con el fenómeno de las recompras de acciones, mediante las cuales las empresas utilizan sus ganancias no sólo para pagar dividendos sino para recomprar sus propias acciones, manteniendo así artificialmente altos los precios de las acciones en beneficio financiero de los accionistas. , inversores y altos directivos, una táctica ampliamente utilizada en la industria farmacéutica [ 51 , 52 ]. En los últimos años, las principales empresas farmacéuticas gastaron más en recomprar sus propias acciones que en invertir en I+D [ 39 , 51 ].

Ir a:

Conclusión

Los continuos cambios en la privatización, monetización y financiarización de la I+D médica han provocado un importante desajuste entre las necesidades sanitarias y los intereses económicos y financieros que han llegado a dominar e impulsar el modelo de negocio, con un impacto perjudicial tanto en la dirección como en la calidad de la innovación médica. . Desafortunadamente, muchos investigadores, profesionales de la salud y formuladores de políticas todavía creen que este modelo económico es beneficioso para todos, que es la mejor opción posible, el precio a pagar por la innovación médica.

Un análisis más profundo del modelo de negocio farmacéutico y sus resultados muestra una realidad diferente. Los medicamentos son caros porque, como sociedad, hemos optado por confiar en un modelo de negocio con fines de lucro para la innovación médica que prioriza la maximización de ganancias en beneficio de los accionistas e inversores sobre los fines de salud, en detrimento de los verdaderos avances terapéuticos y el acceso equitativo. En términos de abordar las necesidades de salud, el actual ecosistema de innovación médica se está volviendo cada vez más inadecuado para su propósito: no obtenemos lo que necesitamos, la mayor parte de lo que obtenemos no proporciona valor terapéutico añadido y los pocos avances médicos son demasiado caros. , excluyendo el acceso excepto a los más ricos. La creciente financiarización cambia aún más la dirección de la I+D de abordar las necesidades de salud de las personas a vender productos como artículos ordinarios o de lujo.

Pero no tiene que ser asi. Catalizados por la pandemia de COVID-19, y aprovechando la creciente conciencia del público de que el contrato social entre el sector farmacéutico y los gobiernos responsables de la salud pública está roto, se están llevando a cabo múltiples procesos de reforma de políticas que pueden abordar estos problemas [ 22 , 53 ]. . Como fue el caso en el pasado, los gobiernos pueden establecer reglas de manera diferente para redefinir los contornos y objetivos de ese contrato social y abordar las necesidades de salud de las personas de manera equitativa y de regreso al centro [ 22 , 54 ]. Requiere repensar y transformar el ecosistema de I+D farmacéutico de modo que los sectores público y privado trabajen juntos hacia el objetivo compartido de responder a las necesidades de salud pública y de los pacientes y garantizar una financiación que sea productiva en lugar de extractiva: invertida en proyectos colaborativos de I+D que aborden las necesidades sanitarias prioritarias. , compartir datos y tecnología para obtener el máximo beneficio para la salud y ofrecer innovación médica que mejore la salud de las personas para el bien común [ 50 , 55 ], porque los medicamentos no deberían ser un lujo.

La forma más segura de maximizar su salud: los alimentos como medicina

Bill Frist. Cirujano de Trasplante de Corazón y Pulmón.

Forbes 11 de marzo 2024.

Soy médico, certificado en dos especialidades clínicas y personalmente he escrito miles y miles de recetas para que los pacientes traten y prevengan enfermedades. Pero en mis años de práctica nunca escribí una receta para alimentos . Eso está a punto de cambiar. ¿Por qué? Porque ahora sabemos que la comida puede ser una medicina poderosa.

En mis años de práctica nunca escribí una receta para alimentos. Eso está a punto de cambiar. ¿Por qué? Porque ahora sabemos que la comida puede ser una medicina poderosa. — En mis años de práctica nunca escribí una receta para alimentos. Eso está a punto de cambiar. ¿Por qué? Porque … [+]GETTY

El panorama de la obesidad y las enfermedades relacionadas que definen la salud estadounidense

Nos enfrentamos a una epidemia de obesidad en Estados Unidos y no es nueva. Esta crisis de salud ha tenido un impacto significativo y negativo en el bienestar de nuestra nación durante décadas, ejerciendo una enorme presión sobre nuestros cuerpos, nuestra salud y el sector sanitario. La gente vive vidas menos satisfactorias y menos productivas. La ciencia actual nos dice que hay una solución, ignorada durante demasiado tiempo, que es conveniente y asequible. Y hay medidas políticas que hemos identificado que acelerarán su adopción.

Datos recientes muestran que casi el 42% de los adultos estadounidenses son obesos . Y el impacto es claro: la obesidad y otras enfermedades relacionadas con la dieta, como las enfermedades cardiovasculares, la hipertensión y la diabetes tipo 2, son una de las principales causas de muerte en los EE. UU. Este es nuestro desafío de salud número uno.

Más allá del impacto directo sobre nuestra salud y bienestar, los trastornos relacionados con la dieta también son extremadamente costosos . Estas enfermedades crónicas le cuestan a nuestro sistema alimentario y sanitario combinado 1 billón de dólares al año. Los Centros para el Control y la Prevención de Enfermedades (CDC) estiman que los costos médicos de 2019 atribuidos solo a la obesidad fueron de 173 mil millones de dólares. En el caso de la diabetes, los costos médicos totales estimados en 2022 fueron de 412.900 millones de dólares. Y en el caso de la hipertensión, los informes estiman que Estados Unidos gasta entre 131 y 198 mil millones de dólares cada año. Costos exorbitantes como estos simplemente no se pueden sostener.

Necesitamos empezar a mover la aguja en la dirección correcta. Para ello debemos priorizar tanto la prevención como el tratamiento.

Recientemente hemos visto avances en las opciones de tratamiento clínico. El año pasado, por ejemplo, la semaglutida (péptido 1 similar al glucagón o medicamentos de clase GLP-1), conocida por las marcas Wegovy y Ozempic, obtuvo la aprobación de la FDA para tratar la obesidad. Estos medicamentos, que se originaron para tratar la diabetes y controlar el azúcar en sangre, imitan las hormonas que reducen el apetito y se ha demostrado que ayudan a los pacientes a perder peso (y reducir los ataques cardíacos y los accidentes cerebrovasculares). Sin embargo, estos tratamientos son costosos para los pacientes y los pagadores. Y como la Parte D de Medicare no cubre los medicamentos para bajar de peso, son inaccesibles para muchos estadounidenses que los necesitan. Como advertencia final, aún no conocemos los efectos secundarios o implicaciones a largo plazo de los medicamentos de clase GLP-1.

Lo que sí sabemos, sin embargo, es que lo que comemos cada día tiene un impacto directo en nuestro bienestar. Y sabemos que tomar decisiones informadas con respecto a nuestra ingesta de alimentos y nutrición definitivamente conducirá a una reducción de la carga de enfermedades crónicas, incluida la obesidad, una mejor salud física y mental y una mayor productividad y calidad de vida en general. Sí, la comida es un poderoso impulsor de nuestra salud; La comida es medicina.

Pero a pesar de saber que una dieta nutritiva es fundamental para vivir una vida saludable, muchos de nosotros no seguimos las pautas dietéticas basadas en la ciencia. Mientras buscamos ampliar de manera integral las opciones de tratamiento para las enfermedades relacionadas con la dieta, incluida la obesidad, y centrarnos en la prevención, todos debemos priorizar volver a lo más básico: los alimentos que ingerimos a nuestro cuerpo todos los días.

¿Qué queremos decir con que la comida es medicina?

Reconociendo el papel que desempeña la nutrición, el actual movimiento “Los alimentos como medicina” aboga por el uso de alimentos integrales, no procesados y nutritivos para prevenir y tratar enfermedades. Incluye mejorar el acceso a alimentos nutritivos, apoyar nuestro medio ambiente y prácticas agrícolas saludables , y educar a nuestras comunidades sobre cómo tomar decisiones informadas en lo que respecta a nuestra dieta. El movimiento llama específicamente a nuestros proveedores de atención médica, médicos y enfermeras por igual, a colaborar más deliberadamente con expertos en nutrición para interactuar de manera efectiva con los pacientes y educarlos sobre sus necesidades dietéticas. Permite a los pacientes tomar el control de su propia salud.

Las intervenciones de alimentos como medicina incluyen paquetes de alimentos adaptados médicamente, comidas adaptadas médicamente y programas de recetas de productos agrícolas; se centran en proporcionar a los pacientes dietas individualizadas y ricas en nutrientes, fusionando con éxito la ciencia de los alimentos y la nutrición con la práctica clínica. Estas intervenciones conducen a una mejor salud y menos enfermedades. Y muchos médicos ya han comenzado a recurrir a ellos para tratar afecciones relacionadas con la dieta, como la obesidad, la diabetes y la presión arterial alta.

Que tiene sentido. Si la comida es la causa fundamental de la obesidad y de tantas enfermedades relacionadas con la dieta, entonces también tiene el poder de tratarlas y curarlas . Pero hasta ahora, la adopción de las intervenciones de alimentos como medicina ha sido lenta. Un desafío importante ha sido la educación inadecuada de los proveedores sobre las opciones de tratamiento centradas en la nutrición. Muchos servicios de salud

Muchos proveedores de atención médica simplemente carecen de capacitación y educación adecuadas en nutrición y ciencia de los alimentos. … [+]GETTY

los proveedores simplemente carecen de capacitación y educación adecuadas en nutrición y ciencia de los alimentos. Los estudios muestran que los estudiantes de medicina, algo sorprendente dados los dramáticos avances en la comprensión científica, reciben menos de 20 horas de capacitación específica en nutrición durante sus cuatro años de educación médica.

Y cuando se trata de políticas más amplias, las intervenciones de Alimentos como Medicina enfrentan obstáculos sustanciales de cobertura de seguro, pago y coordinación entre proveedores de salud y organizaciones que brindan servicios basados en la nutrición. El reembolso es un gran obstáculo. Tanto los pagadores públicos como los privados todavía ofrecen una cobertura limitada. Para ampliar el acceso, deberíamos buscar ampliar el reembolso de comidas y comestibles médicamente adaptados, y otras intervenciones comprobadas. Y deberíamos recopilar datos más completos sobre las intervenciones de alimentos como medicamentos para fundamentar aún más su eficacia. Para ello, la agilidad y la innovación del sector privado están jugando un papel importante.

Por ejemplo, la empresa Mom’s Meals, con sede en Iowa , entrega cada año más de 70 millones de comidas médicamente adaptadas en todos los estados del país (principalmente a poblaciones vulnerables). A través de su plataforma, ayudan a los pacientes a controlar enfermedades crónicas y a reducir las visitas a la sala de emergencias, las hospitalizaciones y los reingresos. Por ejemplo, un programa Mom’s Meal con Inland Empire Health Plan (IEHP) en California registró una reducción del 50% en las visitas al departamento de emergencias y hospitalizaciones cuando las personas con insuficiencia cardíaca congestiva recibieron comidas médicamente adaptadas, productos frescos, alimentos básicos saludables y educación nutricional. Además, la iniciativa mostró ahorros considerables en costos médicos. El costo de cuidar a quienes participan en el programa se redujo de $7,2 millones a $5,4 millones, un ahorro anual de $1,8 millones (o $19,355 por miembro).

«Existe cada vez más evidencia que demuestra los claros beneficios para la salud y el ahorro de costos de los programas de alimentos como medicamentos para personas de alto riesgo, incluidas personas que se recuperan de una estadía en el hospital o que luchan por controlar una condición crónica como diabetes, insuficiencia cardíaca o enfermedad renal». dijo Chris Choi, director ejecutivo de Mom’s Meals. “Los sectores público y privado tienen el poder de trabajar juntos a mayor escala para combatir esta crisis de atención médica. Gracias al movimiento de alimentos como medicina, estamos viendo el profundo impacto que las comidas médicamente adaptadas pueden tener para mejorar la salud de nuestras poblaciones más vulnerables”.

