Pensar más allá de los presupuestos en los sistemas de salud. OCDE.

Presupuesto de mediano plazo para la salud: más allá del enfoque anual del presupuesto

Caroline Penn
OCDE

Chris James
OCDE

Camila Vammalle
OCDE

Principales hallazgos

  • La presupuestación a mediano plazo para la salud implica adoptar un enfoque de previsión, generalmente con un horizonte temporal de tres a cinco años . Los países de la OCDE han tomado medidas para incorporar esa perspectiva a mediano plazo en el proceso presupuestario para la salud, y cerca del 90% de los gobiernos de los países encuestados estiman el gasto en salud para los años futuros . Esto permite ver las nuevas necesidades de gasto para el sector de la salud y los factores subyacentes de los costos.
  • Los gobiernos de los países de la OCDE tienen en cuenta una serie de factores a la hora de calcular el gasto sanitario para los próximos años; en particular, los factores de costo (como los indicadores demográficos y el crecimiento salarial) son los que más influyen en las estimaciones futuras del gasto sanitario. Los factores macroeconómicos, incluidos los indicadores de crecimiento económico y el gasto sanitario anual de los últimos años, también son importantes para calcular el gasto a mediano plazo.
  • Sin embargo, a menudo no existe un vínculo entre estos planes presupuestarios plurianuales y el proceso presupuestario anual. Solo poco menos de la mitad de los países de la OCDE encuestados (11 de 24) utilizan la presupuestación a mediano plazo para la salud como base para las futuras asignaciones presupuestarias . En los países en los que se establecen asignaciones plurianuales, estas generalmente cubren el gasto en la mayoría de los servicios de salud financiados con fondos públicos (incluidos la mayoría de los servicios de salud curativos y preventivos).
  • En general, la elaboración de presupuestos de mediano plazo para la salud se limita a su uso únicamente con fines informativos, es decir, se utiliza para destacar los costos futuros de las políticas actuales y señalar la dirección de la financiación futura, pero no vincula las decisiones futuras sobre políticas.
  • En general, la elaboración de presupuestos de mediano plazo para la salud no es una actividad aislada . En tres cuartas partes de los países de la OCDE, la elaboración de presupuestos de mediano plazo para el sector de la salud forma parte de los marcos de gasto de mediano plazo (MGMP) más amplios de los gobiernos.
  • El diseño de un plan financiero de mediano plazo para la salud es complicado por la necesidad de equilibrar la previsibilidad y la flexibilidad. Es decir, un plan de mediano plazo de este tipo debería permitir a los organismos de salud planificar basándose en un supuesto razonable de la dotación de recursos financieros disponibles, preservando al mismo tiempo la flexibilidad del gobierno para ajustarse a las finanzas públicas y al clima macroeconómico. Este desafío se ha puesto de relieve por la alta inflación inesperada durante 2022 y 2023.
  • Para que la presupuestación a mediano plazo sea eficaz, es necesario cumplir ciertas condiciones previas, como por ejemplo estimaciones de referencia sólidas que reflejen una lista completa de factores de costos. Además, la designación de líneas de responsabilidad claras para llevar a cabo dichas estimaciones evita que los modelos sean incoherentes entre los distintos organismos gubernamentales. En términos más generales, esta planificación plurianual requiere la aceptación de las principales partes interesadas de los ministerios de finanzas, los ministerios de salud y (cuando corresponda) los organismos de seguros de salud.

5.1 Introducción y principales conclusiones de la política

Tradicionalmente, el proceso presupuestario anual para la salud comienza con el presupuesto del año anterior como punto de partida, al que se suman montos incrementales para el nuevo período presupuestario. Esto se conoce como presupuesto incremental. Si bien ofrece un enfoque pragmático para la presupuestación pública, con el presupuesto incremental las asignaciones presupuestarias se arraigan en las políticas existentes y corren el riesgo de no reflejar las necesidades cambiantes de salud.

La introducción de un presupuesto de mediano plazo para la salud implica adoptar un enfoque estratégico con visión de futuro y abordar la miopía del presupuesto anual. Esto significa definir prioridades y asignar recursos para la salud más allá del ejercicio presupuestario anual, de modo que las decisiones de gasto estén impulsadas por las necesidades sanitarias emergentes. El instrumento presupuestario específico utilizado para la planificación plurianual se denomina generalmente Marco de Gasto de Mediano Plazo (MGMP).

Una planificación a mediano plazo eficaz ofrece importantes beneficios para el sector de la salud. Una perspectiva plurianual para la asignación de recursos permite prever la dotación de recursos para los organismos de salud, lo que a su vez ofrece incentivos para una planificación eficaz y la confianza necesaria para cambiar la dirección de las políticas a fin de mejorar la eficiencia. Además, la planificación a mediano plazo mejora el proceso de formulación del presupuesto, lo que permite a los ministerios de salud asignar y reordenar los fondos para satisfacer mejor las prioridades a mediano plazo.

El análisis de este capítulo se basa en los resultados de la encuesta de la OCDE ‘Gestión a nivel macro del gasto en salud, con especial atención a la planificación financiera plurianual para la salud’, realizada por la Red Conjunta de Altos Funcionarios de Presupuesto y Salud de la OCDE durante 2021. Veinticuatro países respondieron a la encuesta, incluidos 11 países en los que la mayor parte del gasto en salud se realiza a través de planes gubernamentales a nivel central o subnacional (Australia, Finlandia, Grecia, Islandia, Italia, Letonia, México, Nueva Zelanda, Noruega, Suecia y el Reino Unido), y 13 países en los que los planes de seguro médico obligatorio constituyen la mayor parte del gasto en salud (Austria, Bélgica, Colombia, Costa Rica, Chile, Chequia, Estonia, Francia, Israel, Japón, Corea, Luxemburgo y los Países Bajos.

En este análisis del capítulo se identifican dos condiciones previas generales para la implementación exitosa de un marco presupuestario de mediano plazo para la salud, basado en las experiencias de los países miembros de la OCDE. Estos hallazgos contribuyen al informe de la OCDE titulado «Aplicación de buenas prácticas presupuestarias en el ámbito de la salud» (2023) .

En primer lugar, una presupuestación eficaz a mediano plazo para el sector de la salud depende de estimaciones fiables a mediano plazo del gasto de referencia en salud :

  • Las líneas de base del gasto en salud a mediano plazo deberían revisarse al menos anualmente para incorporar los últimos datos disponibles sobre los gastos de salud reales y el impacto presupuestario de las políticas de salud recientes, y cubrir el siguiente período de 3 a 5 años.
  • Las estimaciones a mediano plazo requieren una comprensión de los principales impulsores de los costos del gasto en salud y su impacto en los valores de referencia.
  • Las hipótesis y metodologías utilizadas para pronosticar la salud deben ser transparentes y estables. Estas hipótesis (por ejemplo, las relativas al crecimiento del PIB, el crecimiento de los salarios y los factores demográficos) deben ser coherentes con las que se utilizan en otras áreas del gobierno central y los ministerios competentes.
  • Las estimaciones de referencia a mediano plazo deberían incluir la mayor parte del gasto en salud financiado a través de presupuestos públicos destinados a la salud (incluido el seguro de salud y los gobiernos subnacionales, dependiendo de los acuerdos institucionales de cada país).
  • Se debe establecer claramente la responsabilidad de realizar estimaciones a mediano plazo de las líneas de base del gasto en salud, para evitar que existan modelos competitivos entre los ministerios de salud y finanzas.

En segundo lugar, una planificación eficaz a mediano plazo en materia de salud depende de asignaciones de recursos bien formuladas al sector de la salud durante un período de varios años:

  • Las asignaciones deberían establecerse para un número razonable de años (3 a 5 años).
  • Las asignaciones a mediano plazo deberían fijarse en un nivel creíble que evite la necesidad de realizar ajustes anuales.
  • Las asignaciones más allá del año presupuestario podrían proporcionarse a un nivel de agregación más alto que el presupuesto anual, para permitir flexibilidad en la asignación de fondos a las principales prioridades.

5.2. Fortalecimiento de la perspectiva de financiación a medio plazo para la salud

5.2.1 Estimación del gasto en salud más allá del año en curso

La estimación del gasto en salud más allá del año en curso se puede descomponer en dos elementos: primero, estimar el costo de las políticas existentes (proyectar líneas de base) y segundo, tener en cuenta las nuevas políticas.

Incluso sin implementar nuevas políticas, el costo de brindar los mismos bienes y servicios cambia de un año a otro (por ejemplo, debido a la evolución del personal en la escala salarial o a cambios en la demanda de servicios). Esto se refleja en las estimaciones de las líneas de base del presupuesto de salud (es decir, el gasto futuro en salud bajo el supuesto de que no se modifiquen las políticas).

Para avanzar hacia una perspectiva prospectiva del sistema de salud es necesario:

  • Estimación de las líneas de base del presupuesto de salud más allá del año t .  Esto brinda visibilidad sobre los requisitos de gasto emergentes para el sector de la salud y los factores de costo subyacentes.
  • Elaborar un plan de mediano plazo para la salud, identificar los objetivos de mediano plazo para el sector de la salud, las políticas necesarias para alcanzarlos y calcular los costos de esas políticas . Las nuevas políticas pueden incluir la prestación de un nuevo tipo de servicio de salud (por ejemplo, agregar servicios de telesalud a la lista de reembolsos) o un cambio significativo en las políticas existentes (por ejemplo, ampliar los servicios dentales financiados con fondos públicos a los adultos mayores de 65 años).

La mayoría de los países de la OCDE estiman el presupuesto de salud para los siguientes tres a cinco años. A excepción de México y Nueva Zelanda, todos los países de la OCDE encuestados realizan estimaciones oficiales de mediano plazo del gasto en salud ( Figura 5.1 ). Estas estimaciones las realizan organismos públicos o organismos independientes a pedido del gobierno. Antes de 2022, Nueva Zelanda no tenía un mecanismo formal para proyectar el presupuesto de salud más allá del año anual. Sin embargo, la intención en Nueva Zelanda es avanzar hacia un acuerdo de financiación trienal a partir de 2024, sujeto a la implementación de configuraciones sistémicas adecuadas para respaldar una mejor planificación y control financiero.

Figura 5.1. ¿Los organismos públicos de los países de la OCDE realizan estimaciones oficiales del gasto en salud para los años futuros?

Las estimaciones del gasto público en salud a mediano plazo siempre incluyen el gasto de los planes gubernamentales o del seguro médico obligatorio. Un tercio de los países también desglosan el gasto en salud por tipo de servicio. El gasto en salud por grupo de edad y el gasto en salud privado rara vez se incluyen en las estimaciones. Las estimaciones futuras del gasto en salud se revisan anualmente para que coincidan con el ciclo presupuestario.

5.2.2. Captación de los principales factores que influyen en el gasto sanitario en los próximos años

Los gobiernos de los países de la OCDE tienen en cuenta una serie de factores a la hora de calcular el gasto sanitario para los próximos años, entre ellos los factores determinantes de los costos, las finanzas públicas y los factores macroeconómicos, así como los indicadores de las políticas sanitarias.

Los impulsores de costos (cambios de costos debidos a movimientos en los precios o cantidades) tienen una fuerte influencia en las estimaciones oficiales de los gastos de salud a mediano plazo en los países de la OCDE ( Figura 5.2 ).

  • Los indicadores demográficos son los que más influyen en las estimaciones del presupuesto sanitario futuro. Por ejemplo, las proyecciones a mediano plazo del gasto en seguros sociales de salud en los Países Bajos tienen en cuenta el tamaño y la composición de la población ( Recuadro 5.2 ).
  • Los salarios de los profesionales de la salud, que representan una gran parte del gasto sanitario, también tienen una influencia considerable en las estimaciones del futuro presupuesto sanitario.
  • Los costos de medicamentos y productos farmacéuticos, que son susceptibles a frecuentes cambios de precios y a menudo son inciertos debido a la entrada de nuevos competidores costosos, también influyen en las estimaciones, pero en menor medida.
  • Otros costos también influyen en el gasto en salud. Por ejemplo, los recientes aumentos en los precios de la energía afectaron el costo de la atención médica.
  • Durante la pandemia, varios países introdujeron indicadores específicos de la COVID-19 para estimar el presupuesto de los años futuros. La incertidumbre en torno a la evolución de la pandemia generó dificultades para pronosticar las necesidades de gasto futuras. En muchos países de la OCDE, el gasto relacionado con las medidas de lucha contra la COVID-19 a menudo se incluía en programas, códigos o fondos presupuestarios específicos, separados del presupuesto general de salud (OCDE, 2021[1]) .

Finanzas públicas y factores macroeconómicos: más allá de los impulsores clave de los costos , las estimaciones del gasto futuro en salud incorporan los criterios más amplios utilizados al establecer el presupuesto de salud.

  • Los países de la OCDE suelen incluir la tasa de crecimiento del gasto en salud en los últimos años y una tasa futura deseada de gasto en salud equilibrada con los objetivos de política del gobierno para el sector salud.
  • Para calcular el presupuesto de salud también es necesario hacer suposiciones sobre el estado de las finanzas públicas y las perspectivas macroeconómicas, como el crecimiento del PIB y la posición fiscal del gobierno, que indican cuánto puede aumentar en la práctica el gasto público en salud, dadas las perspectivas macroeconómicas generales. Estos parámetros suelen ser estimados por el ministerio de finanzas y comunicados a todos los ministerios competentes para garantizar la coherencia de los fundamentos de la línea de base. Los indicadores del gasto anual en salud en los últimos años son importantes para estimar el gasto a mediano plazo, junto con consideraciones de sostenibilidad financiera y la posición fiscal general, mientras que la proporción del gasto en salud en el gasto público total se utiliza con menos frecuencia.
  • Dividendos de eficiencia. Algunos países aplican un cargo a la línea base cuando fijan la meta de gasto futuro en salud para brindar incentivos que permitan aumentar la productividad del sector público. Esto se conoce como dividendo de eficiencia ( Recuadro 5.1 ).

Los indicadores de política de salud , como las políticas para ampliar la cobertura y mejorar la accesibilidad o las iniciativas para mejorar la calidad de la atención, también son considerados por los gobiernos al elaborar estimaciones del gasto en salud a mediano plazo.

Recuadro 5.1. Aplicación de un dividendo de eficiencia

Al elaborar el presupuesto de salud, algunos países aplican un cargo a la previsión de referencia, conocido como dividendo de eficiencia. El objetivo es alentar a los organismos a buscar mejoras de eficiencia reduciendo automáticamente los presupuestos de referencia en los próximos años. Poner al ministerio competente a cargo de la identificación de las mejoras de eficiencia debería mejorar la apropiación y aumentar la probabilidad de implementación.

La razón para introducir un dividendo de eficiencia es:

  • Dar a las agencias públicas un incentivo para encontrar eficiencias dentro de su línea base antes de solicitar presupuesto adicional;
  • Redirigir estas ganancias de eficiencia hacia actividades de mayor prioridad;
  • Demostrar un compromiso para encontrar ganancias de eficiencia en el sector público como resultado de prácticas mejoradas.

Australia, Suecia y el Reino Unido han introducido un dividendo de eficiencia en el gasto del gobierno central, incluida la salud. Mientras que en Nueva Zelanda, existe la expectativa de un dividendo de eficiencia en algunos años. El gobierno australiano aplica un dividendo a los gastos operativos de las agencias gubernamentales, incluidas las responsables de la salud. La escala de eficiencias que las agencias deben encontrar ha variado a lo largo del tiempo entre el 1% y el 4% de sus presupuestos operativos, y el presupuesto de 2022 incluye un dividendo del 1%. En el Reino Unido, el gobierno anuncia el dividendo de eficiencia durante el proceso de Revisión del Gasto (que en el Reino Unido es el inicio del proceso presupuestario). La Revisión del Gasto de 2021 anunció que los departamentos deben identificar al menos un 5% de eficiencias de sus presupuestos diarios para reinversiones durante un período de tres años.

Fuente: Van Eden, H., D. Gentry y S. Gupta (2017[2]) , Capítulo 4. Un marco de gasto de mediano plazo para una política fiscal más efectiva , https://doi.org/10.5089/9781513539942.071 .

Figura 5.2. Tipos de indicadores utilizados para estimar el presupuesto de salud para los años futuros: evaluación de la influencia en el presupuesto (en los países de la OCDE encuestados)

Recuadro 5.2. Proyecciones del gasto sanitario a mediano plazo en los Países Bajos

La Oficina de Análisis de Política Económica realiza proyecciones a mediano plazo del gasto en salud en los Países Bajos para un período de tres años. Esto incluye el gasto en virtud de los tres esquemas que brindan cobertura sanitaria universal en los Países Bajos (la Ley de Seguro de Salud (Zvw), la Ley de Cuidados de Larga Duración (Wlz) y la Ley de Apoyo Social (Wmo)), así como el gasto en atención a jóvenes financiado con fondos públicos.

El modelo de proyección estima el gasto en salud bajo el supuesto de que no se modifica la política. Para cada esquema, el modelo aumenta el gasto en salud registrado en el año anterior según una tasa de crecimiento y luego lo ajusta para tener en cuenta las políticas existentes que tienen implicaciones de costos en períodos futuros.

La tasa de crecimiento consta de cinco componentes:

1.Inflación general

2.El aumento relativo de los salarios del sector salud y otros precios de los insumos de salud

3.Demografía (tamaño y composición de la población)

4.Crecimiento del ingreso (per cápita)

5.Otros crecimientos (por ejemplo, nuevas tecnologías, nuevos productos farmacéuticos)

Fuente: Oficina de Análisis de Política Económica (CPB) (2019[3]) , Middellangetermijnverkenning zorg 2022-2025, https://www.cpb.nl/sites/default/files/omnidownload/CPB-Middellangetermijnverkenning-zorg-2022-2025 -nov2019.pdf .

5.2.3 La importancia de la cooperación entre las diferentes instituciones públicas

El Ministerio de Salud tiene un fuerte control sobre las estimaciones futuras del presupuesto de salud. Los Ministerios de Salud tienen pleno conocimiento para identificar los factores que determinan los costos de las partidas o programas presupuestarios. Al mismo tiempo, los Ministerios de Finanzas tienen un fuerte compromiso para asegurar la coherencia y precisión en la preparación de las estimaciones en las diferentes áreas del gobierno. Los Ministerios de Finanzas también pueden proporcionar un conjunto común de parámetros, como pronósticos macroeconómicos y proyecciones de población.