Otra empresa, Elevance Health, también está teniendo un gran éxito en este espacio con un impacto significativo en los resultados de salud. Elevance inició recientemente el programa Life Essential Kits de Elevance Health para abordar factores de riesgo social como la inseguridad nutricional. Muchas familias en este programa reciben alimentos médicamente personalizados. En 2022, estas familias experimentaron una reducción significativa en las hospitalizaciones evitables y las visitas al departamento de emergencias, y Elevance experimentó una reducción del 216 % en los costos totales relacionados con el departamento de emergencias.

Las políticas acelerarán la adopción

Para controlar las enfermedades relacionadas con la dieta, la alimentación saludable de un individuo es una de nuestras herramientas más fáciles y asequibles. Y es una herramienta que puede acelerarse enormemente mediante la adopción de políticas inteligentes e integrales que aborden los obstáculos actuales, como la educación de los proveedores y la asequibilidad.

El año pasado, me uní al Centro de Política Bipartidista como copresidente del Grupo de Trabajo sobre Alimentos es Medicina que produjo el informe Healthy Eating Rx: Improving Nutrition Through Health Care . Este informe, que reunió perspectivas multisectoriales de expertos en atención médica, seguros, organizaciones de defensa de pacientes y minoristas de alimentos, describe 10 recomendaciones de políticas viables para mejorar la educación nutricional y acelerar el acceso a intervenciones comprobadas de Alimentos como Medicina. Vale la pena considerar cada una de estas recomendaciones, pero aquí hay cinco para comenzar:

La administración Biden debería emitir una orden ejecutiva para educar a los proveedores de atención médica sobre ciencias de la nutrición y evaluar de manera más integral a los pacientes para determinar la seguridad nutricional y la calidad de la dieta.
Los programas médicos de pregrado y posgrado deben establecer e implementar competencias centradas en la nutrición clínicamente significativas.
Las organizaciones independientes deberían establecer estándares básicos de educación nutricional para los médicos (e implementar medidas de rendición de cuentas).
El Congreso debería proporcionar fondos para difundir y traducir de manera más efectiva las pautas dietéticas.
Los Centros de Servicios de Medicare y Medicaid (CMS) deberían extraer datos sobre las intervenciones nutricionales y los beneficios de Food is Medicine.

Estas recomendaciones sientan las bases para un cambio integral en la forma en que abordamos nuestro desafío alimentario y nutricional, especialmente para el tratamiento y la prevención de enfermedades crónicas. Aunque por sí solos no resolverán por completo nuestro desafío relacionado con la dieta, son un paso adelante necesario (y esperado desde hace mucho tiempo).

Ahora es el momento de que los proveedores den un paso adelante

Como médico, reconozco que los proveedores desempeñan un papel fundamental y, por lo tanto, tienen una responsabilidad especial, particularmente en lo que respecta a la detección y la difusión de información precisa. Con este fin, los proveedores de atención médica (médicos, enfermeras, dentistas, farmacéuticos, médicos y terapeutas ocupacionales, y todos los demás que brindan servicios de atención médica) deben incorporar mucho más profundamente el asesoramiento y la educación nutricional en sus prácticas clínicas. Como sector de la salud, consideremos también lo siguiente:

Detección y evaluación nutricional : los proveedores deben evaluar a cada paciente en busca de acceso e inseguridad alimentaria, hábitos dietéticos y preferencias alimentarias dentro de las evaluaciones de rutina de los pacientes, de manera similar a las pruebas que realizan para detectar alergias, antecedentes de tabaquismo y antecedentes familiares de enfermedades.
Educación nutricional : durante las visitas clínicas, por cualquier motivo, los médicos deben aprovechar el momento de enseñanza para educar a los pacientes sobre el impacto de la nutrición en los resultados de salud. Incluso proporcionar a los pacientes herramientas y recursos para educarlos sobre el control de las porciones y cómo leer eficazmente las etiquetas de los alimentos puede ayudar a muchos a tomar decisiones dietéticas más informadas.
Atención colaborativa e integral : trabajar en asociación con expertos en nutrición y dietistas puede ayudar a los proveedores de atención médica a desarrollar planes de tratamiento más integrales. Si se implementa con éxito, esta colaboración más activa puede garantizar que el asesoramiento nutricional se adapte específicamente a los objetivos de salud y necesidades médicas específicas de cada individuo.
Integración en registros médicos electrónicos (EHR) : los médicos deberían integrar más fácilmente la información relacionada con la nutrición en sus EHR. Esto no sólo ayudará a rastrear información dietética crítica y monitorear el progreso, sino que también servirá para recopilar datos más completos que conduzcan a mejores investigaciones y, con suerte, a intervenciones piloto innovadoras.

Una adopción más amplia del movimiento y las intervenciones de Alimentos como Medicina depende de una mejor educación, políticas e innovación del sector privado. Con una mejor educación de los médicos en ciencias de los alimentos y la nutrición y con políticas más intencionadas a nivel institucional y corporativo que aumenten el acceso y la asequibilidad de estas intervenciones, reduciremos drásticamente los costos, reduciremos la carga de morbilidad en nuestro sector de atención médica y mejoraremos enormemente nuestra salud. y bienestar.

Los alimentos que comemos impactan directamente en nuestra salud y bienestar. Y es hora de que usemos la comida para curarnos. Se ha demostrado que las intervenciones con alimentos como medicamentos previenen y tratan enfermedades relacionadas con la dieta. Implementadas a escala, estas intervenciones proporcionan una herramienta poderosa para abordar nuestro principal desafío de salud: la obesidad y todas sus enfermedades crónicas relacionadas. Y esa es una receta que puede cambiar todas nuestras vidas.

Editorial. La seguridad del paciente es una sola. Seguridad I y Seguridad II las dos caras de una misma moneda.

Es la implementación de un programa para hacer bien las cosas, para detectar errores, ver porqué se producen, eliminar desperdicios, gobernanza clínica, desarrollar ergonomía y las habilidades blandas, trabajar permanentemente en calidad e inclusión de todos los actores sociales y fundamentalmente los pacientes y sus familias. La seguridad I y la II son las dos caras de una misma moneda, no son dos cosas distintas.

Existe el mito de que la seguridad-II reemplaza a la seguridad-I y todo lo que tenemos que hacer es estudiar el éxito e ignorar el fracaso. Esto no es correcto. La seguridad II no sustituye a la seguridad I. Es ambas cosas. Una apreciación tanto del 10% como del 90% conducirá a que el personal sanitario tenga una mejor manera de entender y abordar la seguridad. Safety-II fue acuñado por Erik Hollnagel y sus colegas y surge de la resiliencia y la ingeniería de resiliencia (2015). Algunos argumentan que si la seguridad-I es nuestro enfoque actual, y la seguridad-II es la evolución de eso, entonces seguramente la combinación de los dos debería ser la seguridad-III. Hollnagel lo ha rechazado, por el momento.

A medida que la atención médica se vuelve más compleja, los ajustes se vuelven cada vez más importantes para mantener un sistema en funcionamiento. El reto para quienes trabajan en el ámbito de la seguridad es entender estos ajustes, es decir, entender cómo suele ser correcto el rendimiento a pesar de las incertidumbres, ambigüedades y conflictos de objetivos que impregnan las situaciones de trabajo complejas. Seguridad tipo I y II

Es importante recordar que los métodos de seguridad-I pueden ser suficientes para ciertas circunstancias y, de hecho, puede ser simplemente la forma en que se han aplicado el problema, no los métodos. El personal sanitario aprende a identificar y superar los fallos del sistema y los procesos con los que trabaja y tiene la capacidad de hacer frente a las demandas reales y ajustar su rendimiento en consecuencia. Es importante que interpreten y apliquen políticas y procedimientos para que coincidan con las condiciones. En la actualidad existe la necesidad de encontrar la manera de hacerlo de manera eficaz, de reunir a los dos, de demostrar cómo interactúan entre sí y cómo pueden aplicarse conjuntamente. Mirar simplemente la seguridad a través de uno u otro de estos dos conceptos no lograría los cambios que todos buscamos.

Cada cosa concebible que hacemos tiene la posibilidad de fallar. El problema es que no sabemos cómo ni cuándo fallarán los sistemas y sabemos aún menos sobre cómo lo lograrán. Sabemos cuáles son las diferentes ideas que pueden aportar estos dos conceptos. Podemos seguir captando cuando las cosas van mal, pero cuando lo hacemos, los expertos en seguridad podrían tratar de responder a una pregunta vital, «¿por qué ha fallado esta vez cuando la mayoría de las veces va bien?», averiguando cómo casi siempre sale bien a pesar de los obstáculos y dificultades. Necesitamos entender qué tan efectivas son las soluciones alternativas, adaptaciones y ajustes que realmente permiten que el personal de atención médica trabaje de manera segura y luego tratar de replicarlas y fortalecerlas.

Si utilizamos métodos de seguridad-I reconociendo sus limitaciones, aún pueden utilizarse eficazmente para promover la seguridad del sistema en muchas situaciones. Para entender más, podemos usar los métodos de seguridad-I reconociendo sabiamente sus inconvenientes; no hay razón para no utilizarlos, junto con el uso de métodos de seguridad II. Aunque tanto los métodos de seguridad I como los de seguridad II son útiles, gran parte del personal sanitario y de los expertos en seguridad siguen teniendo dificultades para aplicarlos a la seguridad sanitaria.

Al pensar en aplicar la seguridad-II a la actividad cotidiana, podemos enumerar cosas de la teoría hasta ahora:

◾ Observa cómo funcionan normalmente las cosas y mejora esas funciones en lugar de simplemente mirar y prevenir el fracaso.

◾ Buscar el conocimiento colectivo del personal sobre su trabajo realizado.

◾ Rara vez (si es que alguna vez) el trabajo tal como se hace es exactamente lo mismo que el trabajo como se imagina. Este es un principio clave para comprender, adoptar y aceptar. Reconozca que la brecha está ahí, trate de entender por qué está ahí y cierre la brecha mirando dentro de su sistema.

◾ Tener la mentalidad de que los trabajadores individuales no son el problema, son la solución.

◾ Trate de mejorar el trabajo diario real de las personas y la seguridad mejorará como subproducto.

◾ Averigüe si su personal es reacio a ofrecer sus opiniones o hablar si ve un problema.

◾ Entiende que la gente cometerá errores.

◾ No esperes a que ocurra un incidente.

◾ Enfócate en construir relaciones y confianza.

◾ Además de aquellos con experiencia en seguridad, busque personas que estén capacitadas en ciencias sociales y ciencias del comportamiento.

Término tradicional	Término propuesto
Seguridad del Paciente: este término pone la seguridad en una caja, o en un rol o en una sesión en el taller. Pasa a ser responsabilidad del «jefe de seguridad del paciente» y del «equipo de seguridad del paciente».	Trabajar de forma segura: pasa de ser responsabilidad de una persona a pertenecer a todos.
Error humano: se centra en el ser humano como la principal causa de error.	Variabilidad del rendimiento: nos ayuda a considerar a las personas y al sistema en conjunto.
Cero Daño: es una imposibilidad: esto prepara a las personas para fracasar y conduce al miedo a la divulgación. Porque coloca el dintel muy elevado.	Variación natural: deja claro que nunca podremos tener un sistema perfectamente seguro para que la gente cometa errores.
Mejora: asume que algo necesita mejorar cuando podría estar funcionando bien.	Fortalecer: nos cambia a buscar fortalecer y optimizar lo que funciona. Infracciones: asume que todos los que no siguen una política están «violando» la política (de manera incorrecta).
Infracciones: asume que todos los que no siguen una política están «violando» la política (de manera incorrecta).	Ajustes: asume que las personas ajustan y adaptan lo que hacen para hacer lo mejor para sus pacientes.

Dekker y Conklin (2022) proporcionan puntos de acción útiles para que el personal que trabaja en seguridad ayude a los trabajadores de la salud a comprender mejor lo que hacen:

◾ Aprenda sobre el trabajo diario mientras se hace; Interactúe con los trabajadores y gane su confianza para comprender cómo se hacen realmente las cosas y descubrir cómo se crea la seguridad todos los días mediante el trabajo como se hace.

◾ Seguridad del paciente ahora

◾ La organización tiene otras prioridades además de la seguridad, a pesar de lo que diga, de lo contrario no existiría. Presiones económicas y de producción casi siempre interactúan con seguridad. Encontrar formas de hacer visibles estas interacciones puede ayudar a los líderes y a otras personas en sus decisiones.

◾ Aprenda sobre los obstáculos y dificultades que se interponen en el camino para hacer las cosas.

◾ Apoyar y mejorar el trabajo tal y como se ha hecho.

◾ Comprenda las prácticas locales y ayude a los trabajadores a adaptarse mejor y de manera más segura.

◾ Las intervenciones de seguridad no tendrán ningún poder de permanencia si no se toman en serio el trabajo realizado.

◾ Encuentre y trate de reducir los conflictos de objetivos: pregunte e identifique los lugares en los que los trabajadores necesitan hacer varias cosas simultáneamente que puedan entrar en conflicto.

◾ Ayudar a convencer a otros de que reasignen recursos para aliviar estos conflictos: los conflictos de objetivos están en el centro de una deriva hacia el fracaso; sin comprenderlos no hay esperanza de que los trabajadores los tomen en serio ni de hacer mucho que ayude a mejorar la seguridad del trabajo.

◾ Facilite los flujos de información, coordine acciones y cree mecanismos para llevar la información a donde debe estar. Coordine las acciones a través de los límites del equipo para evitar la fragmentación de las iniciativas de seguridad. Proporcione información a quienes pueden tomar decisiones sobre los recursos. Es posible que deba prepararlos para recibir «malas» noticias (es decir, que el trabajo imaginado no es lo mismo que el trabajo realizado) y que hay otras formas de apoyar el trabajo seguro que decirles a los trabajadores que cumplan con las normas.

◾ Genere escenarios operativos futuros; trate de esbozar posibles escenarios futuros que podrían venir con cambios operativos o tecnológicos.

◾ El mundo no es estático. Los riesgos de seguridad cambian a medida que cambia el trabajo. Sin nadie que se ocupe de ellos, la organización puede, sin saberlo, adoptar cambios operativos arriesgados o caer en el tecnooptimismo.

◾ Ayude a los líderes y a otras personas a tomar decisiones difíciles.

◾ Facilitar el aprendizaje; mantener actualizados los modelos de riesgo en una organización. Encuentre fuentes de culpa, busque cualquier cosa que ejerza una presión negativa sobre la apertura y la honestidad de las personas (por ejemplo, incluida la política de «Cero daños» de una organización o similar).

◾ Los modelos de riesgo tienden a volverse obsoletos con el tiempo. Lo que puede causar incidentes hoy en día puede ser muy diferente de antes de la introducción de una tecnología en particular o un cambio operativo. Sin confianza y seguridad de que las personas están juntas en esto, no hay base para aprender y mejorar nada de esto. Aprendiendo de la excelencia

Conclusión

El enfoque que hemos adoptado durante las últimas dos décadas se ha acuñado como seguridad-I. Seguridad-I se centra en comprender por qué se produjo un incidente utilizando métodos como la notificación de incidentes, el análisis de la causa raíz, los modos de fallo y el análisis de los efectos, etc. Estos han sido adoptados y, a veces, adaptados para su uso en la atención médica desde otras industrias de alto riesgo, como la aviación y el control del tráfico aéreo. Hemos concentrado la gran mayoría de nuestros recursos de seguridad en esta área y hemos asumido que existe una causalidad lineal y una culpabilidad individual que puede ser entendida y abordada.

Safety-II se centra en lo que ha salido bien, reconociendo que los sistemas son complejos y que los humanos son la solución, no el problema. Ha habido muchos menos avances de los que esperábamos en la construcción de sistemas más seguros desde la publicación de una organización con memoria, que lanzó nuestro movimiento de seguridad en el Reino Unido.

El problema con la seguridad es que simplemente estamos aprendiendo del pequeño número de veces que las cosas fallan. El aprendizaje de la Seguridad II proviene de la comprensión de los factores individuales y contextuales dentro del complejo sistema adaptativo.

La pregunta clave es si safety-II logrará finalmente los avances que buscamos. Existe la preocupación de que, sin un cambio en la percepción, la seguridad-II terminará con los mismos problemas que la seguridad-I, simplemente porque se aplicará una mentalidad de seguridad-I.

Para evitar esto, Necesitamos reconsiderar nuestro enfoque, no solo cambiar nuestro enfoque. En lugar de los que trabajan en seguridad, aprenden en el trabajo o junto con su trabajo diario de medicina, enfermería o administración. Si bien se trata de un grupo apasionado y trabajador, es necesario que se reconozca al especialista en seguridad como un papel distinto con habilidades y experiencia distintas a las de una formación formal en ciencias de la seguridad. No como un complemento, sino como un papel por derecho propio. Estas habilidades deben ser no sólo para la metodología de seguridad II, sino también para la seguridad I. Durante demasiado tiempo, las personas que han llevado a cabo algún aspecto realmente importante de la seguridad, como una investigación, lo han hecho con muy poca formación experta. La investigación ha demostrado que un gran número de investigaciones de análisis de causa raíz no tienen recomendaciones sostenibles y han dado lugar a muy pocas mejoras. Esto no solo es un desperdicio de recursos, sino que es enormemente frustrante y, de hecho, puede empeorar aún más la seguridad de la atención al paciente. Es pronto y algunos están explorando cómo se puede aplicar esta nueva forma de ver la seguridad. Es necesario un entendimiento común, un conjunto de habilidades y herramientas, así como un mayor conocimiento. La difusión requerirá el desarrollo de herramientas de seguridad II que se sumen a las herramientas de seguridad II. También necesita una mentalidad de seguridad II cuando se utilizan las herramientas de seguridad-I. La última versión del marco de incidentes graves, el marco de respuesta a incidentes de seguridad del paciente, junto con los especialistas en seguridad del paciente y un plan de estudios de seguridad del paciente, contribuyen en gran medida a ayudar. Pero el cambio será lento a menos que transformemos el trabajo de seguridad en una profesión con rigor académico, que sea respetada.

La ciencia de la seguridad incluye la ergonomía, la ingeniería de factores humanos, la psicología, los conocimientos del comportamiento, la sociología y la antropología, por nombrar algunas. La aplicación de la ciencia de estos campos al complejo sistema adaptativo que es la atención médica requiere conocimientos y habilidades especializadas.

Transformar lo que hacemos en una profesión con una cualificación reconocida que no sea simplemente un programa de formación de tres meses y un lugar clave en el equipo de salud se asegurará de que la seguridad sea reconocida como una prioridad y visible para que todos la vean.

Aumentar nuestra experiencia en seguridad-II es para mí lo que tenemos que hacer en las próximas dos décadas. Entender cómo hacemos nuestro trabajo diario, cómo hacemos las cosas bien, averiguar qué necesitamos para continuar y qué debemos detener, ayudará.

Al trabajar realmente con personas que están haciendo el trabajo día tras día, podríamos encontrar la clave para finalmente mejorar la seguridad de la atención al paciente. Como sea que lo llamemos, la forma en que «hacemos la seguridad» tiene que cambiar porque le estamos haciendo un flaco favor a este personal sanitario trabajador y compasivo

Impacto de la Deuda Social en la Atención Sanitaria

No entender que el sistema de salud es un sistema complejo adaptativo es uno de los principales problemas a través de los cuales se toman decisiones cortoplacistas, tanto del sector regulador, financiador (obras sociales provinciales, nacionales, PAMI y las prepagas), prestador y colegios profesionales.

Para atender pacientes se requiere realizarle tener requisitos estructurales y humanos de habilitación, personal de orientación, estudios complementarios, suministrarle medicamentos, atención médica, de enfermería, hotelería, etc, que se cobra recién a los 70 días como mínimo. Financiando prestaciones dos meses y medio a valores históricos, significa más de tres meses de capital de trabajo invertido- hoy perdido con tres masas salariales.

Las intervenciones de los organizamos reguladores se convirtieron en parches insuficientes e incorrectos, en aposiciones de: disposiciones, decretos, agregados al Programa Médico Obligatorio que hacen peor que lo que quieren evitar en estos momentos, los prestadores de salud se batallan con una quiebra del sistema y la suya, sin financiamiento, endeudados en más de su patrimonio, porque están trabajando a perdida hace muchos años, dando crédito a las obras sociales, a la depreciación de su capital de trabajo por inflación y débitos, no queda nada. El gobierno acaba de desentenderse, por medio de un decreto nacional, de la intermediación de la Superintendencia de Servicios de Salud (SSS) en el pago de las prestaciones utilizadas por los afiliados de las obras sociales en los hospitales públicos: un sistema que garantizaba, hasta cierto punto, parte del financiamiento público del sector.

Entonces frente a esa orfandad los obliga a llevarse por delante la calidad, la seguridad de los pacientes y las buenas prácticas de atención, ya que no tienen espacio para recortar más en los costos, muchas de ellas debieran estar cerradas o intervenidas. Mientras en el claustro de gestión hablamos de gestión por procesos, mejora continua, función gerencial, calidad, seguridad de pacientes, flujo y viaje de los pacientes, atención de los enfermos crónicos, esperando un tiempo mejor, recordando lo que decía Roberto Arlt en el prologo de los lanzallamas: «Cuántas veces he deseado trabajar una novela que, como las de Flaubert, se compusiera de panorámicos lienzos Más hoy, entre los ruidos de un edificio social que se desmorona inevitablemente, no es posible pensar en bordados». Este es un tiempo del sálvese quien pueda, ¿quién es el que puede? El que cuenta con agenesia moral y falta de prejuicios, seguir recortando en recursos humanos, en enfermeros y médicos, en los que suministran conocimiento y cuidado a los pacientes, sometiéndolos a peores condiciones de trabajo, cobran su salario en tramos, no les realizan los aportes jubilatorios, se les dan peores insumos y medicamentos, menos ingresos, nada de comités que mejoren la atención y disminuyan la variabilidad, menos tecnoestructura, intentando cobrar aranceles diferenciales, con médicos de guardia externa que cubren los cuidados intensivos, las cámaras empresarias sin fuerza para pelear, los dejan librados a su suerte, que tiene un solo final el cierre.

No existen contratos, esta todo en él tómalo o déjalo, sin premios para los desempeños, para los acreditados, para los que pareciendo tontos sobrevivientes intentan prestar servicios con la dignidad perdida y pagan impuestos.

Los financiadores se protegerán pasando la demanda al sector público, el hospital público que los recibe con los brazos abiertos, y aprender a factura, pasar a registrar servicios y prestaciones desde el hospitalario público a las obras sociales, que necesitan también financiamiento ante los recortes generalizados, obviamente a menor precio, con más plazos de pago,

Este sistema económico imperante ha provocado una disminución la cantidad de nacimientos en argentina, el índice de natalidad se mantiene en las clases más postergadas, esto lleva a que siete de cada diez recién nacidos nazcan en hogares con una deuda social impresionante de la exclusión, marginalidad y expulsión. Muchas clínicas han tenido que cerrar las maternidades y las neonatologías como servicios.

Los financiadores encuentran como salida a un nuevo financiador, en lugar de pagar sus deudas, atrasos, falta de reconocimiento de costos verdaderos y una superintendencia que cerrará los ojos, siendo responsables de una importante cantidad de familias de profesionales que estaban contratados para la atención de determinado grupo de beneficiarios y que por el estrangulamiento en el financiamiento quedan con varios meses de su trabajo y relaciones laborales no registradas, ocultas por la facturación con el régimen simplificado.

Los prestadores están imposibilitados de cumplir con los compromisos y se convierten en morosos seriales, donde ya no importan los rechazos de pagos diferidos.

Esto lleva a que la agonía de las instituciones prestadores ocasione riesgos para los que trabajan y para los pacientes que se atienden, urgentemente hay que declarar una emergencia del sistema prestador y evitar que se cierren las empresas y permitir salir del ahogo financiero de las facturas que tienen que pagar, del aumento de los medicamentos, del precio de las prestaciones oncológicas, anestésicas, de los medicamentos de alto costo y la necesidad de los trabajadores de cobrar un salario digno que les permita vivir y atender adecuadamente a los pacientes.