En los países de la OCDE, las instituciones responsables de preparar estimaciones a mediano plazo del gasto en salud dependen en parte de los mecanismos de financiación de la salud de cada país ( gráfico 5.3 ). Entre los países en los que la financiación de la salud se organiza predominantemente en torno a planes gubernamentales, el ministerio de salud o el servicio nacional de salud es responsable de preparar estimaciones a mediano plazo del gasto en salud en poco más de la mitad (55%) de los países.

En cambio, entre los países organizados predominantemente en torno a un seguro médico obligatorio, es menos probable que el ministerio de salud tenga esa responsabilidad (en el 23%, o 3 de 12 países). En cambio, es más probable que los organismos que implementan el plan de seguro médico obligatorio (por ejemplo, la agencia de seguro médico social) tengan esa responsabilidad (en el 62%, o 8 de 13 países).

En ambos tipos de mecanismos de financiación de la salud, el ministerio de finanzas es responsable de las estimaciones del gasto sanitario a mediano plazo en casi la mitad de los países encuestados. Otras instituciones responsables de las estimaciones son los organismos gubernamentales nacionales encargados de la planificación gubernamental, los que realizan análisis económicos nacionales y los que elaboran estadísticas nacionales. Por ejemplo, entre ellos se encuentran la Oficina de Análisis de Política Económica (CPB) en los Países Bajos y la Oficina Nacional de Estadística en Italia. Por último, en casi la mitad de los países encuestados, la responsabilidad de elaborar estimaciones a mediano plazo se comparte entre varias instituciones.

Figura 5.3. Instituciones responsables de las estimaciones de mediano plazo del gasto en salud

5.2.4. De las proyecciones de mediano plazo a las de largo plazo

Una perspectiva prospectiva para la salud debe incorporar proyecciones a más largo plazo del presupuesto de salud (es decir, a más de 10 años) (véase el Capítulo 2 sobre proyecciones a largo plazo). Dada la proporción actual del gasto en salud dentro de los presupuestos públicos y las crecientes presiones de costos, las proyecciones a más largo plazo del gasto en salud brindan un panorama de la sostenibilidad de los costos de atención médica en ausencia de reformas. Esto brinda un valioso apoyo a los responsables de las políticas para modificar la trayectoria a largo plazo del crecimiento del gasto en salud.

La elección del modelo de previsión varía según el horizonte temporal de las proyecciones. Las proyecciones a más largo plazo del gasto en salud suelen requerir un tipo de modelo de proyección distinto al de las proyecciones a mediano plazo, ya que deben reconocer las numerosas incertidumbres y supuestos, como el impacto de los cambios en la política gubernamental. En el recuadro 5.3 se describen los modelos de previsión más comunes para el gasto en salud.

Recuadro 5.3. Modelos de previsión del gasto en salud

La OCDE ha identificado tres clases principales de modelos de previsión del gasto en salud:

  • Los modelos de microsimulación simulan poblaciones enteras y ofrecen flexibilidad para probar una variedad de escenarios de políticas hipotéticas relacionadas con la prevención, el tratamiento y la organización y financiación de la atención; y para examinar los resultados previstos según las diferentes características incluidas en el modelo, como enfermedades, grupos de edad, proveedores o tratamientos.
  • Los modelos basados ​​en componentes pronostican el gasto en salud por componente, como por agentes de financiamiento o proveedores de atención, o por grupo de edad. Los modelos basados ​​en componentes suelen ser más exigentes en términos de requisitos de datos, ya que utilizan varios factores para proyectar el gasto en salud.
  • Los modelos de simulación a nivel macro se centran en la previsión de la salud en general e incluyen análisis de series temporales y secciones transversales de indicadores agregados. Los modelos a nivel macro suelen ser los modelos de proyección menos exigentes en términos de requisitos de datos, ya que muy a menudo incluyen solo unas pocas variables explicativas.

Fuente: Astolfi, R., L. Lorenzoni y J. Oderkirk (2012[4]) , “Un análisis comparativo de los métodos de pronóstico de salud”, https://doi.org/10.1787/5k912j389bf0-en .

La mayoría de los países encuestados proyectan el gasto en salud a largo plazo ( gráfico 5.4 ). En casi todos estos países, las proyecciones a largo plazo del gasto en salud utilizan una metodología diferente a la de las proyecciones a mediano plazo. Por ejemplo, Australia utiliza un modelo basado en componentes para las proyecciones a mediano plazo y un modelo a nivel macro para las proyecciones a largo plazo ( recuadro 5.4 ).

Figura 5.4. ¿Se realizan proyecciones separadas a largo plazo para el gasto en salud?

Recuadro 5.4. Proyecciones a largo plazo del gasto en salud en Australia

Cada cinco años, Australia elabora el Informe Intergeneracional, en el que se proyecta el gasto público para los próximos 40 años. El Tesoro es responsable de las proyecciones a más largo plazo, utilizando las siguientes metodologías:

  • Para las estimaciones a futuro de t+4 a t+11, el gasto en salud se proyecta con base en un modelo de componentes individuales para hospitales públicos, beneficios farmacéuticos, beneficios médicos y reembolsos de seguros de salud privados.
  • Para las estimaciones de t+12 a t+40, se utiliza un modelo de nivel macro para proyectar el gasto total del gobierno central en salud. El modelo se basa en una alineación del gasto con los factores demográficos, complementado con supuestos en torno al crecimiento del costo unitario, como el cambio tecnológico.

El uso de modelos de componentes para el corto plazo y un modelo a nivel macro para proyecciones a largo plazo busca equilibrar el deseo de tener proyecciones más detalladas frente a la incertidumbre acerca de si las tendencias recientes en los componentes individuales del gasto público en salud serán representativas de las tendencias a largo plazo.

Fuente: Commonwealth of Australia (2021[5]) , Informe intergeneracional 2021 , https://treasury.gov.au/sites/default/files/2021‑06/p2021_182464.pdf .

5.3. Mejorar el vínculo entre los planes presupuestarios plurianuales y el proceso presupuestario

5.3.1. Integración de las proyecciones del gasto en salud en los documentos presupuestarios anuales

Los resultados de la presupuestación a mediano plazo para la salud deben incorporarse al proceso presupuestario anual. Como punto de partida, las proyecciones del gasto en salud pueden integrarse en los documentos presupuestarios del gobierno. Esto informa al Parlamento y a otras partes interesadas sobre las nuevas necesidades de gasto para el sector de la salud. Solo la mitad de los países de la OCDE encuestados incluyen tales estimaciones del presupuesto de salud para los años futuros en los documentos presupuestarios del gobierno ( Figura 5.5 ). En los países con un sistema de seguro de salud obligatorio, como Francia y Bélgica, las proyecciones se integran en documentos presupuestarios separados para las instituciones de seguro de salud social.

Figura 5.5. ¿Se incluyen en los documentos presupuestarios estimaciones del gasto sanitario a mediano plazo?

Las proyecciones de gasto a mediano plazo para el sector de la salud se traducen en asignaciones presupuestarias plurianuales mediante el proceso presupuestario anual. Los marcos de gasto a mediano plazo (véase la sección siguiente) son el principal instrumento para establecer las asignaciones presupuestarias a mediano plazo para el sector de la salud. 1 Los presupuestos futuros pueden establecerse como un objetivo de gasto estricto aprobado, con los únicos ajustes permitidos para circunstancias excepcionales. Un enfoque menos desarrollado puede incluir topes presupuestarios suaves o indicativos. Si bien estos proporcionan información valiosa sobre las decisiones presupuestarias futuras esperadas, la credibilidad de esa planificación financiera es menor y sirve más como una perspectiva que como un marco.

Las asignaciones de gasto a mediano plazo para la salud pueden definirse en términos nominales o reales. Las asignaciones a futuro expresadas en términos nominales son más sencillas de interpretar y monitorear y garantizan una estricta disciplina financiera. Sin embargo, los shocks de precios y salarios no se absorben dentro de los marcos nominales, lo que puede resultar en desventaja del sector de la salud si los presupuestos reales se reducen para adaptarse a las presiones inflacionarias. Por otro lado, las asignaciones de gasto establecidas en términos reales son adaptables a los cambios en salarios y precios, pero son menos transparentes por naturaleza y producen resultados menos predecibles, ya que las proyecciones se actualizan de manera rutinaria (Van Eden, Gentry y Gupta, 2017[2]) .

En casi la mitad de los países de la OCDE encuestados, la presupuestación a mediano plazo para la salud establece asignaciones presupuestarias vinculantes para el futuro ( gráfico 5.6 ). En cuatro países encuestados (Finlandia, Islandia, Italia y Letonia), la presupuestación a mediano plazo para la salud se utiliza como base para las asignaciones presupuestarias vinculantes. Además, en Grecia, Israel y los Países Bajos se establecen topes vinculantes de gasto para la salud más allá del ejercicio fiscal en curso, y en Chile, Costa Rica e Inglaterra (Reino Unido) se establecen pisos mínimos garantizados de gasto.

En el resto de los países, la presupuestación a mediano plazo para la salud se limita a su uso únicamente con fines informativos en poco más de la mitad (11 de 20) de los países encuestados que elaboran estimaciones de gastos a mediano plazo ( gráfico 5.6 ). En este caso, las proyecciones de gastos a mediano plazo tienen por objeto destacar los costos futuros de las políticas actuales y señalar la dirección de la financiación futura, pero no vinculan las decisiones futuras sobre políticas. Por ejemplo, Francia establece el objetivo nacional de gastos de salud (objectif national de dépenses d’assurance maladie) para tres años, pero estos no están consagrados en la ley de presupuesto y no pueden limitar ni al gobierno ni al parlamento en el procedimiento anual de preparación y adopción del presupuesto.

Figura 5.6. El propósito de la planificación financiera a mediano plazo para la salud

Las asignaciones presupuestarias vinculantes plurianuales generalmente cubren la mayoría de los servicios de salud financiados con fondos públicos. El cuadro 5.1 proporciona información sobre las asignaciones presupuestarias a mediano plazo para la salud vigentes en países seleccionados de la OCDE. En Italia e Inglaterra (Reino Unido), los topes de gasto se establecen para el presupuesto del Sistema Nacional de Salud; en Grecia, Letonia y Finlandia, los topes de gasto se establecen a nivel ministerial, para el ministerio responsable de la salud.

El horizonte temporal de las asignaciones presupuestarias a medio plazo varía entre los países de la OCDE y oscila entre tres y cinco años. En Italia y Letonia, las asignaciones presupuestarias se establecen para un horizonte de tres años. En Italia, el Pacto por la Salud se elabora normalmente cada tres años y determina un nivel fijo de financiación y objetivos relacionados para el Servicio Nacional de Salud durante la vigencia del Pacto. En Finlandia e Inglaterra (Reino Unido), las asignaciones presupuestarias se establecen para un horizonte temporal más largo. En Finlandia, se establecen límites vinculantes de gasto para todo el período parlamentario de cuatro años, y el presupuesto anual se actualiza para reflejar los cambios en el nivel de precios y costos. En 2018, Inglaterra (Reino Unido) estableció un acuerdo de financiación de cinco años para el Servicio Nacional de Salud para el período 2019-2024. Sin embargo, aún está por decidir si ese acuerdo de financiación de cinco años se repetirá después de 2024.

Cuadro 5.1. Asignaciones presupuestarias a mediano plazo para el sector de la salud en países seleccionados de la OCDE

expandir

La presupuestación a mediano plazo ofrece niveles mínimos garantizados de gasto en salud más allá del año fiscal en curso
Inglaterra (Reino Unido)Servicio Nacional de Salud (NHS)Cinco añosEn 2018, el gobierno anunció un acuerdo de financiación de cinco años para el Sistema Nacional de Salud inglés, que establece asignaciones plurianuales para el sistema protegido por la legislación. El acuerdo de financiación cubre el período 2019-2024.

Fuente: OCDE (2021), Encuesta sobre gestión a nivel macro del gasto en salud, con especial atención a la planificación financiera plurianual para la salud.

5.3.2. La presupuestación a medio plazo para la salud como parte de un marco más amplio de gasto a medio plazo

En general, la elaboración de presupuestos de mediano plazo para la salud no es una actividad aislada. Las asignaciones de mediano plazo al sector de la salud suelen formar parte de la elaboración de presupuestos de mediano plazo más amplia de los gobiernos a través de instrumentos como los marcos de gasto de mediano plazo (MGMP) ( Recuadro 5.5 ). Estos se incorporan al proceso de formulación del presupuesto.

Recuadro 5.5. Marcos de gasto a mediano plazo

Los marcos de gasto a mediano plazo (MGMP) son una herramienta para vincular el proceso presupuestario con objetivos generales de política fiscal más allá del ciclo presupuestario anual. La mayoría de los países de la OCDE cuentan con MGMP, aunque su cobertura y diseño varían significativamente. En esencia, los MGMP constan de cuatro elementos:

  • Generalmente se establecen objetivos fiscales claros en las reglas fiscales, que establecen topes para la deuda pública, el déficit y el crecimiento del gasto.
  • Es necesario elaborar estimaciones creíbles de la disponibilidad de recursos a mediano plazo, que incluyan proyecciones económicas y previsiones de ingresos, sobre la base de la política fiscal vigente del gobierno y de los cambios acordados durante el período.
  • Las líneas de base de gastos actualizadas brindan una estimación de todo el gasto público a mediano plazo, que incluye las políticas vigentes y los cambios acordados durante el período.
  • Los topes de gasto establecen el monto total de los gastos a mediano plazo. En su forma más simple, habría un tope para cada ministerio y el ministro responsable tendría flexibilidad para reasignar los recursos dentro de ese tope. En la práctica, los topes suelen ser más detallados. Pueden dividirse por tipo de gasto (personal, otros gastos operativos, pagos de transferencias y gastos de capital son categorías comunes). Puede haber topes para programas o áreas de gasto específicas («delimitación»). Puede haber topes flexibles para ciertas categorías de gasto (incluidas las prestaciones por desempleo y otros gastos cíclicos). El grado de detalle de los topes tiende a ser más específico en los años próximos que en los próximos.
Figura 5.7. Marco de gasto a mediano plazo

En la OCDE, más de tres cuartas partes de los países encuestados integran los gastos de salud en el marco de gasto a mediano plazo (MTEF) de su gobierno central ( Figura 5.8 ). Esto incluye tanto los sistemas de salud financiados a través de esquemas gubernamentales como los esquemas de seguro de salud obligatorio. Por ejemplo, el MTEF en Letonia incluye el presupuesto del Ministerio de Salud –la principal fuente de financiamiento para el sistema nacional de salud– entre otros sectores como educación, defensa y bienestar ( Recuadro 5.6 ).

Figura 5.8. ¿La salud está incluida en el marco de gasto a mediano plazo de su gobierno?

Recuadro 5.6. Planificación presupuestaria a mediano plazo en Letonia

En 2012, Letonia introdujo la Ley marco del presupuesto a mediano plazo, que abarca el presupuesto estatal, incluidos los gastos en educación, protección social y defensa. En virtud de este marco, se prepara un presupuesto trienal cada año de forma continua. El año t+1 del presupuesto a mediano plazo sirve de base para la preparación del presupuesto anual de ese año ( Figura 5.9 ). El presupuesto a mediano plazo también está vinculado a los documentos de planificación del desarrollo en Letonia, para garantizar que la asignación de los recursos financieros disponibles se ajuste a las prioridades de política del gobierno a mediano plazo.

Figura 5.9. Sistema de planificación presupuestaria de mediano plazo

5.4. Los beneficios y desafíos de la presupuestación a mediano plazo

Una planificación a mediano plazo eficaz para la salud puede ofrecer beneficios sustanciales al sector de la salud. La preparación de un presupuesto anual tomando el presupuesto del año anterior y añadiendo montos adicionales para el nuevo período presupuestario desalienta el debate de políticas y crea rigideces en el presupuesto. Un enfoque prospectivo para establecer prioridades y elaborar presupuestos significa que las decisiones de gasto se determinan a la luz de las necesidades emergentes, ya que la elaboración de presupuestos a mediano plazo implica que el ministerio de salud o equivalente ha desarrollado un plan a mediano plazo basado en una evaluación de prioridades ( Figura 5.10 ). Por ejemplo, el plan a largo plazo del NHS en el Reino Unido define la dirección futura del sector de la salud dado el acuerdo de financiación plurianual para el Servicio Nacional de Salud ( Recuadro 5.7 ).

La ampliación del horizonte temporal del análisis de políticas permite identificar con mayor facilidad las medidas de ahorro. La ampliación del horizonte presupuestario ofrece a los organismos de salud la oportunidad de examinar la composición del gasto de referencia y la asignación de recursos entre los diferentes programas o servicios, lo que permite disponer de mayores oportunidades para reasignar recursos a fin de satisfacer mejor las prioridades a mediano plazo.

Figura 5.10. Traducir las prioridades del sector de la salud en asignaciones presupuestarias

Recuadro 5.7. Presupuesto a mediano plazo: Reino Unido

En 2018, el Reino Unido anunció un acuerdo de financiación plurianual para el Servicio Nacional de Salud de Inglaterra. Según la ley, el gobierno se comprometió a aumentar la financiación del Servicio Nacional de Salud durante un período de cinco años hasta 2024.

Junto con el acuerdo plurianual, el plan a largo plazo del NHS establece los objetivos y prioridades estratégicos a medio y largo plazo para el sector de la salud. Esto incluye una visión para el modelo de servicio del NHS, como avanzar hacia un mayor enfoque en la atención extrahospitalaria y rediseñar y reducir la presión sobre los servicios hospitalarios de emergencia.

La financiación se asigna a través del proceso de revisión del gasto. Las asignaciones previstas y previstas se muestran en la Figura 5.11 , con base en los compromisos delineados en el plan a largo plazo del NHS y las cuentas del NHS. Se prevé que la atención primaria, los servicios comunitarios y la salud mental aumenten como proporción del gasto total del NHS, y un tercio del crecimiento de la financiación se destinará a estos servicios. La iniciativa Better Care Fund exige que los proveedores de salud locales trabajen juntos agrupando presupuestos para brindar una atención más integrada. El plan también exige que el NHS logre ahorros en costos administrativos de más de 700 millones de libras esterlinas para 2023/24.

Figura 5.11. Asignación prevista y prevista del crecimiento de la financiación del NHS England de 2018/19 a 2023/24

La presupuestación a mediano plazo mejora la previsibilidad y la certidumbre del sector de la salud. Los administradores de presupuestos de salud consideran que los presupuestos anuales no ofrecen suficiente certidumbre de planificación. El paso a una perspectiva plurianual señala la dirección de la política de salud y brinda más previsibilidad en la dotación de recursos. Esto, a su vez, brinda incentivos para una planificación anticipada eficaz y la confianza para cambiar la dirección de la política a fin de mejorar la eficiencia.

La presupuestación a mediano plazo pone de relieve el valor de gastar a corto plazo para evitar afrontar costos en el futuro. La planificación a mediano plazo demuestra que abordar ahora problemas de larga data puede producir ahorros de costos en el futuro. Esto plantea importantes preguntas sobre la capacidad del sistema de salud y proporciona un marco dentro del cual se pueden evaluar propuestas de políticas plurianuales. Esto puede ayudar a destacar y consolidar el impacto de diversas medidas de ahorro que se acumulan con el tiempo, como la mejora o modernización de la infraestructura de capital o la inversión en el personal sanitario o la prevención.

La presupuestación a mediano plazo también puede mostrar los futuros aumentos del gasto en salud debido a las políticas actuales. En particular, algunos proyectos de inversión (como la construcción de un nuevo hospital) tienen un impacto a largo plazo en el gasto operativo.

Sin embargo, los ministerios de finanzas advierten sobre las posibles desventajas de la flexibilidad. El compromiso de asignar presupuestos creíbles a mediano plazo otorga a los funcionarios de salud una mayor previsibilidad presupuestaria. Para los ministerios de finanzas, el compromiso reduce la flexibilidad para fijar asignaciones al sector de la salud a medida que cambia el entorno fiscal, lo que crea un riesgo de sostenibilidad. El desafío es diseñar un marco de mediano plazo que permita a los organismos de salud planificar basándose en un supuesto razonable de disponibilidad de recursos financieros, preservando al mismo tiempo la flexibilidad del gobierno para adaptarse a los cambios de política.

También existe el riesgo de que los ministerios de salud consideren la asignación presupuestaria de mediano plazo como un piso mínimo de gasto para iniciar la negociación presupuestaria de los próximos años, en lugar de un techo fijo que restrinja el crecimiento del gasto.

Se podría decir que la implementación de un marco presupuestario de mediano plazo para la salud es más compleja que para otras áreas de gasto. La presupuestación de mediano plazo pierde valor inherentemente en cuanto no se puede mantener. Es difícil realizar estimaciones de referencia sólidas que reflejen una lista inclusiva de todos los factores que determinan los costos del gasto en salud, debido a las incertidumbres inherentes a ciertos gastos de salud. Las reformas plurianuales también requieren un amplio apoyo y participación de las partes interesadas. En el sector de la salud, donde a menudo hay muchas partes interesadas, impulsar la reforma puede ser un desafío.

5.5. Conclusiones

Los países de la OCDE han tomado medidas para incorporar una perspectiva de mediano plazo al proceso presupuestario de salud, y la mayoría de ellos calculan el presupuesto público de salud para los años futuros a fin de dar visibilidad a las nuevas necesidades de gasto en el sector de la salud y los factores subyacentes de los costos. Sin embargo, el vínculo entre esta presupuestación plurianual y el proceso presupuestario anual suele ser débil, ya que menos de la mitad de los países de la OCDE encuestados utilizan planes presupuestarios de mediano plazo para la salud como base para las futuras asignaciones presupuestarias. Más comúnmente, la presupuestación de mediano plazo para la salud se limita a ser utilizada únicamente con fines informativos, es decir, se utiliza para destacar los costos futuros de las políticas actuales y señalar la dirección de la financiación futura, pero no vincula las decisiones futuras sobre los niveles de gasto o las políticas. Esto reduce los posibles beneficios de implementar un presupuesto de mediano plazo para la salud. Los marcos presupuestarios de mediano plazo para la salud que funcionen bien deben basarse en pronósticos de referencia confiables e integrar instrumentos de flexibilidad para garantizar un equilibrio entre aumentar la certidumbre y mantener la flexibilidad.

Financiación de los sistemas de salud OCDE

Financiación de sistemas sanitarios resilientes en tiempos de crisis: cómo las autoridades financieras y sanitarias pueden encontrar soluciones políticas comunes


Chris James
OCDE

David Morgan
OCDE

Michael Mueller
OCDE

Caroline Penn
OCDE

Camila Vammalle
OCDE

Mejorar la calidad y la accesibilidad de la atención sanitaria para todos respetando al mismo tiempo las limitaciones de las finanzas públicas es una tarea difícil de equilibrar. Recaudar fondos públicos suficientes para que la salud siga satisfaciendo necesidades cada vez mayores es un desafío bastante difícil, dadas las presiones de costos inherentes. Además de esto, la pandemia dejó en claro que se necesita un gasto adicional para fortalecer la resiliencia de los sistemas de salud ante futuras crisis (OCDE, 2023[1]) . Sin embargo, al mismo tiempo, muchos gobiernos de la OCDE están operando en un entorno fiscal particularmente restringido. Una inflación más alta y menos predecible, sumada a una perspectiva económica incierta, afecta negativamente a los presupuestos gubernamentales y repercute en el sector de la salud.

En este contexto, los responsables de las políticas deben plantear claramente las opciones para hacer frente al creciente costo de los sistemas de salud sostenibles y resilientes, y es necesario entablar conversaciones serias sobre la disposición a pagar por la salud por parte de los gobiernos y la sociedad en general. La cuestión política urgente es cómo encontrar una vía fiscalmente sostenible para financiar los aumentos necesarios en el gasto en salud, como se ilustra en la Figura 1.1.

Para financiar sistemas de salud más resilientes, las autoridades financieras y sanitarias 1 deben encontrar soluciones comunes que combinen la recaudación de fondos adicionales con esfuerzos para liberar los recursos actuales mediante la reducción del gasto innecesario en los sistemas de salud. Esas soluciones exigen compromisos plurianuales con visión de futuro. No es una tarea sencilla, pero las recompensas son inmensas. El fortalecimiento de la resiliencia de los sistemas de salud protege a las economías de las crisis sanitarias desestabilizadoras, así como a las personas de la mala salud y la muerte prematura.

Figura 1.1. El desafío de recaudar fondos suficientes para la salud dentro de las limitaciones de las finanzas públicas

El resto de este capítulo está estructurado de la siguiente manera.

La siguiente sección evalúa las presiones sobre el gasto en salud y las limitaciones de las finanzas públicas que enfrentan los países de la OCDE hoy y en las próximas décadas.

La sección  1.3 explora los mecanismos de política fiscalmente sostenibles para financiar sistemas de salud más resilientes.

La sección  1.4 resume el papel de las buenas prácticas presupuestarias para mejorar las decisiones de asignación de recursos públicos y aumentar la eficiencia del gasto en salud pública. La sección  1.5 concluye. El recuadro 1.1 proporciona definiciones de los principales términos técnicos utilizados en este capítulo.

Recuadro 1.1. Sostenibilidad fiscal, eficiencia, resiliencia y términos relacionados: definiciones y alcance

Sostenibilidad fiscal : la capacidad de un gobierno para mantener las finanzas públicas en una posición creíble y funcional a largo plazo. La sostenibilidad fiscal implica que los gobiernos pueden mantener políticas y gastos en el futuro, sin grandes ajustes ni cargas de deuda excesivas para las generaciones futuras (OCDE, 2015[2]) . La sostenibilidad fiscal no tiene que ver con los objetivos de salud per se, sino con garantizar que el gasto público en salud respete las limitaciones de las finanzas públicas (al tiempo que se intenta alcanzar los objetivos de salud).

Sostenibilidad financiera : la capacidad de una organización de tener ingresos suficientes para cubrir obligaciones financieras a largo plazo. 1 Véase Gleißner, Günther y Walkshäusl (2022[3]) para un análisis en profundidad del término. Aplicando este término al sector de la salud, puede referirse tanto a organizaciones privadas como públicas que participan en transacciones financieras en el ámbito de la atención sanitaria. Esto incluye a los hogares (los ingresos y activos de un hogar deben ser suficientes para cubrir los gastos de salud de bolsillo), compradores privados como las empresas de seguros de salud (las primas de seguro de una empresa deben ser suficientes para cubrir sus obligaciones de reembolso), proveedores de salud privados (los ingresos deben ser suficientes para cubrir sus costos), así como el gobierno.

Gasto público en salud : gasto realizado directamente por los gobiernos y/o por el seguro social de salud, en consonancia con las definiciones de los esquemas de financiamiento de la salud del Sistema de Cuentas de Salud (OCDE/Eurostat/OMS, 2017[4]) .

Eficiencia: obtención de los mejores resultados posibles a partir de los insumos disponibles. En el caso de la salud, esto puede implicar la reasignación de recursos dentro del sistema de salud (eficiencia asignativa) o, de manera menos disruptiva, la obtención de un resultado determinado al menor costo posible (eficiencia productiva) (OCDE, 2017[5]; OCDE, 2010[6]) .

Gasto derrochador: servicios y procesos que son perjudiciales o no aportan beneficios, y costos que podrían evitarse sustituyendo alternativas más baratas con beneficios idénticos o mejores. Se enmarca en el concepto más amplio de eficiencia, que corresponde a la noción de «eficiencia productiva» antes mencionada (OCDE, 2017[5]) .

Políticas de contención de costos : esfuerzos para contener el crecimiento de los gastos. Estas políticas no son necesariamente eficientes, en particular cuando las políticas de contención de costos simplemente reducen los resultados. Por ejemplo, los recortes generales a los presupuestos públicos para la salud contendrán los costos (al menos en el corto plazo), pero a expensas de un peor acceso y calidad de la atención (OCDE, 2015[2]) .

Desempeño del sistema de salud : la capacidad de un sistema de salud para alcanzar objetivos relacionados con la salud. A pesar de las diferencias en los enfoques de evaluación del desempeño del sistema de salud, los objetivos relacionados con la salud suelen incluir los objetivos intermedios de maximizar el acceso a la atención sanitaria y la calidad de la misma, siendo los resultados de salud de las personas el objetivo final (OCDE, 2024[7]) .

Resiliencia : la capacidad de los sistemas de prepararse para los shocks, absorber las perturbaciones manteniendo el rendimiento, recuperarse rápidamente y adaptarse aprendiendo lecciones para mejorar y gestionar los riesgos futuros (OCDE, 2023[1]) . En términos de alcance, este concepto de resiliencia incluye la preparación, pero va más allá.

1. Se distingue del término “finanzas sostenibles”, que se utiliza cada vez más para referirse a la incorporación de consideraciones ambientales a la hora de tomar decisiones financieras (OCDE, 2020[8]) .

1.2. Los países enfrentan presiones al alza sobre el gasto en salud, ahora y en el futuro

La pandemia demostró la necesidad de un gasto adicional para fortalecer la resiliencia del sistema de salud…

Los gobiernos de la OCDE asignaron recursos financieros sin precedentes al sector de la salud para combatir la COVID-19. El crecimiento promedio del gasto en salud fue del 5% en términos reales en 2020 y se aceleró al 8,5% en 2021, ya que se pusieron a disposición fondos significativos para rastrear el virus, aumentar la capacidad del sistema, desarrollar opciones de tratamiento y, finalmente, distribuir vacunas a la población. En su punto máximo en 2021, el gasto vinculado directamente a la COVID-19 consumió alrededor del 9% del gasto público total en salud, en promedio. Para algunos países de la OCDE, el gasto adicional fue una solución de emergencia a corto plazo para la subinversión crónica en personal y capital de salud como efecto secundario de las políticas gubernamentales de austeridad y contención de costos en el sector de la salud (Partnership for Health System Sustainability and Resilience, 2023[9]) .

Gran parte de este gasto adicional se realizó en forma de financiación de emergencia. Se utilizaron fondos de contingencia o se adelantaron presupuestos complementarios. Se pusieron en marcha marcos de contratación acelerada para acelerar el desembolso de los fondos necesarios. Esto ayudó a garantizar una rápida adquisición de suministros. Sin embargo, acortar los procesos presupuestarios y de adquisición habituales introduce un mayor riesgo de ineficiencias, como compras innecesarias o el pago de precios elevados (OCDE, 2020[10]) .

De hecho, la evaluación y auditoría internas de algunos países apuntan a un gasto subóptimo, especialmente al comienzo de la crisis. En Irlanda, por ejemplo, una revisión oficial concluyó que no seguir los procedimientos de adquisición tradicionales condujo a una pérdida declarada de más de 370 millones de euros en equipos de protección personal (EPP) (Health Service Executive, 2020[11]) . En el Reino Unido, más del 40% (22 000 millones de libras esterlinas) de los compromisos de gasto sanitario adicional del gobierno para la COVID-19 en 2020 se asignaron al Programa de Test y Rastreo del NHS. Sin embargo, un informe parlamentario concluyó que, a pesar de los importantes recursos gastados, parecía haber hecho poca diferencia mensurable para detener la propagación del virus (UK Parliament, 2021[12]) . En Alemania, el Tribunal Federal de Cuentas afirmó que los pagos a los hospitales para compensar la actividad pospuesta en 2020 no estaban suficientemente focalizados, lo que llevó a una sobrecompensación sustancial de los ingresos hospitalarios reducidos (Bundesrechnungshof, 2021[13]) .

Estas experiencias durante la pandemia demostraron que las estrategias de extinción de incendios a corto plazo, si bien eran necesarias, a menudo eran ineficientes, lo que pone de relieve la importancia de una visión a más largo plazo para fortalecer la resiliencia del sistema de salud basada en un gasto más inteligente. Una importante publicación reciente de la OCDE identificó los puntos de presión en los sistemas de salud existentes y estimó los fondos adicionales necesarios para fortalecer la resiliencia del sistema de salud (OCDE, 2023[1]) . Se calculó que ese gasto adicional equivalía a alrededor del 1,4% 2 del PIB prepandémico, en promedio, oscilando entre el 0,6% y el 2,5% en los países de la OCDE, dependiendo de las disposiciones específicas de cada país y los niveles de gasto ( Figura 1.2 ).

Se destacaron tres grandes áreas prioritarias para fortalecer la resiliencia del sistema de salud: reforzar a los profesionales de la salud que trabajan en primera línea, que representan la mitad de esta inversión total (alrededor del 0,7% del PIB); se podría esperar que el gasto adicional en atención preventiva cueste alrededor del 0,3% del PIB, en promedio; e inversiones fundamentales en equipos básicos y una transformación digital de los sistemas de salud costarían un 0,4% adicional del PIB, en promedio.

Figura 1.2. ¿Cuánto costaría fortalecer la resiliencia del sistema de salud?

Estos costos, en el contexto de la situación previa a la pandemia, habrían ascendido a alrededor del 9% del total que los países de la OCDE gastaron en salud en 2019, o el equivalente a USD 460 per cápita. Para ponerlo en contexto, es similar a lo que los gobiernos de la OCDE gastaron en medicamentos recetados en 2019. Se podría señalar el aumento de 0,9 puntos porcentuales en la relación gasto en salud/PIB entre 2019 y 2021 como un paso significativo hacia este objetivo. Sin embargo, este aumento fue impulsado tanto por la caída significativa del PIB y la financiación de emergencia en respuesta a la pandemia, más que por un plan de gasto sostenido y específico a largo plazo. De hecho, en 2022 se ha producido una caída posterior de la relación salud/PIB en muchos países de la OCDE, y si se elimina del total el gasto directo por COVID-19, es probable que el gasto medio per cápita en salud en 2022 haya caído por debajo de las tendencias previas a la pandemia (véase el capítulo 2).

…pero encontrar fondos adicionales suficientes para la salud en el contexto económico actual es un desafío

A pesar de las grandes sumas gastadas en la lucha contra la COVID-19, muchos países de la OCDE siguen afrontando importantes presiones en materia de gasto sanitario, tanto ahora como en el corto plazo. Parte de estas presiones reflejan los retrasos en la prestación de determinados servicios sanitarios provocados por la pandemia, como el impacto de la demora en la atención y el tratamiento, que conduce a la necesidad de una atención más costosa. Por ejemplo, la COVID-19 interrumpió los esfuerzos de prevención del cáncer y la atención oncológica de rutina (Fujisawa, 2022[15]) . Además, los tiempos de espera para cirugías electivas siguen siendo más altos que antes de la pandemia, en todos los países con datos disponibles (OCDE, 2023[16]) .

Pero, aunque los atrasos empiezan a desaparecer, el entorno político y económico actual sigue teniendo consecuencias importantes para el sector de la salud (Spiegel, Kovtoniuk y Lewtak, 2023[17]) . Las prioridades en pugna, como la crisis del coste de la vida, han reducido los presupuestos de salud, lo que ha provocado una desaceleración del crecimiento del gasto sanitario real en muchos países.

Si bien la inflación puede haber disminuido desde su pico de 2022, se ha mantenido en niveles más altos de lo esperado. Esto aumenta los costos de insumos de los proveedores de salud (por ejemplo, energía y alimentos) con un efecto dominó de mayores costos laborales además del desafío existente para retener y atraer a los profesionales de la salud. La Cámara Médica de Austria, por ejemplo, estimó que los costos de energía en las prácticas ambulatorias aumentaron un 500% en 2022 en comparación con el año anterior (OTS, 2022[18]) . La federación de hospitales en Francia predijo costos adicionales relacionados con la inflación de 1000 millones de euros para todos los proveedores de salud pública (de los cuales 750 millones de euros para hospitales), con otros 600-650 millones para centros de atención a largo plazo (Les Echos, 2022[19]) . En Alemania, la federación de hospitales reclamó gastos adicionales debido a la inflación de los precios de la energía y otros insumos por un valor de alrededor de 15 000 millones de euros para 2022 y 2023 (Deutsche Krankenhausgesellschaft, 2022[20]) .