Pero esto no ocurrirá, por ello, la llave la tienen los financiadores, haciendo un esfuerzo, para reconocer al proveedor de servicios como un socio estratégico en este sistema, y no como el financiador descartable de última instancia.

El pagar menos de lo que cuestan las prestaciones implica una responsabilidad solidaria de las obras sociales con sus afiliados, esto afecta los resultados, la disminución en el desempeño de las instituciones, le hace perder oportunidades de tratamiento y sobrevida a los pacientes y aumenta la mortalidad. Deben sincerarse con los que trabajan bien, los que cuidan a sus pacientes y mantener un flujo de recursos económicos, que permita sobrevivir a una mejora del sector medio y medio bajo de la sociedad. Recordando que ya los hospitales tienen que atender a 16 millones de personas que no están nominalizados, que solo concurren cuando ya no pueden con su vida.

Rondas Schwartz: como recuperar la compasión en la atención médica.

Las expectativas de la atención sanitaria moderna son extremadamente altas. La medicina puede lograr maravillas que apenas se podían soñar hace 50 años. La tecnología y el ritmo acelerado del cambio amenazan con desplazar la compasión. Esa vieja frase que solía resonar cuando la usaban los consultores en las visitas a las salas, «mucho cariño, hermana», rara vez se escucha ahora. La atención sanitaria es cara y cada nación lucha con sus prioridades y problemas. La necesidad de medir es comprensible y necesaria y ha dado lugar a resultados positivos, como la marcada reducción de los tiempos de espera para recibir tratamiento en los hospitales.

Kenneth B. Schwartz fue el fundador de lo que ahora se llama Schwartz Rounds. Escribió sobre su experiencia en el cuidado de la salud;

«En mi nuevo papel como paciente, he aprendido que la medicina no se trata simplemente de realizar pruebas o cirugías o administrar medicamentos. Estas funciones, por importantes que sean, son solo el principio. Por muy hábiles y conocedores que sean mis cuidadores, lo más importante es que hayan empatizado conmigo de una manera que me dé esperanza y me haga sentir como un ser humano, no solo como una enfermedad. Una y otra vez, me han tocado los más pequeños gestos amables… Un apretón de mi mano, un toque suave, una palabra tranquilizadora. De alguna manera, estos actos silenciosos de la humanidad han dado más curación que las altas dosis de radiación y quimioterapia que encierran la esperanza de una cura».

Ken Schwartz era un exitoso abogado estadounidense de poco más de 40 años cuando sufrió cáncer de pulmón. Fue tratado en el Hospital Brigham and Women’s de Boston hace unos 23 años. A pesar de todos los intentos de tratamiento, murió 11 meses después de que se hiciera el diagnóstico inicial. Él y su familia no tuvieron más que elogios por la atención que recibió en un centro de renombre internacional. También se dieron cuenta de la importancia de sus relaciones con los cuidadores. De hecho, en un ensayo publicado en el Boston Globe, Ken Schwartz escribió que «los actos de bondad más pequeños hacían soportable lo insoportable». La familia creó un legado para permitir que se llevaran a cabo reuniones mensuales, Schwartz Rounds, donde los miembros individuales del personal pudieran sentirse libres y seguros para expresar y comprender sus sentimientos sobre el cuidado de un paciente en particular. Las Rondas tienen como objetivo fomentar las relaciones entre los pacientes y todos los miembros del personal dentro de una institución. A las Rondas Schwartz todos son bienvenidos: porteros, personal de catering, farmacéuticos, bibliotecarios, científicos, directivos y administradores.

Schwartz murió en 1995, menos de un año después de su diagnóstico. Pero su mensaje fue poderoso y resonó en la gente. Ese poderoso mensaje se convirtió en las Rondas Schwartz, que se llevan a cabo en hospitales de todo el mundo. Las Rondas Schwartz son un momento en el que los trabajadores de la salud se reúnen para discutir los problemas sociales y emocionales que enfrentan al cuidar a los pacientes y sus familias y para compartir sus experiencias y sentimientos sobre temas extraídos de casos reales de pacientes. Se ha demostrado que las rondas de Schwartz mejoran la capacidad de los proveedores de atención médica para brindar a los pacientes la atención compasiva que necesitan.

Las Schwartz Rounds son reuniones de una hora que se celebran a mitad del día, precedidas de un almuerzo buffet, un principio establecido por el propio Ken Schwartz. Una historia la cuentan tres o cuatro personas, de las cuales sólo una es médico. Cada persona habla durante tres o cuatro minutos sobre el cuidado de un paciente en particular. No hay presentación formal. Un facilitador, que es una enfermera senior, y el médico principal, un médico senior, invitan al resto de la sala a unirse a la discusión. La presentación y la discusión son confidenciales y se hacen grandes esfuerzos para garantizar que preservemos el anonimato del paciente. Las Rondas se detienen inmediatamente después de 60 minutos. Hemos notado que muchos de los asistentes se quedan después para continuar las discusiones en grupos más pequeños. Consideramos esto como un indicador de que estas Rondas son útiles. El análisis preliminar de los formularios de evaluación también sugiere que existe un entusiasmo considerable por estas sesiones. Se requieren algunas horas de preparación en las semanas previas a la Ronda y hemos descubierto que un «ensayo general» en la mañana de la Ronda es muy útil. Ayuda a resaltar las cuestiones clave y proporciona pistas para la discusión posterior. Estamos a punto de embarcarnos en un estudio prospectivo para evaluar el impacto de estas Rondas no sólo en los miembros del panel sino también en la audiencia, el hospital en general y los pacientes.

Otra forma es:

Las Rondas Schwartz brindan una oportunidad para que el personal de todas las disciplinas de una organización de atención médica reflexione sobre los aspectos emocionales de su trabajo. Las Rondas Schwartz proporcionan un marco basado en evidencia que ha demostrado reducir la angustia psicológica y mejorar el bienestar del personal y el trabajo en equipo, lo que en última instancia tiene un impacto en la atención centrada en la persona.

Las Rondas Schwartz fueron desarrolladas por el Centro Schwartz para la Atención Médica Compasiva en Boston, EE. UU. En los EE. UU., más de 320 organizaciones han implementado Rounds, mientras que alrededor de 220 trust y hospicios están contratados para ejecutar Rounds en el Reino Unido. En Irlanda, más de 25 servicios están introduciendo las Rondas Schwartz.

Las Rondas Schwartz se pueden realizar mensualmente. Cada ronda se basa en un tema. La atención se centra en la dimensión humana del cuidado. Tres o cuatro miembros del personal cuentan brevemente una historia sobre el tema. A esto le sigue una discusión facilitada por el líder clínico y facilitador de Schwartz Rounds que involucra a una audiencia más amplia y es una oportunidad para escuchar, compartir y apoyar, construyendo entendimientos mutuos.

Las reuniones de este tipo son una forma eficaz de proporcionar al equipo de atención, una salida para compartir sus sentimientos entre sí. Esto puede ayudar al personal a comprender que cuenta con apoyo, que sus sentimientos se reflejan en los demás y que no está aislado. Les ayuda a seguir brindando atención de calidad incluso en casos altamente emocionales. Además, varios participantes han comentado que el proceso de preparación para estas sesiones les ha ayudado a cerrar una experiencia preocupante que había estado rondando sus conciencias durante muchos meses.

Seguridad de pacientes. La seguridad Psicológica.

Aprender sobre un entorno psicológicamente seguro

Para que la seguridad-I y la seguridad-II tengan éxito, existe la necesidad de seguridad psicológica.

Amy Edmondson puso en primer plano el término «seguridad psicológica» a mediados de la década de 1990, en la época en que James Reason publicaba su trabajo sobre el error humano (1990) y el NHS aumentaba su conocimiento del riesgo clínico. Lo hizo mientras participaba en un estudio de investigación que analizaba los errores de medicación en los hospitales. Edgar Schein había señalado anteriormente que la seguridad psicológica era vital para que las personas superaran la ansiedad en el trabajo, especialmente cuando algo no salía como se esperaba o planeaba.

Edmondson dice que la seguridad psicológica se define ampliamente como un clima en el que las personas se sienten cómodas expresándose y siendo ellas mismas (2018). Cuando las personas lo tienen en el trabajo, se sienten cómodas compartiendo preocupaciones y errores sin temor a la vergüenza o las represalias. Esto significa que tienen confianza para hablar y no serán humillados, ignorados o culpados. Continúa diciendo que cuando un entorno de trabajo tiene una seguridad psicológica razonablemente alta, los errores se informan rápidamente para que se puedan tomar medidas correctivas. La atención creció cuando en 2016 se publicó un estudio de cinco años realizado por Google (Proyecto Aristóteles 2016). Este estudio quería identificar cuáles eran los comportamientos más importantes del equipo y la seguridad psicológica era la más importante de las cinco dinámicas. Los investigadores analizaron 250 atributos del equipo y encontraron los siguientes los cinco primeros. La seguridad psicológica, asumir riesgos sin sentirse inseguro o avergonzado, fue abrumadoramente la dinámica de equipo más importante para un equipo exitoso de Google.

1. Seguridad psicológica.

2. Confiabilidad: las personas pueden contar entre sí para hacer las cosas.

3. Estructura y claridad: los miembros del equipo tienen objetivos, funciones y planes claros.

4. Significado del trabajo: el trabajo es personalmente significativo e importante para todos los miembros del equipo.

5. Impacto del trabajo: el equipo cree que el trabajo importa y crea un cambio.

Me encanta esta lista. Todo esto es fundamental para la seguridad.

La seguridad psicológica se ha afianzado en la atención médica en los últimos años con un aumento de artículos, presentaciones y estudios de investigación. Tanto los médicos como los gerentes están tratando de comprender cómo podemos crear seguridad psicológica dentro de los equipos de atención médica. Edmondson encontró que los equipos que reportaron niveles más altos de seguridad psicológica eran más propensos a admitir errores, menos propensos a irse, más propensos a aprovechar el poder de ideas diversas y, en última instancia, tener más éxito. Tenemos que trabajar para lograr un mundo en el que sea más fácil hablar entre nosotros. Donde no se haga que las personas se sientan débiles al hacer una pregunta o no saber algo. Edmondson describe una superposición de alta seguridad psicológica y alto rendimiento como la zona de aprendizaje y alto rendimiento. Comenzar cada reunión de equipo compartiendo un riesgo asumido en la semana anterior mejoró las calificaciones de seguridad psicológica en un 6%.

La seguridad psicológica es algo que los líderes de la atención médica deben ayudar a crear. En su libro The Fearless Organization, habla sobre el hecho de que, lamentablemente, muchos líderes todavía creen en el poder del miedo para motivar a su personal, asumiendo que las personas que tienen miedo de las consecuencias de sus acciones trabajarán más duro. La seguridad psicológica no se trata de ser amable, aún puedes tener discusiones y aún puedes tener desafíos. Esas discusiones y desafíos deben ser respetuosos y amables. Para construir la seguridad psicológica, necesitas:

◾ Claridad: asegurarte de que todos sepan qué hacer

◾ Un enfoque en los resultados

◾ Una cultura de aprecio

◾ Límites de trabajo claros

◾ Ser activamente inclusivo

◾ Crear una narrativa que construya un entendimiento compartido y cree las condiciones para hablar

◾ Seguridad del paciente ahora

◾ Ofrecer a las personas la oportunidad de hacer preguntas, ampliar la discusión y proporcionar opciones alternativas, y responder

Cuando se mide la seguridad psicológica, se está haciendo más que medir; Usted es:

◾ Concienciación

◾ Problemas que salen a la superficie

◾ Ayudar a modelar la seguridad psicológica

◾ Fomentar los buenos comportamientos

La seguridad psicológica no es:

◾ Simplemente ser amable

◾ Sin reto

◾ Una garantía de que todas tus ideas serán aplaudidas

◾ Una licencia para quejarse

◾ La seguridad psicológica requiere y mejora una actitud particular, una en la que las personas están dispuestas y son capaces de ofrecer sus ideas a los demás, de querer compartir su perspectiva e ideas. La voluntad de compartir, de ofrecer conocimiento, ofrece enormes oportunidades en un mundo de complejidad. Mejora las interacciones y relaciones. Incluso los pequeños actos de bondad simples, como una mano para sostener o una taza de té cuando se está vulnerable, pueden significar mucho. No hay nada débil en la bondad y la compasión. No hay nada débil en tener integridad y respeto. Safety-II no se puede llevar a cabo sin compasión, humanidad y cuidado para el personal y los pacientes. La compasión se logra cuando el personal siente que puede lograr lo que quiere lograr, que tiene éxito, se siente satisfecho y motivado. La compasión se logra cuando el personal siente que se le cuida y valora. Esto proviene de la cultura de la seguridad-II.