Sin embargo, encontrar los fondos necesarios para mantener las tendencias históricas de crecimiento del gasto en salud, y mucho menos para fortalecer la resiliencia del sistema de salud, es un desafío. El análisis de los datos sobre el gasto en salud muestra que, para que el crecimiento promedio del gasto en salud superara la inflación básica de la OCDE al mismo ritmo que el observado durante el período 2010-19 (es decir, después de la crisis financiera mundial y antes de la pandemia), es decir, en alrededor de 2 puntos porcentuales, habría implicado una tasa de crecimiento nominal promedio del gasto en salud en los países de la OCDE en 2022 de alrededor del 8,5%, seguida de un aumento similar en 2023 y solo cayendo en 2024 y 2025, ya que se prevé que la inflación se mantenga muy por encima de los niveles previos a la pandemia ( Figura 1.3 ). Después del crecimiento excepcional de 2021, el crecimiento nominal promedio del gasto en salud en 2022 en realidad cayó por debajo de la inflación básica, lo que resultó en una disminución promedio en términos reales del 1,5%. Si bien es posible que los presupuestos de salud vuelvan a crecer en términos nominales, corren el riesgo de dar lugar a un recorte del gasto en términos reales ante una inflación más alta que la esperada, al menos en el corto plazo (véase el Capítulo 2).

Gráfico 1.3. ¿Seguirá el gasto en salud superando a la inflación en el corto plazo?

En las próximas décadas, los países de la OCDE se enfrentan a un doble desafío: presiones al alza sobre el gasto en salud y limitaciones en los ingresos gubernamentales.

De cara al futuro, las proyecciones de la OCDE indican que, en las dos próximas décadas, el crecimiento del gasto sanitario procedente de fuentes públicas probablemente será el doble del crecimiento medio de los ingresos gubernamentales (en un escenario «base»). Esto refleja presiones de costes subyacentes, como el aumento de los ingresos, el envejecimiento de la población, las posibles limitaciones de la productividad y la tecnología. También refleja limitaciones a los ingresos que los gobiernos pueden esperar recaudar (los resultados de estas proyecciones se analizan en detalle en el Capítulo 3).

También se espera que el crecimiento del gasto en salud supere al crecimiento económico durante este período, lo que dará lugar a una proporción cada vez mayor de la economía asignada a la salud. Si se extiende este escenario base al gasto en salud en general, se podría ver un aumento promedio de 2,4 puntos porcentuales en la relación salud/PIB anterior a la pandemia para 2040. Es decir, se proyecta que el gasto total en salud alcance el 11,2% en 2040, en promedio en los países de la OCDE (frente al 8,8% del PIB en 2018).

Este escenario base no incluye el gasto adicional necesario para fortalecer la resiliencia del sistema de salud. Una trayectoria a largo plazo que incluya esta inversión adicional aumentaría el gasto general en salud en el mediano plazo, pero podría esperarse que conduzca a una meseta en la relación gasto en salud/PIB en algún momento en el futuro. Esto refleja que ese gasto debería conducir a un retorno eventual de la inversión, como se ilustra en la Figura 1.4 . Por ejemplo, las microsimulaciones de la OCDE estiman la implementación efectiva de intervenciones costo-efectivas para combatir la obesidad y los estilos de vida poco saludables relacionados. En general, por cada dólar PPP invertido en uno de los paquetes de políticas, se puede esperar un retorno de USD PPP 1,3 a USD PPP 4,6 en forma de beneficios económicos (OCDE, 2019[21]) . Los sistemas más fuertes y resilientes también salvarán muchas vidas y ayudarán a construir economías más fuertes y resilientes.

Si combinamos este gasto adicional para fortalecer la resiliencia con las proyecciones del gasto en salud, se proyecta que el gasto total en salud, sin ningún otro cambio importante en las políticas, aumentará 3,0 puntos porcentuales en comparación con los niveles previos a la pandemia, para llegar al 11,8% del PIB en 2040, en promedio en los países de la OCDE.

Figura 1.4. Fortalecimiento de la resiliencia del sistema de salud: implicaciones de costos a lo largo del tiempo

1.3. Los países cuentan con cuatro amplios instrumentos de política para financiar sistemas de salud más resilientes

Teniendo en cuenta tanto las presiones inmediatas sobre el presupuesto de salud (vinculadas a la alta inflación y las presiones competitivas sobre los presupuestos gubernamentales) como los impulsores a largo plazo del gasto en salud (vinculados al envejecimiento de la población, el aumento de los ingresos, las posibles limitaciones de productividad y el cambio tecnológico, y la necesidad de gastar más para fortalecer la resiliencia del sistema de salud), es probable que las preguntas sobre la sostenibilidad fiscal de los sistemas de salud se vuelvan cada vez más difíciles de abordar.

Los países de la OCDE tienen cuatro palancas políticas amplias (no excluyentes) para financiar sistemas de salud más resilientes:

1.Aumentar el gasto público y destinar parte de estos fondos adicionales a la salud.

2.Aumentar la asignación a la salud dentro de los presupuestos gubernamentales existentes

3.Reevaluar los límites entre el gasto público y privado

4.Encuentre ganancias de eficiencia

La medida en que cada una de estas opciones sea viable dependerá del contexto económico y de las prioridades políticas relativas, como se analiza más adelante.

Palanca de política 1: aumentar el gasto público y asignar parte de estos fondos adicionales a la salud

Depende del estado de las finanzas públicas, más factible en países con bajas cargas tributarias y niveles de deuda

Esta opción exige un aumento de los ingresos públicos (principalmente impuestos) o una mayor financiación mediante deuda. Sin embargo, muchos países de la OCDE tienen altos niveles de deuda pública, con los consiguientes mayores costos de endeudamiento, que constituyen importantes limitaciones para las finanzas públicas. Además, tratar de aumentar los impuestos durante una crisis del costo de vida es políticamente desafiante y desagradable, al menos en el corto plazo. También puede haber más margen para aumentar los impuestos que tiendan a reducir las desigualdades o a apuntar a mejoras ambientales.

Los países también podrían aumentar los impuestos específicos para la salud, en particular mediante el aumento de las contribuciones a la seguridad social, a pesar de las preocupaciones sobre la reducción de la competitividad laboral. Una cuestión clave en este caso es evaluar si se puede ampliar la base de contribución a la seguridad social, por ejemplo para cubrir las pensiones o los ingresos de capital personal (si aún no están incluidos). Los impuestos a la salud también son una opción y, aunque han demostrado ser beneficiosos para la salud al reducir el consumo de productos nocivos, su potencial de recaudación en este ámbito es mucho más limitado debido a una base impositiva más pequeña.

La encuesta de la OCDE sobre riesgos que importan permite saber si las personas están dispuestas a apoyar que los gobiernos gasten más en salud y otros programas sociales, incluso cuando esto suponga un aumento de su carga fiscal o de sus contribuciones sociales (OCDE, 2023[23]) . Los últimos resultados de la encuesta para 2022 muestran que la salud sigue siendo el área en la que los encuestados están más dispuestos a aumentar el gasto público. En promedio, el 74% de los encuestados dijo que apoyaba un mayor gasto en servicios de salud pública, cuando se les recordó de manera general los costos de los programas sociales. Con un precio específico de un 2% adicional de los ingresos en impuestos y contribuciones sociales, el apoyo a un mayor gasto se redujo al 43% en promedio, aunque este sigue siendo el nivel más alto de apoyo entre todos los programas sociales ( Figura 1.5 ).

Los resultados de la encuesta de 2022 son muy similares a los de 2020 (donde el 70% y el 45% de los encuestados respectivamente apoyaban un mayor gasto público en salud). Demuestran que los ciudadanos siguen dando gran prioridad a que los gobiernos gasten más en salud, incluso durante el difícil clima económico actual.

Las tendencias muestran que, desde la crisis financiera mundial y hasta la pandemia, el crecimiento del gasto público ha sido, en promedio, ligeramente inferior al crecimiento del PIB. Sin embargo, la pandemia y la posterior desaceleración económica han provocado una ampliación del déficit público en muchos países de la OCDE. En toda la OCDE, si bien las necesidades de endeudamiento de los países han disminuido desde los niveles máximos alcanzados durante la pandemia, los niveles de endeudamiento y deuda siguen siendo mucho más altos que los niveles previos a la pandemia. En 2022, las necesidades de endeudamiento fueron un 43% superiores al promedio de 2011-2019, y la deuda pendiente total fue 10 puntos porcentuales del PIB superior al promedio durante ese mismo período. Casi la mitad de esta deuda deberá reembolsarse o refinanciarse en los próximos tres años (OCDE, 2023[24]) . Los niveles más altos de inflación han llevado a los bancos centrales a aumentar las tasas de interés, lo que aumenta aún más el costo del endeudamiento para los gobiernos.

Figura 1.5. Disposición a gastar más en servicios de salud en comparación con otros programas sociales

Este difícil contexto de finanzas públicas limitará la medida en que los gobiernos pueden aumentar el gasto público (en particular mediante la financiación del déficit) y, en consecuencia, la cantidad de fondos públicos adicionales que estarán disponibles para la salud y otros sectores. De hecho, el estado actual de las finanzas públicas en muchos países de la OCDE indica que una parte considerable de cualquier aumento de los ingresos públicos deberá utilizarse para reducir los déficits fiscales y gestionar la deuda pública. Si bien las últimas perspectivas de la OCDE y el FMI para la economía mundial apuntan a una ligera mejora del crecimiento del PIB, a medida que la inflación se modere y los ingresos reales se fortalezcan, las tasas de crecimiento son inciertas y aún se proyecta que estarán por debajo de la tendencia en los próximos años (OCDE, 2023[25]; Fondo Monetario Internacional, 2023[26]) . Esto tiene efectos en cadena sobre los presupuestos públicos, dado que los ingresos fiscales están estrechamente vinculados al crecimiento económico.

Por lo tanto, será difícil lograr grandes aumentos en el gasto gubernamental general, a pesar de la voluntad de los ciudadanos de que los gobiernos gasten más en salud.

Palanca de política 2: aumentar la asignación a la salud dentro de los presupuestos gubernamentales existentes

Depende de las prioridades políticas, pero es más viable en países con asignaciones relativamente bajas a la salud.

A diferencia de la primera herramienta de política, esta opción tiene un impacto más neutral en la sostenibilidad general de las finanzas públicas. Por lo tanto, la medida en que esta herramienta de política sea viable depende más de las prioridades políticas que de las preocupaciones por la sostenibilidad fiscal. Aunque el panorama político claramente es específico de cada país, en muchos países de la OCDE la salud compite con algunas nuevas prioridades de gasto comunes. Entre ellas se incluyen el aumento de los costos directos de la energía; el apoyo gubernamental a los hogares y las empresas para protegerlos (parcialmente) del aumento de los costos; las medidas para invertir más en la transformación verde y, en algunos países, la presión para aumentar el gasto en defensa.

Las tendencias históricas aportan más información. Muestran que la prioridad relativa concedida a la salud en los presupuestos gubernamentales ha experimentado, en promedio, un modesto aumento de 1 punto porcentual hasta el 15% del gasto público total entre 2011 y 2019. Incluso en 2020 y 2021, a pesar de que el gasto público en salud fue mucho mayor debido a la COVID-19, la proporción asignada a la salud no aumentó significativamente, debido al aumento de otros gastos gubernamentales (véase el capítulo 2). Cabe señalar que los datos incluyen el gasto de los fondos de seguro social de salud. Por lo tanto, parece poco probable esperar grandes cambios en la prioridad relativa concedida a la salud en los presupuestos gubernamentales.

Sin embargo, en los países con asignaciones presupuestarias comparativamente bajas para la salud, las autoridades sanitarias podrían utilizar esto como palanca política para presionar a favor de mayores asignaciones presupuestarias. Esto es más perceptible en los países del lado derecho de la Figura 1.6 (Grecia, Letonia, México, Turquía y Hungría), donde el gasto en salud representó alrededor del 10% o menos del gasto gubernamental total en 2019, una asignación sustancialmente inferior al promedio de la OCDE. Además, Grecia, Turquía y Hungría también muestran cierta reducción en la asignación relativa a la salud durante la última década.

Figura 1.6. Tendencias previas a la pandemia en el gasto en salud de fuentes públicas como porcentaje del gasto gubernamental total

De cara al futuro, la voluntad y la capacidad de los países para aumentar los presupuestos destinados a la salud (ya sea aumentando los ingresos públicos generales y destinando grandes porciones de estos a la salud o bien la proporción de los presupuestos públicos asignados a la salud) y, de ser así, en qué medida, es en última instancia una decisión política. Esta decisión política estará determinada por las preferencias sociales y limitada por las realidades económicas, y por la rapidez con la que cada una de ellas pueda cambiar.

Palanca de política 3: Reevaluar los límites entre el gasto público y privado

Si bien esta opción puede liberar recursos gubernamentales, también conlleva riesgos importantes.

En las últimas dos décadas, la relación entre el gasto privado y el gasto público se ha mantenido relativamente constante, en promedio, en los países de la OCDE. Sin embargo, esta tendencia promedio esconde algunos patrones diferentes: los países que en las últimas décadas han tomado medidas para ampliar o profundizar la cobertura de salud han aumentado el gasto público en salud y reducido los pagos privados de bolsillo con el tiempo.

  • En Chile, por ejemplo, el gasto público en salud aumentó del 3,5% del PIB en 2010 al 5,7% en 2019. Esto reflejó en gran medida la reforma AUGE, diseñada para aumentar los servicios de salud cubiertos por fondos públicos (Aguilera et al., 2015[27]) .
  • Se observaron aumentos similares en el gasto público en Corea, donde se amplió y profundizó el paquete de beneficios para los servicios relacionados con el cáncer, las enfermedades cardiovasculares y las enfermedades raras (Lee, Oh y Kawachi, 2022[28]) .
  • Costa Rica, México y Turquía también experimentaron grandes cambios desde los pagos privados de bolsillo a los esquemas gubernamentales o seguros sociales de salud. Todos estos ejemplos de países tenían en común un impulso político para profundizar la cobertura de salud.
  • En cambio, en los países con sistemas de salud universales bien establecidos la proporción relativa del gasto privado ha aumentado desde 2011, sobre todo en Grecia, Italia, España y Portugal.

Si bien un cambio hacia un mayor gasto privado podría reducir las presiones fiscales, es poco probable que contenga el crecimiento general del gasto en salud. Además, ese cambio corre el riesgo de reducir el acceso a la atención médica financiada con fondos públicos y su calidad, y de exacerbar las desigualdades en materia de salud, con efectos en cadena para la economía en general. Los aumentos generalizados de los costos compartidos impedirán el acceso y aumentarán el riesgo de dificultades financieras, en particular para los menos favorecidos (Oficina Regional de la OMS para Europa, 2023[29]) . Se podría considerar la posibilidad de aumentar ciertos copagos que incluyan exenciones, pero es poco probable que generen ingresos sustanciales o ahorros de costos.

Otra alternativa es canalizar un mayor gasto a través de seguros de salud voluntarios. Si bien no conllevan los mismos riesgos financieros que los pagos directos, los seguros de salud voluntarios a menudo no se ofrecen a un precio asequible para las familias de bajos ingresos y para las personas con problemas de salud subyacentes (Sagan y Thomson, 2016[30]) . Por lo tanto, corren el riesgo de exacerbar las desigualdades dentro de los sistemas de salud.

Sin embargo, es necesario debatir las orientaciones a largo plazo de la frontera entre el sector público y el privado, en particular en lo que respecta a cuáles son las mejores opciones para presupuestos públicos limitados. Un mejor uso de las evaluaciones de tecnologías sanitarias (ETS) ayudará a determinar si los servicios, medicamentos y equipos médicos existentes y nuevos ofrecen una buena relación calidad-precio a los precios actuales (Auraaen et al., 2016[31]) . En consecuencia, las ETS pueden utilizarse como base para excluir de la financiación pública las intervenciones ineficaces en función de los costos. Además, el sector público y el privado deberán colaborar para superar los desafíos del sistema de salud, como la erradicación de enfermedades mediante programas de investigación sanitaria, inspirados en el esfuerzo por obtener una vacuna contra la COVID-19 (Foro Económico Mundial, 2023[32]) .

Palanca de política 4: Encontrar mayores ganancias de eficiencia

Puede ser una solución políticamente atractiva, pero requiere reformas audaces para lograr ahorros de costos sustanciales.

Gran parte del trabajo de la OCDE en materia de salud se orienta a analizar cómo los países pueden mejorar la relación calidad-precio en sus sistemas de salud. Por ejemplo, el informe de la OCDE sobre “Cómo abordar el gasto innecesario en salud” mostró que hay áreas de gasto que no ofrecen mejores resultados y que hasta una quinta parte del gasto es ineficaz o innecesario (OCDE, 2017[5]) .

Entre los enfoques probados para aumentar la productividad se incluyen las políticas sobre personal sanitario, productos farmacéuticos y nuevas tecnologías. Por ejemplo, las leyes y regulaciones que amplían el alcance de la práctica para los no médicos (como enfermeras y farmacéuticos) pueden producir ahorros de costos sin efectos adversos en la calidad de la atención (OECD, 2020[33]) . En el caso de los productos farmacéuticos, el precio, la entrada al mercado y las regulaciones de prescripción han ayudado a aumentar la penetración de los genéricos en el mercado, lo que ha permitido ahorrar costos. La digitalización puede respaldar nuevos modelos de prestación de atención, en particular en forma de telemedicina y herramientas robóticas para algunos procedimientos limitados, y un mejor uso de los datos de salud mejora la gestión de los recursos de atención crítica (OECD, 2023[34]) . Reducir la toma de decisiones clínicas perjudiciales también debería ser una prioridad, y las políticas para reducir los errores médicos, el uso inadecuado de antimicrobianos y la variación injustificada en la práctica médica tienen un gran impacto en la mejora de la eficacia del gasto en salud. Por último, desde una perspectiva de política fiscal, los países con subsidios para seguros de salud privados voluntarios adicionales podrían considerar eliminar o reducir esos subsidios y utilizarlos para ayudar a financiar el presupuesto de salud.

Se necesitan esfuerzos tan audaces para reducir el despilfarro, ya que es poco probable que un enfoque conservador para mejorar la eficiencia en el sector de la salud produzca ahorros suficientes. Por ejemplo, cuando las últimas proyecciones de la OCDE examinan el crecimiento del gasto en salud en un escenario de «control de costos» en comparación con el escenario «base», solo se generan ahorros muy modestos. Este escenario de control de costos refleja políticas efectivas para aumentar la productividad y controlar parte de la demanda de atención médica. Aplicando esto al gasto total en salud, en promedio, estos ahorros solo reducen 0,1 puntos porcentuales la relación salud/PIB en 2040. Por lo tanto, con un gasto adicional en el fortalecimiento de la resiliencia del sistema de salud, se proyecta que el gasto total en salud aumentará al 11,7% del PIB en promedio (en comparación con el 11,8% del PIB) en 2040.

Se espera que las políticas que mejoran el envejecimiento saludable proporcionen ahorros algo mayores. Aplicadas al gasto total en salud, se espera que reduzcan algo más de 0,4 puntos porcentuales de la proporción proyectada del PIB para 2040. Estas políticas incluyen acciones para promover estilos de vida más saludables tanto dentro como fuera de la atención médica. Por ejemplo, las políticas de prevención del consumo de alcohol rentables incluyen impuestos, regulaciones sobre horarios de atención, publicidad y conducción bajo los efectos del alcohol, junto con intervenciones de atención primaria dentro del sector de la salud (OCDE, 2021[35]) . Muchas de estas medidas de salud pública están incluidas en las inversiones inteligentes señaladas para aumentar la resiliencia, por lo que se espera que estos ahorros de costos se realicen como parte de la implementación del gasto adicional. Si bien son bienvenidos, no son suficientes por sí mismos para alterar fundamentalmente la trayectoria ascendente del gasto en salud. Después del gasto adicional para fortalecer la resiliencia, se proyecta que el gasto total en salud aumente al 11,4% del PIB en promedio en 2040.

Por lo tanto, se necesitan cambios de política más ambiciosos y transformadores para frenar el crecimiento del gasto en salud y, al mismo tiempo, fortalecer la resiliencia y mantener una atención de alta calidad y accesible para todos. Si los países logran eliminar la mitad del gasto ineficaz y derrochador identificado en análisis anteriores de la OCDE, se pueden lograr ahorros de costos significativamente mayores, equivalentes a 1,2 puntos porcentuales del PIB. Esto conduce a un aumento mucho más modesto del gasto total en salud, hasta un promedio del 10,6% del PIB en 2040.

La figura 1.7 muestra el efecto de estos diferentes escenarios sobre la trayectoria del gasto en salud, y el recuadro 1.2 proporciona más detalles sobre el enfoque utilizado para producir estos resultados.

Figura 1.7. Financiar un mayor gasto en resiliencia: el impacto de diferentes escenarios de «eficiencia»

Recuadro 1.2. Combinación de escenarios de proyección del gasto en resiliencia y del gasto en salud

El gasto en salud proyectado hasta 2040 se deriva de la proyección promedio del gasto público basada en 33 países de la OCDE (como se detalla en el Capítulo 3) y se amplió para cubrir el gasto total en salud (público y privado) para los 38 países de la OCDE. Es decir, se supone que la proporción privada del gasto en salud crece al mismo ritmo que el gasto público para los países de la OCDE en su conjunto durante el período 2018-40. Esta suposición se basa en una revisión de los cambios históricos en los que la proporción general público-privada del gasto no cambió significativamente entre 2003 y 2018.

Se supone que las tasas de crecimiento anual promedio proyectadas del gasto en salud (en cada escenario) y del PIB se mantendrán constantes durante el período de proyección hasta 2040.

El aumento del gasto en salud se combina con un aumento lineal incremental del gasto de inversión adicional hasta alcanzar el nivel máximo equivalente al 1,25% del PIB en 2035, observando que el otro 0,13% del PIB se atribuye al gasto de capital y por tanto se separa del gasto recurrente.

Se supone que a partir de 2035 el gasto adicional en resiliencia compensará el aumento subyacente del gasto en salud (en cada escenario), de modo que la relación salud/PIB se mantendrá constante a partir de entonces.

El escenario de «control de costos» supone un aumento del 20% en la productividad (en comparación con un aumento del 10% en la productividad en el escenario «base») y una disminución del 10% en la elasticidad-ingreso del gasto en salud durante el período de proyección. El escenario de «envejecimiento saludable» supone que todas las ganancias en la esperanza de vida a lo largo del tiempo se gastan en buena salud y no en mala salud. Se pueden encontrar más detalles sobre estos escenarios en el Capítulo 3.

El escenario «transformador» final supone que los países logran eliminar la mitad del gasto ineficaz y derrochador identificado en análisis anteriores de la OCDE de manera incremental, de modo que se alcanza una reducción del 10% del gasto total en salud para 2035 y se mantiene en ese nivel a partir de entonces.

Sin embargo, es importante señalar que, incluso si se materializan algunas o todas estas ganancias de eficiencia, la experiencia de los países indica que no hay garantía de que dichas ganancias se reflejen automáticamente en un espacio presupuestario adicional para la salud. El riesgo desde la perspectiva del sistema de salud es que las ganancias de eficiencia se utilicen para financiar el gasto público no relacionado con la salud, lo que se traduciría en recortes presupuestarios para la salud (Barroy et al., 2021[36]) . Para evitar ese resultado, son esenciales las buenas prácticas de presupuestación para la salud (como se analiza más adelante en la siguiente sección), asegurando que existan procesos claros y un acuerdo entre las autoridades sanitarias y financieras sobre cómo se utilizan los ahorros de costos.

Estas cuatro palancas de política no son mutuamente excluyentes

Las dos primeras herramientas de política descritas anteriormente (aumentar el gasto público general y/o las asignaciones presupuestarias existentes para la salud) permiten recaudar fondos públicos adicionales para la salud, mientras que las dos últimas herramientas de política (reevaluar los límites entre lo público y lo privado y buscar mejoras en la eficiencia) pueden liberar recursos del gasto sanitario existente.

Si bien cada una de estas palancas de política entraña diferentes riesgos económicos y políticos, las cuatro pueden considerarse en conjunto, es decir, no son mutuamente excluyentes. Más bien, se trata más de la medida en que se adopten cada una de estas opciones para garantizar recursos suficientes para la salud, en lugar de ser un proceso binario de toma de decisiones. De hecho, en los debates en el seno de la Red Conjunta de Altos Funcionarios de Presupuesto y Salud de la OCDE, algunos participantes señalaron que los acuerdos recientes sobre financiación adicional en áreas prioritarias estaban vinculados a reformas estructurales destinadas a encontrar ahorros de costos. En Canadá, por ejemplo, el gobierno federal presentó un plan de financiación de diez años para aumentar la inversión en atención sanitaria en casi 200.000 millones de dólares canadienses. Parte de esta nueva financiación federal se proporcionó mediante acuerdos bilaterales adaptados a las áreas prioritarias, que incluían compromisos de reformas centradas en la eficiencia, en particular esfuerzos para modernizar la recopilación y presentación de datos de salud ( www.canada.ca/en/health-canada/services/priorities.html ).

En última instancia, las decisiones que tomen los responsables políticos estarán influidas por la viabilidad política y económica del cambio en su país, especialmente en el corto y mediano plazo.

1.4. Las buenas prácticas presupuestarias facilitan un mejor diálogo entre las autoridades financieras y sanitarias sobre cómo financiar sistemas de salud más resilientes

En este contexto complejo, es fundamental que exista un diálogo eficaz entre las autoridades financieras y las sanitarias para llegar a un acuerdo sobre una solución fiscalmente sostenible que permita financiar sistemas de salud más resilientes. Este diálogo se lleva a cabo en el marco del proceso presupuestario, desde la planificación y las negociaciones para la elaboración del próximo presupuesto, pasando por la ejecución del presupuesto, hasta una fase de revisión que luego alimenta el siguiente ciclo presupuestario ( gráfico 1.8 ). Esto incluye las decisiones sobre las transferencias gubernamentales a los fondos de seguro social de salud, en los países donde el seguro de salud es el principal comprador de servicios de salud.

Figura 1.8. Buenas prácticas presupuestarias para la salud a lo largo del ciclo presupuestario

La elaboración de presupuestos no consiste simplemente en controlar el gasto. Por el contrario, las buenas prácticas presupuestarias facilitan la consecución de los objetivos de las políticas sanitarias respetando al mismo tiempo la sostenibilidad fiscal, con el objetivo de maximizar la eficiencia y la eficacia del gasto.

A continuación se resumen las ideas y recomendaciones de alto nivel; en el capítulo 4 se analizan en detalle las prácticas presupuestarias para la salud en los países de la OCDE, y los capítulos 5 y 6 se centran en aspectos específicos (planificación financiera a mediano plazo y presupuestación de programas/desempeño para la salud, respectivamente).

Un proceso presupuestario eficaz mejora las decisiones sobre si, cuándo y en qué medida se puede aumentar la financiación pública para la salud.

Las etapas previas al acuerdo presupuestario del proceso presupuestario son importantes para llegar a un acuerdo sobre el presupuesto para la salud. En una fase de «planificación», se establecen las necesidades de gasto en salud a mediano y largo plazo. Sobre la base de esto, en una fase de «formulación y aprobación», se establece el nivel general de gasto público en salud para el próximo año presupuestario y cómo se asignarán los recursos entre las diferentes áreas y prioridades de política sanitaria. Las buenas prácticas presupuestarias en estas dos fases ayudan a las autoridades financieras y sanitarias a decidir juntas cuánto asignar a la salud. Las recomendaciones de alto nivel incluyen:

  • Elaborar proyecciones de gastos de salud a mediano plazo que se basen en el proceso presupuestario y reflejen las necesidades de referencia y el impacto de las decisiones políticas.
  • Elaborar proyecciones de ingresos a mediano plazo para la salud (cuando sea pertinente) y compararlas con las proyecciones de gastos para evaluar el alcance de cualquier déficit de financiación.
  • Precisar las prioridades a medio plazo en materia de salud de forma coherente con el presupuesto estimando su impacto financiero
  • Utilizar los marcos de gasto a medio plazo en materia de salud como herramienta para vincular la financiación a las prioridades a medio plazo
  • Garantizar la coherencia con las limitaciones fiscales nacionales al elaborar estimaciones de presupuestos para la salud
  • Al evaluar las necesidades de gasto en salud, hay que distinguir entre la línea de base (el costo de mantener la cobertura y los niveles de calidad actuales) y las nuevas propuestas de políticas.
  • Considere utilizar criterios explícitos para facilitar el debate sobre el nivel general del gasto en salud

Un proceso presupuestario eficaz mejora la forma en que se gasta el presupuesto de salud

Las buenas prácticas presupuestarias a lo largo de todo el ciclo presupuestario pueden ayudar a los países a lograr ganancias de eficiencia en materia de salud. Los acuerdos previos al presupuesto ayudan a garantizar que las decisiones de asignación reflejen las prioridades actuales (en lugar de basarse únicamente en una base histórica e incremental). Luego, una vez que se ha aprobado el presupuesto de salud, la ejecución y el seguimiento oportunos del gasto en salud y los mecanismos de revisión adecuados ayudan a garantizar que los fondos se gasten según lo previsto y contribuyan a los objetivos estratégicos de salud. Las recomendaciones de alto nivel sobre buenas prácticas presupuestarias incluyen:

  • Clasificar el presupuesto de salud en programas que estén alineados con las prioridades estratégicas del sector de la salud (evitar la presupuestación basada únicamente en los insumos). Esto incluye incorporar información sobre el desempeño dentro o junto con el presupuesto.
  • Liberar los fondos según lo asignado en el presupuesto de salud, con un cronograma de desembolso claro
  • Monitorear oportunamente los gastos de salud durante el año fiscal, para permitir la pronta implementación de mecanismos de corrección para mantener el presupuesto encaminado
  • Elaborar cuentas de salud para ofrecer una visión integral y coherente del gasto en salud a lo largo del tiempo.
  • Proporcionar a las instituciones fiscales y de auditoría independientes el mandato de revisar los gastos de salud, a fin de promover una mayor transparencia y rendición de cuentas
  • Integrar las revisiones del gasto como parte del proceso de preparación del presupuesto, en lugar de hacerlo de manera ad hoc, garantizando que los resultados de la revisión se incorporen a la formulación del próximo presupuesto.

1.5. Conclusiones

Encontrar recursos suficientes para financiar sistemas de salud más sólidos y resilientes es un desafío, tanto en el clima económico actual como de cara al futuro. A corto plazo, la escasez de finanzas públicas, agravada por la alta inflación y el frágil crecimiento económico, limita el margen de maniobra de los gobiernos para aumentar el gasto, incluso en materia de salud. También hay muchas prioridades urgentes que compiten entre sí, como la protección de los hogares vulnerables frente a la crisis del coste de la vida y la necesidad de invertir más en la transformación ecológica. A más largo plazo, las presiones de los costes derivadas del envejecimiento de las sociedades y el aumento de los ingresos y las expectativas demográficas seguirán exigiendo recursos públicos que, a su vez, se prevé que estarán sujetos a una reducción de los ingresos.

Este contexto no significa que el cambio sea imposible, pero sí requiere un liderazgo político que equilibre las limitaciones financieras con la necesidad de fondos adicionales. Para ello, es fundamental el diálogo entre las autoridades sanitarias y las financieras. Las autoridades financieras deben establecer claramente las limitaciones fiscales en las que están operando. Las autoridades sanitarias deben demostrar los beneficios más amplios (la buena salud y la atención sanitaria como motor del crecimiento económico y los sistemas sanitarios resilientes como elementos fundamentales para proteger a la sociedad frente a futuras crisis) junto con el valor intrínseco de una mejor salud. Las autoridades sanitarias también deben tranquilizar a las autoridades financieras en el sentido de que los fondos adicionales se gastarán de manera eficaz y, al mismo tiempo, demostrar su compromiso de adoptar medidas audaces para reducir el gasto innecesario. Es necesario aprovechar plenamente los beneficios del poder transformador de la IA y las herramientas digitales en todo el sector de la salud.

Las autoridades sanitarias y financieras deben ser conscientes de los riesgos que entraña el hecho de que los gobiernos no gasten lo suficiente en salud, incluidos los efectos colaterales que van más allá del sector de la salud. El monto que los gobiernos gastan en salud, aunque claramente depende de las limitaciones económicas, es en última instancia una decisión política. Pero las buenas prácticas presupuestarias para la salud informan el debate político, al mostrar qué es fiscalmente factible, dónde se deben concentrar fondos adicionales y cómo las ganancias de eficiencia pueden ser parte de la solución financiera.

Referencias

[27] Aguilera, I. et al. (2015), Implementación de la reforma de Acceso Universal con Garantías Explícitas (AUGE) , Organización Mundial de la Salud.

[31] Auraaen, A. et al. (2016), “Cómo los sistemas de salud de la OCDE definen la gama de bienes y servicios que deben financiarse colectivamente” , Documentos de trabajo sobre salud de la OCDE , n.º 90, OECD Publishing, París, https://doi.org/10.1787/5jlnb59ll80x-en .

[36] Barroy, H. et al. (2021), “¿Las ganancias de eficiencia realmente se traducen en más presupuesto para la salud? Un marco de evaluación y aplicaciones en los países”, Health Policy and Planning , Vol. 36/8, págs. 1307-1315, https://doi.org/10.1093/heapol/czab040 .

[13] Bundesrechnungshof (2021), Informe consultivo sobre la auditoría de determinadas partidas de gasto relacionadas con el coronavirus del presupuesto departamental n.º 15 y del Fondo de Salud , https://www.bundesrechnungshof.de/SharedDocs/Downloads/EN/Berichte/health_sector_programmes_volltext.pdf?__blob=publicationFile&v=3 .

[20] Deutsche Krankenhausgesellschaft (2022), Vorschläge zur Energiepreisbremse können die Insolvenzgefahr der Krankenhäuser nicht bremsen , https://www.dkgev.de/dkg/presse/details/vorschlaege-zur-energiepreisbremse-koennen-die-insolvenzgefahr-der- krankenhaeuser-nicht-bremsen/#:~:text=Vorschl%C3%A4ge%20zur%20Energiepreisbremse%20k%C3%B6nnen .

[15] Fujisawa, R. (2022), “Impacto de la pandemia de COVID-19 en la atención del cáncer en los países de la OCDE” , Documentos de trabajo sobre salud de la OCDE , n.º 141, OECD Publishing, París, https://doi.org/10.1787/c74a5899-en .

[3] Gleißner, W., T. Günther y C. Walkshäusl (2022), “Sostenibilidad financiera: medición y evidencia empírica”, Journal of Business Economics , vol. 92/3, págs. 467-516, https://doi.org/10.1007/s11573-022-01081-0 .

[11] Health Service Executive (2020), “Informes anuales y estados financieros”, https://www.hse.ie/eng/services/publications/corporate/hse-annual-report-and-financial-statements-2020.pdf .

[26] Fondo Monetario Internacional (2023), Perspectivas de la economía mundial .

[28] Lee, H., J. Oh e I. Kawachi (2022), “Cambios en los gastos catastróficos de salud para enfermedades importantes después de una expansión del seguro de salud en Corea del Sur en 2013”, Health Affairs , vol. 41/5, págs. 722-731, https://doi.org/10.1377/hlthaff.2021.01320 .

[19] Les Echos (2022), Les hôpitaux réclament une rallonge pour faire face à l’inflation .

[14] Morgan, D. y C. James (2023), “Invertir en la resiliencia del sistema de salud”, en ¿ Listos para la próxima crisis? Invertir en la resiliencia del sistema de salud , OECD Publishing, París, https://doi.org/10.1787/648e8704-en .

[22] Morgan, D. y C. James (2022), “Invertir en sistemas de salud para proteger a la sociedad e impulsar la economía: inversiones prioritarias y estimaciones de costos de orden de magnitud” , OECD Health Working Papers , No. 144, OECD Publishing, París, https://doi.org/10.1787/d0aa9188-en .

[7] OCDE (2024), Replanteamiento de la evaluación del desempeño del sistema de salud: un marco renovado , Estudios de políticas de salud de la OCDE, Publicaciones de la OCDE, París, https://doi.org/10.1787/107182c8-en .

[25] OCDE (2023), Perspectivas económicas de la OCDE, Volumen 2023, número 1 , OECD Publishing, París, https://doi.org/10.1787/ce188438-en .

[16] OCDE (2023), Estadísticas de salud de la OCDE , https://doi.org/10.1787/health-data-en .

[24] OCDE (2023), Perspectivas de endeudamiento soberano de la OCDE 2023 , OECD Publishing, París, https://doi.org/10.1787/09b4cfba-en .