Las personas que trabajan en el sector sanitario a veces son etiquetadas como indiferentes. En la experiencia, realmente se preocupan, a veces demasiado, pero los factores los aplastan y se interponen en el camino. El cuidado es exprimido fuera de ellos.

Como líder:

◾ Puedes culpar y castigar o puedes ayudar a las personas a aprender y mejorar.

◾ Puedes juzgar o puedes tratar de aprender.

◾ Puedes ser duro y cruel o compasivo y amable.

Cuando el personal es maltratado, esto repercutirá en su rendimiento y en su capacidad para trabajar de forma segura. Ser denunciado a través de un formulario de incidente o tener una queja en su contra tiene un impacto significativo en las personas involucradas. Las personas sienten sentimientos intensos de miedo, vergüenza, incompetencia, ineptitud o culpa. Brindar apoyo emocional al personal durante este tiempo, asegurándose de que tengan acceso a personas que puedan guiarlos a través de cualquier proceso informal o formal, ayudará a lidiar con el aislamiento, el miedo y la vergüenza asociados con estos eventos. Tener acceso al apoyo es parte tanto de la construcción de un entorno psicológicamente seguro como de una cultura restaurativa justa y de aprendizaje. También reducirá los costos debidos a la deserción del personal, los procesos, la rotación, el rendimiento subóptimo y mejorará los resultados de los pacientes.

Implementación de las Cuatro Etapas de la Seguridad Psicológica

Cuando todo esto parece desalentador, Timothy R. Clark (2020) ha proporcionado un útil conjunto de etapas secuenciales de seguridad psicológica:

◾ Seguridad de la inclusión

◾ Seguridad del alumno

◾ Seguridad del paciente ahora

◾ Seguridad de los colaboradores

◾ Seguridad del Challenger

La seguridad psicológica se logra cuando los seres humanos se sienten incluidos, seguros para aprender, seguros para contribuir y seguros para desafiar. Es donde la seguridad se vincula intrincadamente con la igualdad, la inclusión y la diversidad. Hasta la fecha, las cuestiones de inclusión, diversidad e igualdad se consideran en general por separado de la seguridad.

El primer paso, la seguridad de la inclusión, ayuda a los miembros del equipo a conectarse y pertenecer. Todo el mundo quiere ser aceptado y tener un sentido de propósito compartido. Si incluimos a todos, entonces escuchamos a todos. Lamentablemente, en este momento, aquellos que son diferentes a menudo son tratados de manera diferente; ya sea por género, etnia, color, capacidad o sexualidad. Es más probable que sean investigados y suspendidos y más propensos a sentirse silenciados.

La seguridad se basa en la diversidad colectiva de todos los miembros del equipo de atención médica. Necesitamos diversidad de personalidades, orígenes, creencias, experiencias y actitudes. La seguridad se obtiene a partir de las percepciones de las personas que sienten que pertenecen y están incluidas. La sabiduría de la multitud funciona solo cuando la multitud es diversa y cada individuo se siente seguro para expresar sus pensamientos e ideas. La seguridad de cualquier equipo depende de aprovechar las diferencias en pos de un propósito compartido. En cambio, nos rodeamos de personas de ideas afines. Esto significa que perdemos la contribución de los foráneos. Por lo tanto, si buscamos construir una cultura de seguridad, necesitamos construir una cultura de diversidad. Una cultura que fomenta las ideas de todos construye redes sólidas que unen a las personas para hacerlo.

Las jerarquías entre y dentro de los grupos actúan como barreras potenciales para el trabajo en equipo y la comunicación efectivos. El líder del equipo puede reducirlos mediante el uso de sesiones informativas para promover un concepto de equipo positivo, es decir, todos estamos trabajando juntos hacia un objetivo común. El líder del equipo también puede promover la expresión invitando a hacer preguntas o cotejos, por ejemplo, «si ves algo que no parece correcto, házmelo saber». Valorar la denuncia: si un miembro del equipo ha tenido una respuesta negativa de alguien anteriormente, es menos probable que hable, incluso si hay un problema de seguridad. Reconocer y valorar las sugerencias, incluso si son no se actúa en consecuencia, lo que significa que es más probable que los miembros del equipo hablen en el futuro.

Si bien la diversidad es vital, no vale nada sin inclusión. La gente quiere pertenecer. Ser parte de la pandilla. Ya sea el género, el color de nuestra piel, nuestra etnia, sexualidad o estatus. Las cosas que nos hacen diferentes pueden silenciarnos. Si somos diferentes, tenemos que trabajar más duro, trabajar más inteligentemente. Supera todas las expectativas. Pero también, ser invisible, imperceptible. No hagas demasiadas preguntas. No contribuyas, no desafíes. No te interpongas en el camino. No seas parte de la historia principal, sé una subtrama. Pasa desapercibido. Conviértete en la atmósfera.

Esto debe ocurrir en paralelo con la creación de una cultura organizacional que haga que las personas sientan que pertenecen, que serán tratadas de manera justa y consistente, y que se sienten capaces de hablar sin temor a las repercusiones. Este enfoque positivo se extenderá, asegurando que las personas se sientan motivadas y cuidadas. Durante la última década, más o menos, ha habido un creciente reconocimiento de la necesidad de comprender cuán dependientes son los conceptos de seguridad y seguridad del personal. Siguen existiendo desigualdades en la forma en que se trata al personal cuando las cosas van mal; El personal a menudo trabaja con miedo. Y han surgido algunos problemas nuevos. Como resultado de la pandemia, el personal se siente inadecuado, abrumado o incluso suicida.

El segundo paso, la seguridad de los alumnos, se basa en la seguridad de la inclusión y nos ayuda a aprender y crecer. Nos permite sentirnos seguros para hacer preguntas, dar y recibir comentarios. ¿Quién no ha dudado en levantar la mano para hacer una pregunta en una reunión, en la entrega o en una reunión? Los que nos rodean deben ayudarnos a darnos la oportunidad y el permiso para hacer preguntas.

El tercer paso es la seguridad de los colaboradores, donde nos sentimos seguros de contribuir como miembro de pleno derecho del equipo de atención médica, utilizando nuestras habilidades y destrezas para participar en todas las actividades. Esto ayuda a nuestro deseo de hacer una contribución, de marcar la diferencia. Esto requiere que animemos a otros a contribuir con sus ideas.

El último y más difícil paso es la seguridad de los retadores. Esto se logra cuando se apoya a las personas para que hablen y tengan la confianza para hacer preguntas sobre por qué las cosas se hacen de una manera particular o incluso para evitar que alguien haga algo que creen que podría ser inseguro. Todo lo cual es crucial para una escalada clínica efectiva y una comunicación de atención médica.

Mejorar la forma en que hablamos entre nosotros

En el corazón mismo de lo que hacemos en el cuidado de la salud y en el corazón de la seguridad está poder hablar entre nosotros. Hablar entre nosotros es fundamental y vital para una cultura de seguridad . Hablar entre nosotros significa una conversación. Algo que sentimos que se hace muy mal cuando los tiempos están presionados y la gente está estresada. Cuando las conversaciones salen mal, puede conducir a muchos malos resultados. En el peor de los casos, puede significar que un paciente puede morir como resultado. Una buena conversación debe permitir que las personas tengan tiempo para hablar, escuchar con atención y hacer preguntas aclaratorias, y observar lo que se dice y lo que no. Hablar con los demás requiere un conjunto de valores y comportamientos: ser amable, cariñoso, considerado, honesto, respetuoso, auténtico, ser humano, decir la verdad, crear confianza, ser justo, mostrar amor y aprecio. Hablar entre nosotros también puede ser disruptivo, confrontador, desafiante, mover a las personas de un punto de vista a otro, pasar de lo mismo todos los días a algo nuevo.

Una buena conversación es aquella en la que a la persona se le da tiempo para hablar, alguien escucha y, lo que es más importante, escucha para que pueda responder. Preguntar lo correcto y escuchar empodera a la otra persona en la conversación y la atrae. Si combinamos las conversaciones que realmente importan con el deseo de la primera línea de mejorar el futuro, tenemos una poderosa fuerza para el cambio desde cero. Tenemos el potencial para algo grande. Si ayuda a las personas a hablar entre sí, una buena conversación que importe podría cambiar la dirección del cambio para siempre.

Todos y cada uno, el personal, los pacientes, las familias, los que trabajan o reciben atención médica, todos necesitamos hablar entre nosotros. Lo que queremos decir con esto es mantener conversaciones significativas: permitir que las personas tengan tiempo para hablar, escuchar realmente a alguien con intención y hacer preguntas aclaratorias cuando sea necesario, y notar lo que se dice y lo que no. Las personas conocen sus propias situaciones mejor que los demás, conocen los retos y oportunidades a los que se enfrentan; Solo necesitan ayuda para tener esa conversación.

En cuanto a la seguridad, queremos que las personas hablen entre sí sobre la brecha de implementación, o cuando piensen que algo no es seguro o cuando algo ha salido mal. Hay muchos ejemplos que muestran lo mal que pueden salir mal las cosas si no hablamos entre nosotros de manera más efectiva y lo que sucede cuando no nos escuchan, o no escuchamos o no aprendemos. En el hilo de las historias a lo largo de este libro, hay momentos clave que podrían haber cambiado esas historias para siempre. Si se hubiera escuchado a Bob Ebeling, podría haber evitado la muerte de siete astronautas.

Sin embargo, lo que sí debemos tener en cuenta es que la mala comunicación y, de hecho, los malos comportamientos son a menudo la consecuencia de las dificultades dentro del sistema de salud. El personal está sobrecargado de trabajo, con poco personal, estresado y, sin embargo, se espera que mantenga la calma y el control. La grosería y la mala comunicación serán un resultado directo de la forma en que se espera que trabajen las personas.

Diez formas de mejorar la comunicación: [adaptado de Ted Talk por Celeste Headlee]

1. Esté presente, esté en el momento, trate de no distraerse con lo que acaba de suceder y lo que está a punto de suceder: ‘no esté medio en una conversación’.

2. No prediques, no hagas alarde, expresa tu opinión, pero no seas obstinado.

3. Utiliza preguntas abiertas: las preguntas cerradas terminan en sí o no.

4. Escucha, escucha de verdad.

5. Si no lo sabes, di que no lo sabes.

6. No se trata solo de ti, no pases directamente a tu experiencia.

7. Trata de no repetirte; desconecta a la gente.

8. Ve al grano: a veces no necesitas todas las fechas, los nombres, los detalles cuando necesitas transmitir información vital.

9. Sé breve.

10. Sigue escuchando: «si tienes la boca abierta, no estás escuchando ni aprendiendo».

Con el fin de tener una conversación diferente sobre la seguridad e implementar la mentalidad de seguridad-II, necesitamos métodos para reunir a las personas para comprender cómo funcionan los sistemas, qué es lo «real» en lugar de lo «ideal» de las personas. Tenemos que ayudar a la gente a hablar más sobre su vida cotidiana. Los siguientes son algunos métodos que han sido probados y comprobados en el cuidado de la salud para mejorar la comunicación y las conversaciones y también pueden ser realmente útiles para las conversaciones de seguridad II.