[1] OCDE (2023), ¿ Listos para la próxima crisis? Invertir en la resiliencia del sistema de salud , Estudios de política sanitaria de la OCDE, OECD Publishing, París, https://doi.org/10.1787/1e53cf80-en .

[34] OCDE (2023), “El futuro de la telemedicina después del COVID-19” , Respuestas políticas de la OCDE al coronavirus (COVID-19) , Publicaciones de la OCDE, París, https://doi.org/10.1787/d46e9a02-en .

[23] OCDE (2023), Encuesta sobre riesgos importantes de la OCDE , http://www.oecd.org/social/risks-that-matter .

[35] OCDE (2021), Prevención del consumo nocivo de alcohol , Estudios de políticas sanitarias de la OCDE, Publicaciones de la OCDE, París, https://doi.org/10.1787/6e4b4ffb-en .

[8] OCDE (2020), Perspectivas empresariales y financieras de la OCDE 2020: Finanzas sostenibles y resilientes , Publicaciones de la OCDE, París, https://doi.org/10.1787/eb61fd29-en .

[10] OCDE (2020), “Contratación pública y gobernanza de infraestructura: respuestas políticas iniciales a la crisis del coronavirus (COVID-19)” , Respuestas políticas de la OCDE al coronavirus (COVID-19) , OECD Publishing, París, https://doi.org/10.1787/c0ab0a96-en .

[33] OCDE (2020), Aprovechar el potencial de la atención primaria de salud , Estudios de políticas sanitarias de la OCDE, Publicaciones de la OCDE, París, https://doi.org/10.1787/a92adee4-en .

[21] OCDE (2019), La pesada carga de la obesidad: la economía de la prevención , Estudios de políticas sanitarias de la OCDE, Publicaciones de la OCDE, París, https://doi.org/10.1787/67450d67-en .

[5] OCDE (2017), Abordar el gasto innecesario en salud , OECD Publishing, París, https://doi.org/10.1787/9789264266414-en .

[2] OCDE (2015), Sostenibilidad fiscal de los sistemas de salud: conectando las perspectivas de salud y finanzas , OECD Publishing, París, https://doi.org/10.1787/9789264233386-en .

[6] OCDE (2010), “Sistemas de atención de salud: eficiencia e instituciones”, Documentos de trabajo del Departamento de Economía de la OCDE , vol. 769, https://doi.org/10.1787/5kmfp51f5f9t-en .

[4] OCDE/Eurostat/OMS (2017), Un sistema de cuentas de salud 2011: edición revisada , OECD Publishing, París, https://doi.org/10.1787/9789264270985-en .

[18] OTS (2022), Österreichische Ärztekammer: Zusätzliche Energiekosten für Ordinationen müssen , https://www.ots.at/presseaussendung/OTS_20220928_OTS0081/oesterreichische-aerztekammer-zusaetzliche-energiekosten-fuer-ordinationen-muessen- abgedeckt-werden .

[9] Alianza para la Sostenibilidad y la Resiliencia de los Sistemas de Salud (2023), Creación de sistemas de salud sostenibles y resilientes: principales conclusiones de los informes nacionales .

[30] Sagan, A. y S. Thomson (2016), Seguro médico voluntario en Europa: función y regulación , Organización Mundial de la Salud. Oficina Regional para Europa.

[17] Spiegel, P., P. Kovtoniuk y K. Lewtak (2023), “La guerra en Ucrania un año después: la necesidad de desarrollar estrategias para la salud a largo plazo de los ucranianos”, The Lancet , Vol. 401/10377, págs. 622-625, https://doi.org/10.1016/s0140-6736(23)00383-5 .

[12] Parlamento del Reino Unido (2021), “COVID-19: Test, seguimiento y rastreo”, https://publications.parliament.uk/pa/cm5801/cmselect/cmpubacc/932/93202.htm .

[37] Vammalle, C., C. Penn y C. James (2023), “Aplicación de buenas prácticas presupuestarias a la salud”, OECD Journal on Budgeting , https://doi.org/10.1787/b280297f-en .

[29] Oficina Regional de la OMS para Europa (2023), ¿Pueden las personas permitirse pagar la atención sanitaria ?

[32] Foro Económico Mundial (2023), Aprovechar el impulso para crear resiliencia para un futuro de crecimiento sostenible e inclusivo .

Notas

← 1.  En este capítulo, el término «autoridad sanitaria» se refiere a la agencia o agencias gubernamentales que son las principales responsables del sistema de salud. Por lo general, se trata del ministerio de salud o del fondo de seguro social de salud. «Autoridad financiera» se refiere a la agencia gubernamental responsable del presupuesto general del gobierno a nivel nacional. Por lo general, se trata del ministerio de finanzas, el tesoro o la autoridad presupuestaria central.

← 2.  ​​Del 1,4%, el 1,25% del PIB en promedio se destina a un aumento del gasto recurrente anual y el 0,13% del PIB como aumento anual del gasto de capital en el sistema de salud.

Proyecciones a largo plazo: Diferentes caminos hacia la sostenibilidad fiscal de los sistemas de salud

Luca Lorenzoni
OCDE

Pietrangelo De Biase
OCDE

Sean Dougherty
OCDE


Principales hallazgos

  • Incluso antes de la COVID-19, muchos países de la OCDE esperaban que la financiación de sus sistemas de salud se vería sometida a graves presiones en las próximas décadas, debido tanto a las presiones al alza sobre el gasto sanitario como al impacto negativo de los cambios demográficos sobre los ingresos públicos. La pandemia ha hecho que esta perspectiva sea aún más difícil, ya que los sistemas de salud y las sociedades deben estar mejor preparados para los shocks sanitarios.
  • Al combinar las proyecciones del gasto en salud con las de los ingresos gubernamentales, el análisis muestra cómo los cambios en la combinación de edades y los ingresos de la población darían lugar a cambios en la proporción del gasto en salud en los ingresos gubernamentales en el largo plazo.
    • El modelo de proyección del gasto en salud utiliza un enfoque basado en componentes, que permite desagregar las proyecciones según los principales impulsores del gasto en salud: cambios en los ingresos, restricciones de productividad, cambios demográficos e impacto de las nuevas tecnologías.
    • Los ingresos del gobierno se proyectan considerando el dinamismo de los ingresos respecto del PIB y el impacto de los cambios en la estructura de la población sobre los ingresos laborales, los ingresos de los activos y el consumo privado.
  • Las proyecciones indican que, en las próximas dos décadas, los países de la OCDE probablemente se enfrentarán a un doble desafío: presiones al alza sobre el gasto en salud y restricciones sobre los ingresos que los gobiernos pueden esperar recaudar. Se proyecta que el crecimiento del gasto en salud de fuentes públicas será el doble del crecimiento promedio de los ingresos gubernamentales (2,6% y 1,3% respectivamente), en promedio en los países de la OCDE entre 2019 y 2040. En consecuencia, se proyecta que el gasto en salud de fuentes públicas alcance el 20,6% de los ingresos gubernamentales en los países de la OCDE para 2040, un aumento de 4,7 puntos porcentuales con respecto a 2018.
  • Se proyecta que el gasto en salud proveniente de fuentes públicas alcance el 8,6% del PIB, un aumento de 1,8 puntos porcentuales respecto de 2018.
  • Se prevé que las presiones sobre el gasto sanitario serán especialmente importantes en Corea y Turquía (+4% de crecimiento anual en promedio entre 2019 y 2040). En cuanto a los ingresos, se prevé que no haya casi ningún aumento en los ingresos gubernamentales en Grecia, Italia y Japón entre 2019 y 2040.
  • Es probable que los cambios en la estructura de edad de la población tengan un impacto menor en la determinación del gasto en salud en comparación con otros factores del lado de la oferta, en particular los cambios tecnológicos y el aumento de los ingresos. Se espera que durante los próximos 20 años, el envejecimiento de la población aumente el gasto en salud en un 0,2% anual y reduzca los ingresos gubernamentales en un 0,2% anual, en promedio en los países de la OCDE. Se proyecta que los cambios en la estructura de edad de la población reduzcan los ingresos gubernamentales en todos los países de la OCDE, excepto Nueva Zelanda, para 2040.
  • Las políticas que apoyan la prevención y promueven estilos de vida saludables, así como las que mejoran la eficiencia, pueden frenar el crecimiento previsto del gasto en salud. Las políticas encaminadas a garantizar la sostenibilidad fiscal futura de los sistemas de salud también deberían hacer que los ingresos del gobierno sean más robustos ante un perfil demográfico en proceso de envejecimiento.

3.1 Introducción

Incluso antes de la COVID-19, muchos países de la OCDE esperaban que la financiación de sus sistemas de salud se vería sometida a una fuerte presión en las próximas décadas. La pandemia ha hecho que esta perspectiva sea aún más difícil. Los sistemas de salud deben ser más resilientes, de modo que cualquier crisis sanitaria futura no ponga en peligro la accesibilidad y la calidad de los servicios de salud. Esto incluye no solo responder a varias “megatendencias” que están surgiendo en las economías de la OCDE y que afectarán la atención sanitaria (como el envejecimiento de la población, los avances tecnológicos, los cambios en los mercados laborales y la estructura familiar y una economía mundial más integrada), sino también a posibles crisis sanitarias en el futuro, como las pandemias repetidas, la resistencia a los antimicrobianos, los efectos del cambio climático, las perturbaciones de la infraestructura digital y otras que no se pueden prever.

Además de estos desafíos considerables, la COVID-19 ha dejado muy en claro que la resiliencia del sistema de salud también debe agregarse como un componente necesario para una sostenibilidad económica más amplia. En 2020, la pandemia contribuyó a una reducción del 3,4% en el tamaño de la economía mundial (en términos de PIB), y los países de la OCDE experimentaron reducciones de hasta el 10,8% (OCDE, 2021[1]) . De cara al futuro, las crisis sanitarias repetidas en el futuro tienen el potencial de afectar el crecimiento económico a través de impactos acumulativos si los sistemas de salud no las contienen y mitigan de manera efectiva.

En este capítulo se utiliza un nuevo método para evaluar la sostenibilidad fiscal a largo plazo de los sistemas de salud. Al vincular las proyecciones del gasto en salud con las proyecciones de los ingresos del gobierno, se pueden explorar simultáneamente los efectos del envejecimiento de la población y del crecimiento de los ingresos sobre los ingresos y el gasto en salud del gobierno. Los análisis que prestan la misma atención al gasto en salud y a los ingresos del gobierno reflejan mejor la necesidad de un conjunto de políticas que abarquen a todo el gobierno y que aborden en particular las consecuencias del envejecimiento.

El capítulo se basa en trabajos previos de la OCDE sobre el gasto en salud y los amplía (de la Maisonneuve y Oliveira Martins, 2013[2]) . En este capítulo se desarrolla el marco de modelización del gasto en salud e incorpora otros países al análisis. A continuación, se añade un análisis complementario sobre el lado de los ingresos, basándose en la metodología de dinamismo de los ingresos de (Lagravinese, Liberati y Sacchi, 2020[3]) , que amplía ese enfoque e integra escenarios de ingresos basados ​​en políticas junto con las proyecciones del gasto en salud. Cabe señalar que este enfoque de proyecciones de ingresos supone que los cambios pasados ​​en las políticas fiscales persistirán en el futuro. El resultado es un conjunto integral de proyecciones de la sostenibilidad fiscal futura de los sistemas de salud de los países de la OCDE.

Para obtener un orden de magnitud de la sostenibilidad fiscal a largo plazo de los sistemas de salud, este capítulo se organiza de la siguiente manera. En primer lugar, se proyecta el gasto en salud de fuentes públicas hasta 2040, teniendo en cuenta los principales factores de costos en diferentes escenarios. Luego, se proyectan los ingresos gubernamentales hasta 2040. Por último, se proyecta la proporción del gasto en salud en los ingresos gubernamentales hasta 2040.

3.2. Proyección del gasto en salud de fuentes públicas

Este capítulo se centra en el gasto sanitario actual futuro procedente de fuentes públicas, definido como el gasto del seguro médico obligatorio y de los planes gubernamentales. 1 El gasto sanitario procedente de fuentes privadas de pagos directos y del seguro médico voluntario queda fuera del alcance de este capítulo. El modelo de proyección utiliza un enfoque basado en componentes, que permite desagregar las proyecciones de los grupos de edad a cinco años según los principales impulsores del gasto ( Recuadro 3.1 ). Los resultados del modelo de regresión proporcionan el valor de los coeficientes utilizados para proyectar el impacto de los ingresos, las limitaciones de productividad y los avances tecnológicos en el gasto sanitario a lo largo del tiempo.

Recuadro 3.1 Factores que impulsan el gasto en salud

El efecto ingreso se mide por la elasticidad ingreso del gasto en salud, que captura el cambio porcentual en el gasto en salud en respuesta a un cambio porcentual dado en el ingreso. Si bien los primeros estudios encontraron que la elasticidad ingreso era mayor que uno (el gasto en salud aumenta más rápido que el ingreso), la evidencia actual que utiliza datos de panel internacionales y métodos de regresión apropiados que tienen en cuenta otros impulsores de costos en gran medida encuentra una elasticidad ingreso de alrededor de 0,7-0,8 para los países de la OCDE/altos ingresos. La evidencia generalmente muestra que a medida que los países se vuelven más ricos, la elasticidad ingreso tiende a disminuir (Baltagi BH, 2017[4]) . Intuitivamente, esto significa que a medida que los países alcanzan niveles adecuados de atención y cobertura para todos, se asignará una proporción relativamente menor del ingreso a la salud. Sin embargo, es importante señalar que cuando se utiliza el PIB como un indicador del ingreso, esto no implica necesariamente que el gasto en salud como proporción del PIB disminuirá, ya que el efecto ingreso no tiene en cuenta el crecimiento del gasto en salud de otros impulsores del gasto en salud.

Las restricciones de productividad se miden mediante la “variable Baumol” (Baumol, 1967[5]) , un indicador que captura el impacto de un menor crecimiento de la productividad en el sector de la salud en relación con otros sectores de la economía sobre el gasto en salud.

Baumol postuló que algunos sectores de la economía son “no progresivos”, lo que significa que no se benefician de los avances tecnológicos tanto como otros sectores. Dichos sectores, incluidos la salud y la educación, no desplazan mano de obra al mismo ritmo (o en absoluto) cuando se implementan nuevas tecnologías, en comparación con los sectores “progresivos” de la economía. En otras palabras, el sector de la salud es intensivo en mano de obra y es probable que siga siendo así en los próximos años. El efecto Baumol establece que, a medida que la productividad y los salarios aumentan juntos en los sectores “progresivos” de la economía, el sector de la salud (al ser “no progresivo” y, por lo tanto, seguir siendo intensivo en mano de obra) experimentará aumentos salariales en línea con el resto de la economía, pero no aumentos de productividad proporcionales. En la práctica, la variable Baumol captura el exceso de inflación de los precios de la salud (en comparación con toda la economía).

El progreso tecnológico adopta distintas formas (innovación de productos, conocimientos o procesos) y representa el factor más complejo de modelar para el gasto sanitario (Chernew y Newhouse, 2012[6]) . El desafío que plantea la tecnología como factor impulsor es doble: en primer lugar, las interacciones endógenas con otros factores impulsores del gasto son grandes. La tecnología afecta al cambio demográfico, moldea la productividad y, en cierta medida, refleja la demanda de los consumidores a medida que aumentan los ingresos. En segundo lugar, dichas interacciones, y de hecho la tecnología por sí sola, son difíciles de explicar a nivel macro: los indicadores de la tecnología son escasos e ineficientes, en particular para los paneles internacionales (Marino et al., 2017[7]) . En este capítulo, el impacto del progreso tecnológico en el gasto sanitario se estima a través de un coeficiente específico del tiempo, al tiempo que se reconoce que algunos de sus efectos podrían ser captados endógenamente por los efectos de los ingresos y Baumol.

El efecto demográfico se refleja en los cambios en la población por grupos de edad de cinco años a lo largo del tiempo. Además, como los gastos se concentran en los últimos años o meses de vida independientemente de la edad a la que se produce la muerte (lo que se conoce comúnmente como la hipótesis de los costos relacionados con la muerte [DRC] (Lubitz y Riley, 1993[8]), se supone que los costos para los no sobrevivientes son diez veces mayores que los costos para los sobrevivientes por grupos de edad de cinco años. Esta relación de gastos refleja el punto medio de los valores informados en la literatura (Marino et al., 2017[7]) . Luego, este valor de diez se ajusta a lo largo del tiempo para reflejar las ganancias específicas de cada país en la esperanza de vida. Estos DRC dinámicos se utilizan como un indicador para modelar el envejecimiento saludable. El supuesto de envejecimiento saludable implica que los sobrevivientes están envejeciendo de manera más saludable (ya que su gasto en salud es menor que el de los no sobrevivientes) y la morbilidad se comprime hacia grupos de edad más avanzados (ya que las tasas de mortalidad, y por lo tanto el gasto, son más altos en la edad avanzada). Además, los costos relacionados con la muerte se ajustan a lo largo del tiempo para reflejar las ganancias específicas de cada país en la esperanza de vida. Dada la importancia de la proximidad a la muerte para impulsar el gasto, los patrones cambiantes de edad al morir y el aumento de la esperanza de vida, el gasto en salud de las personas mayores cae en relación con las personas más jóvenes con el tiempo (Cylus, Figueras y Normand, 2019[9]) .

3.2.1. Especificaciones del modelo de proyección del gasto en salud

El impacto de los ingresos, las limitaciones de productividad y los efectos específicos del tiempo en el gasto en atención de salud se estima mediante regresiones de panel ejecutadas sobre datos históricos (2000-18) para 33 países de la OCDE. La especificación base utiliza la demografía, el PIB per cápita, 2 la productividad y un factor de tiempo para estimar el gasto en salud. La variable dependiente es el gasto actual en salud per cápita de fuentes públicas, en términos reales y en moneda nacional. También se incluyen en los análisis controles adicionales para la demografía y la tecnología, medidos por la proporción de personas de 65 años o más en la población total y el gasto en investigación y desarrollo (I+D) en la economía general respectivamente. También se utiliza una variable ficticia para dar cuenta del crecimiento negativo del PIB real. El modelo de regresión utiliza datos logarítmicos diferenciados para todas las variables, y la especificación preferida utiliza efectos aleatorios.

El efecto ingreso se mide por la elasticidad ingreso del gasto en salud, que refleja el cambio porcentual del gasto en salud en respuesta a un cambio porcentual dado en el ingreso. 3 En la especificación preferida, la estimación de la elasticidad ingreso del gasto en salud de fuentes públicas es 0,767. Para las proyecciones, esto significa que un aumento del 1% en el PIB potencial genera un aumento promedio del 0,767% en el gasto en salud, si todo lo demás permanece constante. Es importante señalar que esto no implica necesariamente que el gasto en salud como porcentaje del PIB disminuirá, ya que el efecto ingreso no tiene en cuenta el crecimiento del gasto en salud resultante de todos los demás factores.

Las limitaciones potenciales de productividad se miden mediante la “variable Baumol”, un indicador que captura el impacto de un menor crecimiento de la productividad en el sector de la salud en relación con otros sectores de la economía sobre el gasto en salud. Se utilizó como indicador de proyección del efecto Baumol el crecimiento promedio histórico específico de cada país de los salarios en la economía en general por encima de la productividad por trabajador en la economía en general, y se multiplicó por el coeficiente estimado en la regresión de panel para la variable Baumol (0,482). Esto implica que un aumento del 1% en el crecimiento de los salarios por encima del crecimiento de la productividad se traduce en un aumento del 0,482% en el gasto en salud de fuentes públicas, si todo lo demás permanece igual. La variable Baumol tiene un límite de 0,01 hasta 2040. Esto significa que el valor de la variable Baumol disminuiría linealmente a 0,01 de 2018 a 2040 si el valor medio observado de 2000 a 2018 para un país es superior a 0,01. Si el crecimiento medio de los salarios por encima de la productividad por trabajador es negativo, la variable Baumol es igual al crecimiento medio anual de la productividad. Este es el caso de Grecia, Italia, Japón, Portugal y España.

Por último, en el modelo de regresión se utilizaron dos variables sustitutivas del progreso tecnológico. En primer lugar, se incluye el crecimiento del gasto en I+D. Esta variable sustitutiva no fue significativa en las regresiones para el gasto en salud de fuentes públicas –como lo indica la literatura–, pero sí afectó significativamente a otros factores en algunas de las especificaciones. En segundo lugar, se incluyen variables ficticias anuales. Estas capturan el crecimiento sistemático que no se tiene en cuenta en todos los demás parámetros del modelo, lo que refleja en parte el progreso tecnológico. La variable resultante es un crecimiento específico por año para todos los años del panel, que posteriormente se promedian utilizando una ponderación lineal que otorga más peso a los años más cercanos al año base de la proyección y menos peso a los años más alejados. El coeficiente para este efecto específico en el tiempo es 0,004, lo que implica un aumento del 0,4% en el gasto en salud para cada año, si todo lo demás permanece igual. Por lo tanto, el impacto del progreso tecnológico en el gasto en salud se estima a través del coeficiente específico en el tiempo, aunque también se reconoce que parte de su efecto podría ser capturado endógenamente por los coeficientes de ingresos y productividad.

La ecuación general es la siguiente: 4

La variable dependiente HCE es el gasto sanitario per cápita en el país c para el año t; Demo se refiere al componente demográfico;β2β2es la elasticidad ingreso del PIB;β3β3es el coeficiente de la variable Baumol, medida como los salarios en la economía general W en exceso de la productividad por trabajador Y;ηdoηcyτaτtson efectos de país y tiempo;mic​​εc,tes el componente residual de la regresión.

3.2.2. Proyecciones y análisis de escenarios

Las proyecciones pueden contribuir de manera importante a una mejor planificación a largo plazo. Combinan información sobre determinantes bien conocidos del gasto en atención sanitaria, como los cambios demográficos, con el impacto de cambios económicos, tecnológicos y sociales más amplios. Las proyecciones no son pronósticos: no intentan estimar lo que sucederá en el futuro, sino explorar lo que podría suceder si las tendencias existentes continúan o si ocurren ciertos eventos. La información sobre factores relativamente predecibles, como el envejecimiento de la población, a menudo se combina con información sobre factores más inciertos para crear escenarios. Los escenarios 5 describen una gama de posibles estados futuros del mundo combinando diferentes supuestos, por ejemplo, sobre opciones de políticas o impulsores de costos (por ejemplo, nuevas tecnologías).

En este capítulo, un escenario de política “base” proyecta el gasto en salud bajo el supuesto de que las políticas se mantendrán similares a las que existían antes de la pandemia de COVID-19, excepto por un aumento lineal de hasta el 10% en 2040 de la productividad en el sector de la salud en comparación con la economía general, lo que refleja las tendencias históricas. El escenario base también modela el envejecimiento saludable a través de una reducción del gasto, en promedio, para los sobrevivientes. En el escenario base, se adopta un equilibrio dinámico parcial, por el cual solo la mitad de las ganancias en la esperanza de vida se traducen en una reducción del gasto futuro en todos los grupos de edad. 6

Se analizan tres escenarios de políticas adicionales: “control de costos”, “presión de costos” y “envejecimiento saludable”. Un escenario de “control de costos” estima en qué medida las políticas efectivas de contención de costos pueden compensar los factores que impulsan el gasto en salud. En particular, supone un aumento lineal de hasta el 20% en 2040 en la productividad del sector de la salud (en comparación con el 10% en el escenario base), y una disminución lineal de hasta el 10% en 2040 en la elasticidad del ingreso del gasto en salud (en comparación con ningún cambio en el escenario base), lo que refleja que a medida que los países se vuelven más ricos, los sistemas de salud se vuelven más eficientes y los resultados en materia de salud mejoran. El aprovechamiento de nuevas tecnologías mediante un mejor uso de la evaluación de tecnologías sanitarias, la delegación de tareas y el aumento de la adopción de medicamentos genéricos son algunos ejemplos de políticas que mejor reflejan este escenario. Un escenario de “presión de costos” supone un aumento lineal de hasta el 10% en 2040 en la elasticidad del ingreso y una productividad constante. En este caso, las políticas ineficaces de contención de costos, combinadas con las crecientes expectativas sobre la atención de la salud, conducen a la introducción de nuevas tecnologías costosas, sin tener suficientemente en cuenta su relación costo-efectividad. Si bien en este escenario la calidad de la atención puede aumentar, tales ganancias conllevarán presiones considerables sobre los costos. Por último, un escenario de “envejecimiento saludable” supone que todas las ganancias en la esperanza de vida se traducen en años de buena salud a lo largo del tiempo, lo que reduce el gasto en atención médica para los sobrevivientes en comparación con el escenario base. En este caso, se parte del supuesto de que se implementarán políticas efectivas que fortalezcan la prevención y promuevan estilos de vida saludables.

El cuadro 3.1 muestra el valor del coeficiente de los factores impulsores del modelo por escenario. Los valores de los coeficientes de elasticidad del ingreso, efecto Baumol y efecto tiempo del año base (2018) se estimaron mediante análisis de regresión de panel realizados sobre datos históricos (2000-2018). Cabe señalar que en este capítulo se analizan escenarios de proyección que reflejan supuestos relativamente moderados sobre la dirección de las políticas de salud. El capítulo 1 analiza las implicaciones para el gasto de políticas transformacionales más ambiciosas, tanto las diseñadas para aumentar sustancialmente la resiliencia del sistema de salud como las políticas destinadas a realizar recortes radicales al gasto ineficaz y derrochador en salud.

Tabla 3.1. Valor de los coeficientes del conductor por escenario

expandir

 Elasticidad del ingresoEfecto Baumol  
Guión2018204020182040Multiplicador del envejecimiento saludableEfecto del tiempo
Base0,7670,7670,4820,4340,50,004
Control de costes0,6910,3860,50,004
Presión de costos0,8430,4820,50,004
Envejecimiento saludable0,7670,43410,004

Nota: Los coeficientes de elasticidad ingreso, efecto Baumol y efecto tiempo fueron estadísticamente significativos al nivel de 0,01.

3.3. Proyección de los ingresos del gobierno

Los ingresos del gobierno pueden distinguirse entre ingresos tributarios y no tributarios. La OCDE define los impuestos como pagos obligatorios y no contrapartida al gobierno general. Los impuestos se calculan mediante la multiplicación de una tasa impositiva por una base imponible (por ejemplo, ingresos, propiedad, consumo, nómina, emisiones de carbono, etc.). Mientras que los ingresos no tributarios abarcan una gran heterogeneidad de fuentes de ingresos, como subvenciones intergubernamentales, ingresos por intereses, alquileres de propiedades, dividendos y ganancias de empresas estatales, y cargos y tarifas por servicios prestados por los gobiernos a grupos específicos (por ejemplo, peajes de carreteras, cargos por servicios médicos).

Los ingresos del gobierno se proyectan considerando dos efectos: la flotabilidad de largo plazo y los cambios en la estructura de la población. La flotabilidad es un coeficiente que captura la sensibilidad de los ingresos del gobierno a la actividad económica o al ciclo económico. Puede utilizarse para proyectar los ingresos del gobierno en función de las tendencias futuras de las actividades económicas medidas por el PIB o la brecha de producción. Al multiplicar el coeficiente de flotabilidad por el crecimiento esperado del indicador en cuestión, se captura el cambio proyectado en los ingresos del gobierno asociado con el cambio en la actividad económica. Por lo tanto, al utilizar este método de proyección, se supone implícitamente que la relación entre los ingresos y el PIB observada en el pasado en cada país se mantiene en el futuro. Esta relación incluye las reformas de política fiscal implementadas en el pasado. Es decir, el modelo se basa en datos históricos de PIB e ingresos del gobierno para proyectar los ingresos del gobierno en términos reales. No tiene en cuenta los cambios de política emergentes o los factores macroeconómicos, incluidas las fluctuaciones recientes en las tasas de interés y la inflación, que pueden tener un impacto en bases impositivas específicas (como los valores de las propiedades para los impuestos a la propiedad).

Los cambios en la estructura de la población se refieren al impacto de las variaciones en los patrones de ingresos laborales, ingresos de activos y consumo privado a lo largo del ciclo de vida a medida que las personas envejecen. Esos cambios captan solo los cambios en la distribución de la población entre los grupos de edad –y sus patrones de ingresos y consumo–, mientras que el efecto de dinamismo capta todos los cambios en el PIB, incluidos los relacionados con el crecimiento del tamaño de la población.

3.3.1 Estimación de los coeficientes de dinamismo de los ingresos del gobierno

El siguiente modelo de ingresos gubernamentales se estima utilizando mínimos cuadrados ordinarios: 7

donde  R , D , c y a se refieren a los ingresos del gobierno, variable ficticia para el crecimiento negativo del PIB real, país y tiempo, respectivamente.φφes una intersección,ρρes el dinamismo de corto plazo,alfaαes la velocidad de ajuste y− β/ a-β/αes la flotabilidad a largo plazo (el coeficiente de interés). Las variables están en términos reales (deflactadas por el deflactor de precios implícito del PIB).

Como los cambios en las políticas tributarias no se controlan al estimar las flotabilidades, la forma más fácil de minimizar el grado en que estos efectos son capturados por el coeficiente de flotabilidad y reproducidos en las proyecciones es utilizar los ingresos totales, en general la distribución con la menor dispersión y cuyos valores son más cercanos a la unidad.

Los coeficientes de flotabilidad de los ingresos totales del gobierno varían de 0,41 (Grecia) a 1,32 (Corea), con una mediana de 1,02. Esta proximidad a uno satisface las expectativas teóricas y está en línea con los resultados de otros estudios (Koster G, 2017[10]; Deli et al., 2018[11]; Belinga et al., 2014[12]; Dudine y Jalles, 2017[13]) , pero contrasta con los resultados encontrados por (Lagravinese, Liberati y Sacchi, 2020[3]) , en los que los coeficientes de flotabilidad tenían una tendencia a ser inferiores a uno.

3.3.2. Escenarios de flotabilidad

Como prueba de robustez, se utilizan tres escenarios para los coeficientes de flotabilidad. En primer lugar, un escenario base supone que los coeficientes de flotabilidad estimados se mantienen constantes durante todo el período de proyección. En segundo lugar, un escenario de flotabilidad unitaria postula que el crecimiento de los ingresos es igual al crecimiento del PIB. En tercer lugar, un escenario intermedio postula que los coeficientes de flotabilidad estimados convergen a uno en 2060 (nótese que el período de proyección es hasta 2040). Estos tres escenarios capturan la incertidumbre con respecto al valor futuro de los coeficientes de flotabilidad de los ingresos. 8

La lógica detrás de estos tres escenarios es que mantener los coeficientes de flotabilidad constantes a lo largo de dos décadas puede representar una suposición demasiado fuerte, ya que se espera que los países sigan la misma trayectoria de políticas que siguieron durante el período que se utilizó para estimar los coeficientes de flotabilidad (1990-2018). Como esta suposición es poco probable, el objetivo del primer escenario es proporcionar una estimación general de lo que sucedería si los países repitieran las mismas políticas. El segundo refleja la expectativa teórica de que en el largo plazo las boyas impositivas deben ser de 1, de lo contrario el gobierno superará a toda la economía o dejará de existir, una situación extremadamente improbable. El tercer escenario supone que hay cierta inercia en las trayectorias de las políticas y, por lo tanto, las boyas convergerán gradualmente hacia su expectativa teórica de 1 para 2060.

3.3.3. Estimación del impacto de los cambios en la estructura de edad de la población sobre los ingresos del gobierno

El envejecimiento de la población afecta los ingresos gubernamentales a través de al menos dos mecanismos diferentes: afectando la actividad económica general (es decir, el crecimiento esperado del PIB), que está intrínsecamente vinculado a los ingresos gubernamentales; y afectando las bases impositivas.

Los datos de las Cuentas Nacionales de Transferencias (CNT) de la ONU proporcionan perfiles de edad para los agregados económicos del Sistema de Cuentas Nacionales. De esta forma, es posible estimar el impacto del envejecimiento poblacional sobre determinados impuestos o bases imponibles a través de la siguiente ecuación:

DóndeΔR​ΔRse refiere a la tasa de crecimiento de un rubro de ingresos del gobierno o un indicador aproximado de éste (por ejemplo, una base impositiva en el caso de los impuestos),pagpA la población yaral rubro de ingresos respectivo o su proxy en términos per cápita. Los subíndicesdoc,ii,bbyaase refieren al país, al año actual de la proyección, al año base de la proyección y al grupo de edad, respectivamente. Cabe señalar que esta ecuación tieneac , brc,btanto en el numerador como en el denominador, lo que significa que supone que el perfil de edad permanece constante a lo largo del tiempo, un supuesto que parece plausible en períodos de tiempo relativamente cortos.

Cabe señalar que, al utilizar la base imponible para proyectar el impacto del envejecimiento de la población en los ingresos fiscales, se supone implícitamente que las tasas impositivas son constantes para los diferentes grupos de edad. Por ejemplo, en el caso de los impuestos sobre la renta, esto significa que un aumento de los ingresos de un determinado grupo de personas conducirá al mismo aumento de los ingresos fiscales, independientemente del grupo de edad de esas personas. Como los países de la OCDE tienden a tener sistemas impositivos progresivos, esa suposición de tasas impositivas constantes en todos los grupos de edad tenderá a generar estimaciones más pequeñas de los ingresos fiscales cuando un grupo de edad con personas con ingresos altos está creciendo (por ejemplo, las personas de alrededor de 40 años) y estimaciones más grandes de los ingresos fiscales cuando un grupo de edad con personas con ingresos bajos está creciendo (por ejemplo, los ancianos). 9 De manera similar, en el caso de los impuestos al consumo, esta suposición significa que las tasas impositivas aplicadas a la canasta de productos consumidos por cada grupo de edad son las mismas.

Dadas las limitaciones de los datos, se consideró que los ingresos por impuestos a la propiedad no varían con el envejecimiento de la población. 10 Los ingresos bajo el rubro “ingresos no tributarios” y “otros impuestos” también se consideran invariables con el envejecimiento de la población. Esto se debe a que abarcan una gran variedad de fuentes de ingresos y, por lo tanto, ni una sola variable ni una combinación de variables en el impuesto a la propiedad se puede utilizar como un indicador aproximado de ellos.

3.3.4. Perfiles de edad

La figura 3.1 muestra el perfil de edad de las tres bases impositivas utilizadas en el modelo de proyecciones, es decir, el ingreso laboral, el ingreso de activos privados y el consumo privado.

Los ingresos laborales 11 aumentan lentamente cuando las personas están en la mitad de la adolescencia (es decir, a partir de los 15 años), alcanzando un máximo a los 40 años y luego disminuyendo rápidamente desde los 50 hasta los 80 años. La dispersión entre los países de la OCDE es bastante pequeña, lo que muestra que este patrón es similar en todos los países. Por lo tanto, se espera que los países en los que la edad promedio esperada de la población durante los próximos 20 años esté dentro del grupo de edad de 40 a 54 años muestren un aumento en los ingresos laborales agregados. Por otro lado, se espera que los países «más viejos» experimenten una disminución en los ingresos laborales agregados debido a un aumento en la proporción de personas de 50 años o más.

Los ingresos por activos privados aumentan lentamente cuando las personas tienen entre 20 y 30 años, alcanzan su punto máximo a los 60 y disminuyen de manera bastante modesta hasta los 80. Las personas de 85 años o más tienden a tener más ingresos por activos privados que las menores de 40 años. Sin embargo, la dispersión es bastante grande, ya que hay países en los que las personas de 85 años o más se encuentran en el grupo de edad con los ingresos por activos privados más altos, mientras que en otros países menos de la mitad de ellas se encuentran en el grupo de ingresos altos. Como resultado, el impacto del envejecimiento de la población en los ingresos por activos privados depende no solo de lo joven que sea la población, sino también de la distribución de los activos privados entre los grupos de edad.

El consumo privado aumenta cuando las personas nacen y hasta los 30 años, y se mantiene más bien estable a partir de entonces. La dispersión no es grande, lo que indica que este patrón de consumo es similar en todos los países de la OCDE. Los cambios proyectados en el tamaño y la estructura de la población son, por lo tanto, los elementos más importantes para estimar el impacto del envejecimiento de la población en el consumo privado.