Ampliando el alcance y a la altura de las circunstancias, una oportunidad para que los anestesiólogos tomen la iniciativa en la calidad de la atención sanitaria y la seguridad del paciente (nuevamente)

Bühre, Wolfgang; Maas, Linde

15 de abril 2024

Los anestesiólogos suelen ser los iniciadores y los primeros adaptadores del movimiento por la seguridad del paciente. Nuestro compromiso comenzó con un análisis meticuloso de las lesiones y la mortalidad relacionadas con la anestesia, los incidentes de fracaso en el rescate y el papel de los factores humanos (errores). La variabilidad interhospitalaria de la mortalidad y la morbilidad estimuló aún más la investigación en este campo de la ciencia de la salud. Este esfuerzo colectivo dio lugar a varias iniciativas que dieron como resultado una mejora significativa en la calidad y seguridad de la atención anestésica ^[3] . Más allá de su impacto en el campo de la anestesiología y la medicina perioperatoria, este movimiento ha persistido como fuente de inspiración para la atención sanitaria en general. En lugar de evitar la morbilidad y la mortalidad, los objetivos hoy en día son alcanzar la mejor calidad de vida disponible para los pacientes.

Hoy en día, se puede observar una transición de la atención peroperatoria a la perioperatoria con el anestesiólogo como parte de un equipo multidisciplinario. En consecuencia, varios departamentos cambiaron sus nombres, reflejando esta transición. La medicina perioperatoria crea nuevas oportunidades, ampliando nuestro ámbito profesional de una forma más holística. Desafortunadamente, lo que probablemente refleja la naturaleza central de la profesión, no a menudo asumimos un papel de liderazgo en el área de la calidad de la atención y la seguridad del paciente. Durante la pandemia de COVID-19, los anestesiólogos trabajaron en primera línea en muchos países, pero después volvimos a desaparecer del foco de atención.

La atención sanitaria occidental actual se caracteriza por altas exigencias y una creciente escasez de recursos humanos y financieros. Esta situación requiere acción, transformando significativamente la atención sanitaria, incluyendo el uso de nuevas opciones tecnológicas. Es necesario un liderazgo anestesiológico, aprovechando nuestras competencias en la supervisión de la atención hospitalaria y nuestra capacidad para implementar cambios en estos procesos.

PRIMERO, NO HACER DAÑO ^[4] . LOS ANESTESIOLOGOS COMO ADAPTADORES TEMPRANOS DE (UNA CULTURA DE) SEGURIDAD

La seguridad del paciente es la piedra angular de la anestesia moderna. Se lograron mejoras significativas en la atención perioperatoria segura en los últimos 40 años ^[5,6] . La monitorización continua de parámetros vitales (p. ej., oximetría de pulso y capnografía) es un estándar de atención, reflejado en las directrices y regulaciones nacionales vigentes. Actualmente, la tecnología médica está profesionalizada y se dispone de interpretación automatizada de los datos, lo que lleva al uso clínico del apoyo a las decisiones en la medicina perioperatoria ^[7] . En varios países, la seguridad de los medicamentos ha mejorado, incluidos aspectos prácticos como etiquetado claro y códigos de barras, medidas de control de seguridad como la «doble verificación» son parte integral de los estándares de seguridad actuales (OMS, Real Colegio de Anestesistas de Gran Bretaña (RCA), Unión Europea Sociedad de Anestesiología y Medicina de Cuidados Intensivos (ESAIC), Sociedad Estadounidense de Anestesiología (ASA)).

En los últimos años, varios estudios, incluido el análisis de reclamaciones cerradas, demostraron que el rendimiento del equipo en situaciones críticas mejora cuando se entrena previamente ^[8,9] . Por lo tanto, la formación, el trabajo en equipo y las técnicas de comunicación se convirtieron en parte integral de los programas de residencia en muchos países y son ofrecidos por sociedades nacionales e internacionales. Mientras tanto, el entrenamiento con simulación evolucionó hacia escenarios multidisciplinarios altamente realistas. Las lecciones aprendidas de las industrias aeronáutica y aeroespacial contribuyeron significativamente a este progreso ^[10] . Conceptos como la gestión de recursos de la tripulación (CRM) son altamente recomendados y forman parte de los programas de capacitación estándar en quirófanos (OR) en varios países. Es necesario implementar técnicas de comunicación como la «comunicación de circuito cerrado» ^[11] y formatos de comunicación eficaces demostrados como SBAR (situación, antecedentes, evaluación, recomendación) en los quirófanos ^[12,13] . Mientras tanto, las listas de verificación para procedimientos invasivos, entregas, protocolos de crisis y controles perioperatorios se han convertido en componentes integrales de nuestra práctica diaria. Estas herramientas estructuradas han demostrado ser indispensables para mejorar la seguridad y la eficiencia.

El registro (digital) de eventos adversos e incidentes fue el punto de partida del análisis de incidentes ^[14] . Incluso en los primeros días de la anestesia, se lograron avances significativos en la reducción de la mortalidad cuando se comprendió que las catástrofes intraoperatorias a menudo coincidían con fallas en la tecnología y la maquinaria médica. A partir de entonces, el alcance de la seguridad del paciente se amplió para abarcar todo el proceso perioperatorio. Surgió el reconocimiento de la naturaleza multidisciplinaria de la atención y el énfasis en la responsabilidad compartida de todos los resultados quirúrgicos. Con este alejamiento de la perspectiva tradicional principalmente quirúrgica, ahora tenemos un papel relevante para la atención perioperatoria. En los últimos años, los avances en las técnicas quirúrgicas, las indicaciones más restrictivas para los procedimientos y el enfoque multidisciplinario para el cáncer, las enfermedades cardiovasculares y otras enfermedades, el principal factor de morbilidad, mortalidad y calidad de vida, son comorbilidades relacionadas con los pacientes en una población que envejece.

Ninguno de estos pasos hubiera sido posible sin el apoyo y la dedicación de organizaciones como la ESAIC. El compromiso europeo con la calidad y la seguridad del paciente se refleja en la Declaración de Helsinki sobre Seguridad del Paciente en Anestesiología, que fue desarrollada por la ESAIC y posteriormente firmada a nivel mundial por la mayoría de sociedades y países ^[15] . La Federación Mundial de Sociedades de Anestesiólogos (WFSA), el Anesthesia Quality Institute (AQI), Lifebox y las Anesthesia Patient Safety Foundations (APSF, EPSF) iniciaron la estandarización y el desarrollo de directrices, vitales para la práctica diaria.

Paralelamente al creciente énfasis en la seguridad en el campo de la anestesia, también mejora constantemente el movimiento interprofesional en este campo. Un ejemplo de ello es el desarrollo de directrices y estándares internacionales y globales que podrían implementarse de manera uniforme en todas las instituciones [por ejemplo, los estándares de cirugía segura de la OMS (2)]. La conceptualización de la seguridad en la asistencia sanitaria está evolucionando de un tema a una disciplina científica madura, estimulando también la investigación en este campo. Muchas instituciones buscan la certificación y desarrollaron o perfeccionaron sus políticas de calidad y seguridad del paciente a través de organismos acreditados, como la Joint Commission International ^[16] . El cambio más gradual, pero quizás el más crucial, se observa en el desarrollo de una cultura de seguridad. Esta transformación, típica de los cambios culturales, avanza de manera constante y aún está en curso ^[12] . Una cultura de seguridad se define de varias maneras según el NHS, como “aquella en la que el entorno se diseña, crea y fomenta de manera colaborativa para que todos (personal individual, equipos, pacientes, usuarios de servicios, familias y cuidadores) puedan prosperar para garantizar una atención brillante y segura” ^[17] . El núcleo de este enfoque es la comunicación abierta sobre los errores médicos y la ausencia de culpa. El concepto teórico de que se debe responsabilizar a todo el sistema, y no a un individuo, junto con una visión que enfatiza aprender de los fracasos, forman la base de este enfoque.

Este concepto también se define como «Cultura Justa». Este modelo categoriza tres comportamientos diferentes de los que pueden surgir errores médicos ^[18▪▪] : error humano (realizar incorrectamente o no una acción por accidente), comportamiento de riesgo (comportarse intencionalmente de una manera que aumenta el riesgo, por ejemplo, acelerar sobre la carretera). límite de velocidad) y comportamiento imprudente (p. ej., conducir en estado de ebriedad). Dado que sólo el primero puede considerarse verdaderamente no intencional, los dos últimos requieren acciones diferentes (entrenamiento o disciplina). La transparencia y la falta de culpa en el proceso pueden alentar a los miembros del equipo a informar eventos adversos; con la seguridad de que se realizarán análisis y cambios de las causas fundamentales ^{[12,18▪▪]} El valor agregado de este enfoque es la implementación de un sistema de notificación de incidentes críticos en muchos hospitales, lo que permite calcular tasas estandarizadas de morbilidad y mortalidad. El análisis de incidentes, a través del análisis de la causa raíz, se volvió cada vez más común y ahora es una práctica estándar en nuestras operaciones diarias ^[19] . El aspecto de aprendizaje de la notificación de incidentes se refuerza aún más con la introducción de conferencias sobre morbilidad y mortalidad en anestesiología.

El último paso en esta transición de la cultura de seguridad es el cambio hacia el aprendizaje desde la excelencia, también conocido como Seguridad-II ^[12,20,21] . La seguridad a menudo se percibe como la ausencia (o rareza) de incidentes, centrándose en analizar las cosas que van «mal». Este marco conceptual se denomina Seguridad-I ( Fig. 1 ). Hoy en día, sostenemos que Seguridad I debe complementarse con una mejor comprensión de lo que generalmente va bien (eventos que conducen al éxito), conocido como Seguridad-II ^[20] . La suposición central aquí es que el «trabajo tal como se imagina» a menudo contrasta con el «trabajo tal como se realiza». La diferencia entre ambos no se ve necesariamente como un «error», sino como una variabilidad que puede desempeñar un papel clave en la creación de seguridad para el paciente. Un ejemplo de cómo se puede aplicar este concepto en la práctica lo dan Lee et al. ^[22] . Basándose en el análisis de incidentes, North American Partners in Anesthesia (NAPA) desarrolló un enfoque proactivo para la seguridad del paciente. Demostraron que en escenarios de alto riesgo reconocidos (p. ej., IMC > en pacientes sometidos a anestesia general), las intervenciones proactivas (como tener un segundo anestesiólogo durante la inducción y la emergencia) pueden contribuir a una mayor reducción del riesgo en términos de eventos adversos.

FIGURA 1:Enfoque de Seguridad-I versus Seguridad-II (fuente: Erik Hollnagel *et al.* 2015 ^[21] ).

AMPLIAR EL IMPACTO DE LOS ANESTESIOLOGOS EN LA SEGURIDAD DEL PACIENTE Y LA CALIDAD EN LA ATENCIÓN SANITARIA

A través de la participación activa en procesos de medicina crítica, de emergencia, del dolor y paliativa, nuestro alcance se extiende significativamente. Tomar la iniciativa en iniciativas de calidad y seguridad en todo el hospital es un paso sutil pero profundo, que subraya nuestro compromiso de ampliar el impacto de nuestras habilidades y conocimientos más allá de los límites tradicionales.

En los últimos años, los anestesiólogos también han iniciado varias iniciativas exitosas en el campo de la calidad y la seguridad fuera del quirófano. Se han llevado a cabo proyectos para promover una participación más amplia en el contexto perioperatorio, como iniciativas centradas en la toma de decisiones compartida con respecto a intervenciones y programas de prehabilitación. La evaluación cardíaca preoperatoria se ha integrado en el cribado preoperatorio ^[23-25] y se han realizado investigaciones sobre la implementación de visitas postoperatorias por parte de anestesiólogos ^[26] . Estos esfuerzos individuales también se han consolidado en un concepto conocido como Hogar Quirúrgico Perioperatorio, que se practica principalmente en los EE. UU. y Canadá. En este enfoque centrado en el paciente, un equipo multidisciplinario de médicos guía a los pacientes en el entorno perioperatorio. Esto no sólo reúne opiniones de expertos para pacientes complejos, sino que también optimiza problemas comunes (p. ej., atención de la diabetes) a través de vías específicas de enfermedades y afecciones ^[27,28] .

Más allá de estos pasos enfocados médicamente en calidad y seguridad, es imperativo promover activamente la difusión de nuestras competencias generales. La forma en que los anestesiólogos manejan la comunicación (p. ej., comunicación de circuito cerrado) y el trabajo en equipo, incluida la gestión de recursos de la tripulación, puede servir como modelo ejemplar para muchas especialidades. Los controles de seguridad integrados para medicación y entregas, habituales en Anestesia, no son una práctica estándar en otras disciplinas. Además, una actitud y una cultura abiertas hacia la seguridad del paciente, en las que se adopte un aprendizaje constructivo a partir de las complicaciones y los errores médicos, puede ser un ejemplo inspirador para muchos.

SI PODEMOS

Además de perfeccionar estos proyectos e iniciativas centrados en la medicina, queda por delante un desafío más importante. Si bien existen numerosas formas en las que podríamos amplificar nuestro impacto, los anestesiólogos poseen inherentemente un carácter orientado al servicio y sólo aparecen esporádicamente en el centro de atención. Hasta ahora, ha sido un desafío para nosotros asumir plenamente un papel de liderazgo. Por lo tanto, se requiere un cambio de actitud para hacer realidad la implementación de cualidades de seguridad anestesiológica en todo el hospital. Varios artículos de opinión destacan simultáneamente la multitud de posibilidades y la vacilación a la hora de aprovecharlas de forma proactiva ^[29] . Es lamentable, dado que durante la pandemia de COVID-19 demostramos cómo este momento disruptivo nos colocó exitosamente a la cabeza. No pasó desapercibido el papel fundamental que desempeñan los anestesistas como expertos en el tratamiento de pacientes con problemas respiratorios y/o hemodinámicos. Como efecto adverso positivo, se hizo evidente nuestro papel fundamental en la atención sanitaria en todo el espectro de atención al paciente ^[21-24] .

Mathis et al. ^[30▪▪] describen en su inspirador artículo cómo los anestesiólogos podrían ampliar su impacto y desarrollarse aún más como líderes en la atención médica. Destacan la necesidad de replantear la atención al paciente dirigida por los anestesiólogos, lo que requiere una ampliación de horizontes. Como ejemplo, proponen pasar de centrarse simplemente en el tratamiento y la investigación relacionados con el dolor agudo y crónico a liderar proyectos multidisciplinarios e investigar la transición del dolor agudo al crónico o participar en los esfuerzos para combatir la crisis del abuso de opioides. También abogan por un desarrollo profesional específico que prepare una fuerza laboral de anestesistas para competencias en áreas como la gestión estratégica y del cambio. Finalmente, Mathis et al. subrayan la importancia de desarrollar un modelo conceptual en el ámbito del liderazgo, uno en el que la confiabilidad se tenga en alta estima.

Teniendo en cuenta la transición del pago por servicio al pago por valor y la filosofía del triple objetivo ^[31] , parece ser el momento adecuado para asumir este papel de liderazgo. Quizás, con una formación adecuada en cualidades de liderazgo y un poco más de confianza en nuestras capacidades para liderar el camino, podamos convertir en realidad el concepto de seguridad del paciente liderado por la anestesiología.

CONCLUSIÓN

En las últimas décadas, la anestesia se ha vinculado estrechamente con la seguridad del paciente y la calidad de la atención. Los anestesiólogos no sólo pueden tener experiencia teórica sobre la seguridad del paciente sino que, lo que es más importante, están especialmente capacitados para llevar la ideología de una verdadera cultura de seguridad a la atención sanitaria. Es hora de aprovechar este conocimiento y experiencia más allá de los quirófanos, no sólo en el ámbito perioperatorio, sino en todo el hospital. Para ello es esencial superar nuestras dudas a la hora de ser el centro de atención. Es indispensable seguir investigando tanto los conceptos de atención sanitaria dirigidos por anestesiólogos como el desarrollo de competencias de liderazgo en nuestra formación especializada.

Enfoques top down y bottom up para la atención de bajo valor

Andrea M. Patey 1 , 2 ,
Christine Soong

La atención de bajo valor se refiere a pruebas o tratamientos para los cuales hay poca evidencia de beneficio o más daño que beneficio, lo que puede resultar en malos resultados para los pacientes, como pruebas secundarias injustificadas o eventos adversos. En este contexto, el uso ineficiente de los escasos recursos sanitarios amenaza la sostenibilidad de los sistemas sanitarios y la atención de bajo valor es un objetivo obvio. Se ha estimado que alrededor del 25% al 30% de toda la atención es de bajo valor en países como Australia, Canadá, España, Brasil y Estados Unidos, y esta estimación se eleva al 80% para ciertos procedimientos. 1

Existe un interés cada vez mayor en identificar áreas de atención de bajo valor basándose en la evidencia disponible, las directrices y la opinión de expertos, 2 incluidas iniciativas como Choosing Wisely 3 y la campaña Too Much Medicine del British Medical Journal . 4 Estas campañas apuntan a reducir o detener los servicios de bajo valor (es decir, des-implementar ) desde ‘abajo hacia arriba’, a nivel micro o meso. Están diseñados para modificar los comportamientos de los médicos a través de estrategias como auditoría y retroalimentación, empujones, apoyo electrónico a las decisiones clínicas o educación. Los diferentes componentes tienen resultados diferentes y las intervenciones con múltiples componentes parecen ser las más efectivas. 5

A diferencia de las intervenciones realizadas a nivel médico, las intervenciones a nivel de políticas que incluyen estructuras regulatorias y de pago que incentivan el valor han despertado interés como un enfoque «de arriba hacia abajo». La desinversión es una estrategia de desimplementación que normalmente implica desincentivos financieros, como la retención de fondos o la aplicación de sanciones financieras. Sin embargo, las estrategias de desinversión han demostrado resultados mixtos para reducir la atención de bajo valor. 6 El desafío radica en producir políticas de arriba hacia abajo que se alineen con los intereses de los médicos, los pacientes y los formuladores de políticas: cuando las intervenciones políticas no están alineadas, el cambio resulta difícil de lograr. La desalineación puede ocurrir cuando una estrategia de desinversión no se adapta al modelo de financiamiento de la atención médica y de compensación médica del contexto objetivo. Por ejemplo, los médicos asalariados pueden requerir un enfoque diferente al de los médicos que ejercen en un modelo de pago por servicio.

En esta edición de Calidad y Seguridad de BMJ , Anderson et al. evaluó el impacto del programa de desinversión de intervención basada en evidencia (EBI), un enfoque político macro coordinado y estructurado «de arriba hacia abajo» para desinvertir en atención de bajo valor. 7 El programa EBI desarrolló una guía estatutaria en torno a la identificación de 17 procedimientos de atención de bajo valor, agrupados en dos categorías: (1) Procedimientos para detener por completo y (2) Procedimientos para reducir al 25% de los niveles nacionales actuales. Además, el programa EBI estableció objetivos y brindó orientación a los grupos de comisión clínica (CCG) locales sobre cómo reducir la atención de bajo valor. Los autores compararon los cambios de volumen de los procedimientos de bajo valor entre enero de 2016 y febrero de 2020 con un conjunto de procedimientos de control no incluidos en el programa EBI. El grupo de tratamiento primario en la evaluación fueron los procedimientos de categoría 2 durante la primera fase del programa EBI; La motivación para excluir los procedimientos de categoría 1 del análisis primario fue que no se recomendaban en ninguna circunstancia y, por lo tanto, era probable que experimentaran reducciones mayores, con un análisis de solidez adicional que probó este supuesto. Los cuatro procedimientos de control fueron seleccionados de la categoría A de procedimientos de bajo valor que formarán parte de la segunda fase del programa EBI. Descubrieron que la implementación del programa EBI se asoció con una reducción 0,10% menor en el volumen de procedimientos de bajo valor en el grupo de tratamiento en comparación con los procedimientos de control, lo que equivale a 16 procedimientos de bajo valor por mes. Los resultados fueron consistentes en varios análisis de solidez: independientemente de incluir procedimientos de categoría 1 (parar por completo, donde se esperarían efectos mayores debido a la falta de pago); independientemente del momento de la intervención (para tener en cuenta cualquier cambio que se produzca cuando se anunció la nueva política en lugar de cuando se aplicó realmente); y en procedimientos tanto de alto como de bajo costo, por lo que no están impulsados únicamente por procedimientos de alto costo. Las reducciones fueron mayores para los GCC que registraron un déficit financiero en el año de referencia, lo que sugiere que estos GCC quizás estaban más comprometidos con el ahorro de costos.

Los autores reconocen que el programa EBI, una intervención compleja en sí misma, tiene una combinación distintiva de componentes que incluye el establecimiento de objetivos para los 17 procedimientos de bajo valor por parte de cada organización encargada local, la introducción de una tarifa cero para ciertas intervenciones, pidiendo a todos los grupos encargados que implementar un proceso de aprobación previa para intervenciones de bajo valor, monitorear los objetivos acordados y brindar retroalimentación a los hospitales y grupos encargados. Sin embargo, es posible que los procedimientos de control no hayan quedado indiferentes a la intervención, que es uno de los supuestos en que se basa el análisis realizado. Aún así, la conclusión general es que el programa EBI no ha acelerado la desinversión de los procedimientos específicos de bajo valor al lograr reducciones mayores en volumen que para los procedimientos de control, sino que se asoció con reducciones más pequeñas, lo que se suma a los resultados mixtos observados en muchos programas anteriores. iniciativas de desinversión.

Enfoque ‘de arriba hacia abajo’ de la atención de bajo valor como intervención compleja

Como se demuestra en el estudio de Anderson et al. , las estrategias de desinversión activa pueden ser intervenciones complejas. En esencia, la esperanza es que los desincentivos financieros impulsen las reducciones deseadas en áreas de atención de bajo valor. Sin embargo, este enfoque posiciona el ahorro de costos financieros para el sistema como el motivador predominante para reducir la atención de bajo valor donde puede haber otros objetivos potenciales dignos de cambiar los comportamientos de la práctica clínica. Además, minimiza la importancia de los enfoques de las ciencias sociales y del comportamiento, como la economía conductual, que enfatizan la importancia de las perspectivas del público, los pacientes y los médicos para reducir la atención de bajo valor. 6 Muchos países han implementado programas de pago por desempeño que incentivan o desincentivan financieramente mediante sanciones y falta de pago con resultados mediocres. 6 Sin embargo, necesitamos comprender mejor cómo dichos programas, incluido el programa EBI, pueden haber funcionado (o no) para informar mejores formas de incorporar cambios a nivel de políticas en los intentos de reducir la atención de bajo valor.

Como señalan Anderson et al. , hay muchos factores que pueden contribuir al fracaso de las iniciativas de desinversión para lograr sus objetivos, como la baja participación del público y de los médicos, un enfoque «de arriba hacia abajo» sin aceptación entre los médicos de primera línea, la falta de acuerdos de recopilación y seguimiento de datos, incertidumbre en torno a la solidez de la evidencia que convence a los médicos para des-implementar y falta de infraestructura organizacional de mejora de la calidad (como acceso a expertos en mejora de la calidad, datos y grado de apoyo del liderazgo ejecutivo). Las intervenciones a nivel de políticas requieren la implementación activa de recomendaciones a nivel médico, ya que las políticas no se implementan por sí solas. Garantizar la alineación de intereses entre los formuladores de políticas y los médicos y centrarse en la implementación local de las recomendaciones, la participación de los médicos y el cumplimiento de las políticas puede ser fundamental para el éxito de una intervención a nivel de políticas como el programa EBI. No está claro cómo el programa EBI abordó la implementación local y la naturaleza de la participación de los médicos para promover la adherencia. Por ejemplo, se entregó retroalimentación sobre el desempeño a hospitales y CCG, pero no está claro si esta información se difundió o llegó a los médicos y equipos de primera línea, ni cómo, de una manera que involucrara y empoderara a estos grupos para implementar los cambios en la práctica clínica necesarios para lograr los objetivos previstos. resultados. De igual forma, se desconocen detalles sobre cómo cada hospital o CCG logró cumplir con los objetivos de desinversión. ¿Tenían los equipos clínicos (enfermeras, médicos, farmacéuticos y administradores de clínicas y/o salas) el apoyo o la capacitación necesarios para desimplementar procedimientos y tratamientos específicos? ¿Hubo un trabajo activo de desimplementación sobre el terreno o se centró en la difusión de conocimientos, que se sabe que es insuficiente para producir el cambio necesario para reducir o eliminar significativamente la atención de bajo valor? 8 9 Es poco probable que las políticas o directrices legales por sí solas, sin una estrategia de desimplementación que las acompañe y dirigida a los equipos clínicos, tengan éxito o puedan producir consecuencias no deseadas.

Hay algunos escenarios en los que un enfoque basado únicamente en políticas sin una implementación activa o la participación de los médicos podría tener más éxito a la hora de reducir la atención de bajo valor: (1) La política puede aplicarse sin que los médicos puedan crear soluciones alternativas (como crear barreras para acceder a la servicio de bajo valor) y (2) Cuando se dirige a servicios ‘claramente ineficaces’ donde la evidencia, generalmente relacionada con el daño al paciente, es muy sólida, de modo que el acceso al servicio puede eliminarse de inmediato. Un ejemplo de un enfoque basado únicamente en políticas en el escenario #1 se ilustra en un estudio que examina los patrones de prescripción luego de la implementación de políticas que regulan las visitas de vendedores farmacéuticos a los médicos tratantes en centros médicos académicos de Estados Unidos. 10 Los autores encontraron una reducción modesta pero significativa en la prescripción de medicamentos detallados cuando los médicos ya no tenían acceso o exposición limitada a los vendedores farmacéuticos. Esta fue una intervención únicamente política que efectivamente redujo la influencia de los vendedores farmacéuticos cuando los médicos no podían encontrar una solución alternativa. Un ejemplo de un enfoque eficaz basado únicamente en políticas en el escenario #2 (área de ‘servicios claramente ineficaces’ donde no había ninguna situación clínica que justificara su uso y una alta probabilidad de daños significativos al paciente) es el retiro del mercado de fenfluramina-fentermina para la obesidad en el EE.UU. por la Administración de Alimentos y Medicamentos. 11

Sin embargo, los servicios de bajo valor a menudo no son fácilmente etiquetados como «claramente ineficaces». Más bien, se definen subjetivamente utilizando criterios de idoneidad, lo que requiere una toma de decisiones clínicas en las que, en algunas situaciones clínicas, un servicio como el de imágenes de la espalda baja podría ser apropiado (es decir, en presencia de síntomas de alerta que sugieren un proceso patológico) o no (es decir, en un paciente con características clínicas compatibles con dolor lumbar mecánico). La realidad es que hay muy pocos servicios que puedan etiquetarse fácilmente como «claramente ineficaces» y que se beneficiarían de intervenciones exclusivamente políticas para simplemente «desactivar» el acceso a dichos servicios. La mayoría de los servicios incluidos en el programa EBI no son así porque algunos pacientes en determinados escenarios clínicos pueden beneficiarse. 1 Como resultado de la subjetividad en torno a lo que constituye una atención de bajo valor (que puede diferir según la perspectiva del paciente, el médico o la organización), los médicos pueden no estar motivados para cambiar el comportamiento de la práctica simplemente para obtener ahorros percibidos a nivel de sistemas. Por lo tanto, es poco probable que centrarse únicamente en las desinversiones o desincentivos financieros, como cualquier otra intervención monofacética, tenga éxito en la mayoría de las áreas de atención de bajo valor. 5 Las intervenciones a nivel de políticas podrían ser más efectivas cuando se combinan con otras intervenciones dirigidas directamente al comportamiento de los médicos y a otras partes interesadas, incluida su motivación para reducir la atención de bajo valor.

Utilizar evidencia de enfoques «de abajo hacia arriba» para reducir la atención de bajo valor

Décadas de investigación en ciencia de la implementación han enfatizado que el desarrollo de estrategias de intervención basadas en posibles barreras e impulsores de la atención es un paso crítico. De manera similar, la probabilidad de que las estrategias de desimplementación y desinversión sean efectivas depende de: (1) la validez y exhaustividad de las evaluaciones de barreras e impulsores del comportamiento clínico de bajo valor; (2) Identificar componentes de intervención eficaces dirigidos a barreras e impulsores; (3) La fidelidad de la ejecución de la intervención; y (4) La ausencia de factores contextuales no reconocidos que podrían modificar los efectos de una intervención. 9 Sin embargo, aunque los pasos tomados probablemente sean similares, es necesario considerar cuidadosamente si los mismos métodos que son efectivos en la implementación, como la auditoría y la retroalimentación, serán igualmente efectivos en la desimplementación o requerirán adaptación para cumplir con algunos de los diferentes y barreras únicas en la desimplementación.

Varias iniciativas exitosas de desimplementación de bajo valor, que involucran intervenciones de múltiples componentes en toda la organización, muestran que los equipos de alta dirección que adoptan una metodología de mejora y demuestran características de liderazgo fuerte son fundamentales para impulsar los resultados de calidad deseados en múltiples dominios, incluido el valor. 12 13 Además, la desimplementación de cada prueba de bajo valor (p. ej., solicitud de pruebas de rutina para cirugía ambulatoria) puede requerir que múltiples profesionales de la salud (p. ej., médico de atención primaria, enfermera de evaluación preoperatoria, anestesiólogo, cirujano) cambien colectivamente lo que hacen. para el paciente. 14 Cada proveedor de atención médica puede entonces requerir una intervención personalizada dependiendo de los impulsores de su práctica, por lo que requiere un enfoque más complejo que el de «talla única».

Combinar enfoques de arriba hacia abajo y de abajo hacia arriba para reducir eficazmente la atención de bajo valor

Los marcos publicados recientemente incluyen herramientas y métodos que se pueden considerar para ayudar a guiar el diseño y la ejecución de intervenciones de desimplementación más efectivas. 9 15 Los marcos conceptuales amplios reconocen que las intervenciones pueden apuntar a niveles de sistema, política, hospital, práctica, proveedor y paciente, así como que las estrategias de desimplementación (en cualquier nivel) deben conducir a un cambio de comportamiento del proveedor (y del paciente). 16 17 El Marco de Desimplementación Choosing Wisely 9 es un marco de proceso práctico que guía a uno a través del diseño, evaluación y escala de una intervención de desimplementación entregada en cualquier nivel (individual, sistémico u organizacional) para apuntar explícitamente al cambio de comportamiento para el sector de la salud. proveedor y paciente.

Al diseñar iniciativas para reducir la atención de bajo valor, es importante tener en cuenta que es poco probable que cualquier estrategia o componente sea eficaz en todos los problemas de calidad y seguridad en general. 9 La evidencia muestra que incluso los componentes utilizados con frecuencia, como la auditoría y la retroalimentación, 18 los detalles académicos 19 y las intervenciones políticas funcionan algunas veces, pero ninguna funciona todo el tiempo, los efectos observados son a menudo modestos y no siempre está claro por qué ocurrió el cambio modesto. . 9 Además, algunas barreras que se enfrentan en las intervenciones de desimplementación, como la forma en que los médicos manejan la incertidumbre diagnóstica, pueden requerir adaptación o componentes diferentes. 20 Muchas soluciones locales, a menudo unicéntricas y específicas para cada contexto, funcionan en un entorno pero no en otros y, a la inversa, sin el apoyo de los médicos, las intervenciones políticas independientes corren el riesgo de fracasar. 21 Las iniciativas efectivas de desimplementación probablemente requerirán estrategias o componentes que se implementen desde una perspectiva tanto de arriba hacia abajo (de los formuladores de políticas y administradores) como de abajo hacia arriba (apoyo a y desde los proveedores de atención médica) y requieran la participación activa de todas las partes interesadas para reducir la atención de bajo valor. Por ejemplo, una intervención de desimplementación basada en la teoría y la evidencia para reducir las pruebas preoperatorias de rutina de bajo valor, que contiene diferentes estrategias aplicadas a la administración hospitalaria y a los proveedores de atención médica, mostró una reducción del 48% en las pruebas preoperatorias de bajo valor. 9

Mientras que Anderson et al. informan sobre la decepción por el hecho de que el programa EBI no haya logrado los resultados deseados, reconocen que el programa aún representa un importante paso adelante en el desarrollo de un enfoque sistemático y transparente para identificar la atención de bajo valor que requiere su desimplementación en Inglaterra. A partir de las lecciones aprendidas en este estudio y de otras iniciativas de políticas de desinversión, es fundamental comprender cómo los médicos, administradores, pacientes y partes interesadas clave pueden participar activamente para abordar los factores de las ciencias sociales y del comportamiento que contribuyen a la atención de bajo valor, así como para brindar médicos con los recursos, la formación y las competencias necesarias para llevar a cabo el trabajo de mejora. El trabajo futuro puede centrarse en formas de combinar intervenciones simultáneas a nivel de macro, meso y microsistema. En lugar de que las intervenciones se realicen en silos, abogamos por un enfoque coordinado en todos los sectores de la salud para crear, implementar, medir y evaluar enfoques multicomponentes y multinivel en asociación con pacientes, familias y médicos de primera línea en cada paso del proceso para reducir las intervenciones de bajo valor. cuidado.

Principal

El potencial de los modelos generalistas en la IA médica

Interacciones flexibles

Especificación de tareas dinámicas

Entradas y salidas multimodales

Conocimiento del dominio médico

Casos de uso de GMAI

Informes de radiología fundamentados

Procedimientos aumentados

Apoyo para la toma de decisiones en la cabecera del paciente

Toma de notas interactiva

Chatbots para pacientes

Generación de texto a proteína

Oportunidades y desafíos de GMAI

Cambios de paradigma con GMAI

Controlabilidad

Adaptabilidad

Aplicabilidad

Desafíos de GMAI

Validación

Verificación

Sesgos sociales

Privacidad

Escala

Conclusión

Compártelo:

El futuro de la atención a los adultos mayores en China: innovaciones en la prestación de servicios de salud

El crecimiento de las tecnologías emergentes para la hospitalización domiciliaria

Sala de atención domiciliaria inteligente para hospitales

Características del SHW

Planes de atención de SHW para enfermedades especializadas

Desafíos para la ampliación del programa de atención a los trabajadores sanitarios en China

Implicaciones de la atención hospitalaria domiciliaria mediante el uso de trabajadores sanitarios de salud para profesionales, investigadores y responsables de políticas

En resumen

Compártelo:

Compártelo:

Compártelo:

Temas analíticos

Los profesionales sanitarios se sienten divididos e inadecuados

PCC exige a los profesionales sanitarios

Rol profesional remodelado

Proporcionar un PCC significativo para los profesionales sanitarios

Los profesionales sanitarios se sienten valorados

Colaboración en equipo mejorada

Reducción de la carga de trabajo y del estrés

Mayor motivación y compromiso personal

Discusión

Fortalezas y limitaciones

Conclusión

Compártelo:

Compártelo:

Introducción y antecedentes

Revisar

Realidad virtual y realidad aumentada

Tabla 1: Aplicaciones y ejemplos de realidad virtual y realidad aumentada en el ámbito sanitario

La Internet de las cosas médicas

Tabla 2: Algunos ejemplos de la Internet de las cosas médicas

Medidas de ciberseguridad para dispositivos médicos

Tabla 3: Algunos ejemplos de medidas de ciberseguridad de dispositivos médicos

Monitorización remota de pacientes

Tabla 4: Algunos ejemplos de monitorización remota de pacientes (RPM)

Integración de Fintech en el sector sanitario

Tabla 5: Algunos ejemplos de integración de tecnología financiera (fintech) en la atención médica

Migración a la nube en el sector sanitario

Tabla 6: Algunos ejemplos de migración a la nube en el ámbito sanitario

Técnicas de aprendizaje automático en el ámbito sanitario

Tabla 7: Algunos ejemplos de técnicas de aprendizaje automático en el ámbito sanitario

Conclusiones

Compártelo:

La razón del cambio

¿Porqué ahora?

Supuestos subyacentes a un nuevo movimiento de calidad

El modelo

Implicaciones para los programas actuales

Conclusión

Compártelo:

Compártelo:

La integración de la inteligencia artificial en la práctica clínica

1. Introducción

2. Materiales y métodos