Gráfico 3.1. Distribución de los ingresos laborales, los ingresos por activos privados y el consumo privado por grupo de edad en los países de la OCDE

3.3.5 Combinación de los efectos de la flotabilidad y la estructura de edad de la población

Para combinar los efectos de la flotabilidad y la estructura de edad de la población, se utilizó la siguiente ecuación:

DóndeyoRTRse refiere a los ingresos totales del gobierno (términos reales),ΔR​∆R se refiere al efecto del envejecimiento de la población (calculado por la ecuación 2),elwse refiere a la parte de los ingresos totales representada por el respectivo rubro de ingresosaa,Δ GDP​​∆GDPse refiere al crecimiento del PIB en términos reales,θθse refiere al dinamismo de los ingresos del gobierno 12 yΔP​o -p∆Popse refiere al crecimiento de la población. Los subíndicesdocyiise refieren al país y la hora, respectivamente.θc , yoθc,iSólo cambia con el tiempo en el tercer escenario de flotabilidad convergiendo a uno en 2060.

La separación del cambio en la estructura de la población del cambio en el tamaño de la población evita la doble contabilización del impacto del crecimiento de la población, ya que esta variable ya está reflejada en el crecimiento del PIB. Como resultado, la ecuación azul (en negrita) estimó el efecto de los cambios en la estructura de la población, mientras que la ecuación verde estimó el efecto de flotabilidad total, que incluye el crecimiento de la población.

Otro punto clave se refiere al hecho de que las tasas de crecimiento potencial del PIB per cápita proyectadas se ajustaron para considerar los efectos de las variaciones esperadas en la proporción de la población activa con respecto a la población total (para más detalles, véase (Guillemette y Turner, 2021[14]) . Por lo tanto, tanto el PIB potencial per cápita utilizado en la estimación del crecimiento del PIB como la relación modelada entre los ingresos gubernamentales y el PIB se ven afectados por el envejecimiento de la población. Como la ecuación 3 captura el efecto de estos dos impactos potenciales del envejecimiento de la población en los ingresos gubernamentales, los resultados presentados en la siguiente sección pueden interpretarse como un límite superior del efecto del envejecimiento de la población en los ingresos gubernamentales hasta 2040.

Por último, se supone implícitamente que el envejecimiento de la población afecta a los ingresos del gobierno solo a través de cambios en la base impositiva. En otras palabras, se supone que la relación entre los ingresos fiscales y las bases impositivas es invariable al envejecimiento de la población. Esta parece ser una suposición razonable dado que, en teoría, esta relación está determinada por la estructura impositiva de un país 13 y que los principales impulsores del dinamismo fiscal son, dependiendo del tipo de impuesto, la apertura comercial, la densidad de población, las libertades civiles, los derechos políticos, los elementos de la política fiscal, la estructura de las tasas impositivas y la importancia de algunas industrias (Dudine y Jalles, 2017[13]) . 14

3.3.6. Relevancia de las proyecciones de ingresos públicos en países donde el seguro médico obligatorio es la principal fuente de financiamiento del gasto en salud

En este capítulo, el gasto en salud proveniente de fuentes públicas como proporción de los ingresos del gobierno se utiliza como indicador para evaluar la sostenibilidad fiscal futura de los sistemas de salud. En países como Costa Rica y Alemania, donde las contribuciones al seguro social financian una gran parte del gasto en salud y las transferencias del gobierno financian una proporción relativamente pequeña del gasto en seguro de salud obligatorio ( gráfico 3.2 ), este indicador puede ser menos relevante. Además, algunos sistemas de salud, como el de los Estados Unidos, dependen en mayor medida de las contribuciones privadas.

Figura 3.2. Fuentes de financiación del seguro médico obligatorio, 2021 (o año más próximo)Países de la OCDE y países en vías de adhesión con contribuciones obligatorias al seguro de salud que representan más de la mitad del gasto total en salud

3.4. Resultados

3.4.1. Proyecciones del gasto en salud de fuentes públicas hasta 2040

Se proyecta que el gasto en salud de fuentes públicas en toda la OCDE crecerá a una tasa anual promedio del 2,6% para 2019‑40 en el escenario base (todos los resultados en precios constantes, teniendo en cuenta los efectos inflacionarios) 15 . Esto se compara con el 2,5% para los escenarios de «control de costos», el 2,7% para la «presión de costos» y el 2,3% para los escenarios de «envejecimiento saludable».

En términos per cápita, se proyecta que el gasto en salud crecerá a una tasa anual promedio de 2,3% para 2019‑40 en el escenario base, 2,2% para el escenario de “control de costos”, 2,4% para el escenario de “presión de costos” y 2,1% para el escenario de “envejecimiento saludable”. Con un crecimiento anual histórico promedio de 3% para el período 2000‑18, las proyecciones base indican una desaceleración del crecimiento del gasto en salud en comparación con el pasado ( Figura 3.3 ).

Sin embargo, es probable que el crecimiento del gasto en salud sea significativamente mayor que el crecimiento del PIB per cápita, en un 1,2% entre 2019 y 2040. El gasto en salud generalmente tiende al crecimiento del PIB en términos de su forma, pero otros impulsores del gasto lo impulsan por encima del crecimiento del PIB, en particular en el escenario de «presión de costos». Esta relación parcial entre el gasto en salud y el PIB es consistente con un análisis previo de la OCDE sobre el gasto histórico, que encontró que las fluctuaciones cíclicas en la economía explicaron menos de la mitad de la desaceleración del gasto en salud durante el período 2005-2013, y el resto se explicó por efectos de política (Lorenzoni et al., 2017[15]) .

Dado que se espera que el gasto público en salud crezca más rápido que el PIB, se proyecta que el gasto en salud de fuentes públicas alcance el 8,6% del PIB en 2040 en el escenario base, un aumento de 1,8 puntos porcentuales en comparación con 2018, y con un rango de 8,5% a 8,8% en los escenarios de proyección analizados ( Tabla 3.2 ).

Cuadro 3.2. Gasto en salud de fuentes públicas en 2040 según diferentes escenarios de proyección (promedio de la OCDE)

expandir

GuiónComo porcentaje del PIBVariación en puntos porcentuales respecto al valor de 2018Tasa media de crecimiento anual (términos reales)Tasa media anual de crecimiento per cápita (en términos reales)
Base8,6%Aumento de 1,8 puntos porcentuales2,6%2,3%
Presión de costos8,8%Aumento de 2 puntos porcentuales2,7%2,4%
Control de costes8,5%Aumento de 1,7 puntos porcentuales2,5%2,2%
Envejecimiento saludable8,2%Aumento de 1,4 puntos porcentuales2,3%2,1%

Estos resultados son comparables en líneas generales con otros análisis internacionales transnacionales. Los resultados del Informe sobre el envejecimiento (Comisión Europea, 2021[16]) muestran un aumento de 1,3 puntos porcentuales del gasto en 2040 en los países de la UE en el escenario base (del 8,3% al 9,5%). Si comparamos los 23 miembros de la UE que también son miembros de la OCDE, nuestras proyecciones muestran un aumento de 1,2 puntos porcentuales del gasto en salud como porcentaje del PIB hasta 2040, mientras que el Informe sobre el envejecimiento muestra un aumento de 1,5 puntos porcentuales.

Se prevé que el gasto sanitario per cápita para el período 2019-2040 crezca por encima del 3,5% anual en Estonia, Corea, Letonia y Lituania. Todos ellos son países con proyecciones de crecimiento del PIB relativamente altas durante el período estudiado. En cambio, el crecimiento proyectado en Austria y Alemania es de alrededor del 1,5%.

Figura 3.3. Comparación del crecimiento porcentual anual promedio observado (2000‑18) y proyectado (escenario base, 2019‑40) del gasto en salud per cápita en términos reales por país

En el escenario base ( Figura 3.4 ), el efecto demográfico 16 aumenta el gasto en salud en un 0,6% anual, en promedio en la OCDE. Esto equivale a una cuarta parte del crecimiento general proyectado. Obsérvese que el efecto demográfico comprende un efecto de “edad pura” de crecimiento del 0,9%. Esto se modera por un grado de envejecimiento saludable que reduce el crecimiento del gasto en un 0,3% (modelado a través de DRC dinámicos). El ingreso es el factor impulsor más importante, ya que representa cuatro décimas partes del crecimiento anual del gasto en salud. Las restricciones de productividad (el efecto Baumol) representan aproximadamente una quinta parte del crecimiento general del gasto. Los efectos específicos del tiempo representan una sexta parte del crecimiento del gasto en salud.

Los escenarios de políticas alternativos ilustran los impactos diferenciales que pueden tener los factores que impulsan el gasto en salud. Por ejemplo, las restricciones de productividad aumentan el gasto anual en salud en un 0,5% y un 0,6% en los escenarios de “control de costos” y “presión de costos”, respectivamente, lo que equivale a alrededor de una sexta parte del crecimiento general del gasto. Un mayor grado de “envejecimiento saludable” significa un efecto demográfico menor (en comparación con los otros escenarios). El efecto del ingreso es más dominante en el escenario de “envejecimiento saludable”, ya que representa el 42% del crecimiento general del gasto.

Figura 3.4. Crecimiento porcentual promedio anual del gasto en salud en términos reales por factor impulsor y por escenario, OCDE, 2019-40

El análisis del impacto de los factores determinantes en el gasto por país proporciona más información ( gráfico 3.5 ). Los efectos del ingreso representan más del 1,5% del crecimiento anual promedio en Estonia, Letonia, Lituania y Polonia, mientras que representan menos del 0,6% del crecimiento en Canadá e Italia. Los países con los niveles más altos de crecimiento proyectado del PIB exhiben los mayores efectos del ingreso en términos absolutos, pero la proporción relativa del efecto del ingreso depende naturalmente de la magnitud de todos los demás efectos en un país determinado.

El efecto Baumol, que mide el efecto del crecimiento de los salarios y la productividad en la economía, es el más importante y representa más del 1% del crecimiento en Estonia, Letonia y Lituania. En cambio, Austria, Grecia, los Países Bajos y España muestran efectos de crecimiento del 0,2% o menos. Los países que muestran un efecto Baumol importante han experimentado un crecimiento de los salarios sustancialmente superior al crecimiento de la productividad en la economía general, lo que implica que sería necesario asignar una proporción mayor del gasto en salud a los salarios en el sector de la salud para que estuviera a la par con los salarios en la economía general.

Los efectos demográficos son mayores en Israel, Corea y Luxemburgo, todos ellos países con un crecimiento absoluto del 1,5% o más. En cambio, en Letonia y Lituania el cambio demográfico tiene un efecto negativo en el gasto de alrededor del 1%. Esto se explica en gran medida por las disminuciones previstas en las cifras de población en estos cuatro países.

Figura 3.5. Crecimiento porcentual promedio anual del gasto en salud en términos reales por factor impulsor por país, 2019-40. Escenario base

3.4.2. Proyección de los ingresos del gobierno hasta 2040

Efecto de dinamismo sobre los ingresos del gobierno en 2040

Aplicando coeficientes de flotabilidad al crecimiento potencial del PIB, se estima el efecto acumulativo de la flotabilidad sobre los ingresos de los gobiernos hasta 2040.

La figura 3.6 muestra las relaciones proyectadas entre los ingresos del gobierno y el PIB por fuente de ingresos en 2040. Para todos los impuestos excepto el CIT, el aumento medio de los ingresos fiscales está en línea con el aumento del crecimiento del PIB: el cambio esperado en esta relación varía de una disminución del 4% (impuestos sobre la nómina) a un aumento del 1% (impuestos sobre la propiedad), mientras que se espera que las relaciones entre los ingresos del CIT y el PIB crezcan un 11%.

Cabe señalar que, en caso de que estas tendencias generales en materia de ingresos fiscales se repita en el futuro, provocarán un cambio en la composición tributaria de los países. Los ingresos provenientes de impuestos con un mayor dinamismo a largo plazo, como el impuesto sobre sociedades y los impuestos sobre la propiedad, pueden representar una mayor proporción de los ingresos totales. Por el contrario, los ingresos provenientes de impuestos menos dinámicos, como los impuestos sobre las ventas y el impuesto sobre bienes y servicios/IVA, pueden representar una proporción menor de los ingresos totales.

Figura 3.6. Crecimiento de la relación entre los ingresos del gobierno y el PIB hasta 2040 debido al efecto de dinamismo

Una salvedad importante es que las proyecciones suponen que la relación entre los ingresos del gobierno y el PIB entre 1990 y 2018 será la misma hasta 2040. Es poco probable que esta relación sea exactamente la misma, ya que hubo reformas tributarias en las últimas décadas que probablemente no se repetirán en el futuro. Por ejemplo, los ingresos del impuesto sobre las sociedades se vieron afectados por las reducciones de las tasas y la ampliación de la base en las últimas décadas. Aunque las tasas podrían seguir disminuyendo, se espera que la solución de dos pilares para los desafíos fiscales derivados de la digitalización de la economía acordada por 137 jurisdicciones del Marco Inclusivo de la OCDE/G20 sobre BEPS en octubre de 2021 atenúe la tendencia a largo plazo de las reducciones de las tasas, al introducir un piso acordado multilateralmente sobre la competencia fiscal con una tasa impositiva mínima efectiva global del 15%. Por otro lado, si bien siguen existiendo oportunidades para la ampliación de la base impositiva, no está claro si la tendencia hacia la ampliación de la base observada en las últimas décadas continuará. En relación con los impuestos sobre bienes y servicios, por ejemplo, en el período posterior a la crisis financiera mundial, los países aumentaron sus tasas de impuesto al valor agregado (es decir, un componente de los impuestos sobre bienes y servicios) para recaudar más ingresos. Sin embargo, este enfoque tiene rendimientos decrecientes y los países en gran medida han dejado de aumentar sus tasas de GST/IVA (véase (OECD, 2020[17]) para un análisis profundo y reciente de las tendencias en materia de tributación en los países de la OCDE).

El efecto del envejecimiento de la población sobre los ingresos del gobierno mediante el uso de la TNT

La figura 3.7 desglosa las proyecciones de ingresos del gobierno en dos efectos: el efecto de dinamismo de los ingresos (que incluye el crecimiento del tamaño de la población) y el cambio en la estructura de la población. El efecto de dinamismo es siempre positivo, lo que era de esperar dado que se espera que la tasa de crecimiento del PIB sea positiva en todos los países de este estudio. El efecto de dinamismo varió del 9,5% (Grecia) al 82,8% (Australia), con un promedio del 40,6%.

En cambio, el efecto de la estructura de edad sólo es positivo en el caso de Nueva Zelanda (un país relativamente “joven”) y se prevé que sea negativo hasta en un 8% en Eslovenia. Como resultado de los cambios en la estructura de la población, se espera que los ingresos del gobierno disminuyan –en promedio– un 4% hasta 2040.

Gráfico 3.7. Tasa de crecimiento acumulada de los ingresos del gobierno en términos reales debido al cambio en la estructura de la población y al dinamismo, 2019-40

En la figura 3.8 se compara el crecimiento de los ingresos gubernamentales con el crecimiento de la población y el crecimiento del PIB potencial en los tres escenarios de dinamismo. Como muchos países de la OCDE esperan un aumento de la población, el crecimiento per cápita de los ingresos gubernamentales fue ligeramente menor que su crecimiento en niveles, en los tres escenarios. En el escenario de convergencia, se proyecta que los ingresos gubernamentales crecerán, en promedio, un 1,3% anual, mientras que se espera que disminuyan ligeramente en comparación con el crecimiento del PIB (-0,2% anual).

Figura 3.8. Comparación de la tasa de crecimiento acumulada de los ingresos del gobierno en distintos escenarios de dinamismo, 2019-2040

3.4.3 Sostenibilidad fiscal del gasto en salud

En toda la OCDE, se espera que el cambio anual medio del gasto en salud en el escenario base sea el doble del cambio anual medio de los ingresos gubernamentales entre 2023 y 2040 (2,6% frente a 1,3%). A partir de 2023, se espera que el crecimiento del gasto en salud disminuya, mientras que se espera que la disminución del crecimiento de los ingresos gubernamentales comience en 2025 ( Figura 3.9 ). Como se esperaba a partir de las especificaciones del modelo, las tendencias futuras del crecimiento del gasto en salud y de los ingresos gubernamentales reflejan la tendencia proyectada en el crecimiento del PIB.

Gráfico 3.9. Crecimiento porcentual anual promedio en términos reales del gasto en salud (escenario base), los ingresos del gobierno (escenario de convergencia de la dinámica) y el PIB, OCDE, 2023-40

Se espera que el gasto en salud aumente a un ritmo más rápido que los ingresos gubernamentales en todos los países de la OCDE. Se proyecta que el crecimiento porcentual promedio anual de los ingresos gubernamentales será particularmente bajo en Grecia, Italia y Japón, con menos del 0,3%. En Australia, Irlanda y Luxemburgo, se proyecta que el crecimiento porcentual promedio anual de los ingresos gubernamentales represente más de las tres cuartas partes del crecimiento promedio anual del gasto en salud ( Figura 3.10 ).

Gráfico 3.10. Crecimiento porcentual anual promedio en términos reales del gasto en salud (escenario base) y de los ingresos gubernamentales (escenario de convergencia de la dinámica) por país, 2023-40

Se proyecta que, para todos los países informantes de la OCDE, el gasto en salud representará una proporción mayor de los ingresos gubernamentales totales en 2040 en comparación con 2018. En promedio, en la OCDE, se proyecta que el gasto en salud represente el 20,6% de los ingresos gubernamentales en 2040, un aumento de 4,7 puntos porcentuales con respecto a 2018 ( Figura 3.11 ).

Figura 3.11. Cambio en la participación porcentual del gasto en salud (escenario base) en los ingresos del gobierno (escenario de convergencia de dinamismo) por país, 2018 y 2040

Según los análisis de escenarios, las políticas relacionadas con el aumento de la productividad y la mejora de los estilos de vida saludables pueden controlar el gasto en salud en 0,3 y 0,8 puntos porcentuales de los ingresos en 2040, respectivamente.

3.4.4. El impacto de los cambios en el tamaño y la estructura de la población sobre el gasto en salud y los ingresos gubernamentales

En los países de la OCDE, se prevé que hasta 2040 se produzca una disminución del crecimiento de los ingresos públicos debido a los cambios en el tamaño y la estructura de la población. En particular, se prevé que a partir de 2028 los ingresos públicos, en promedio, se estabilicen. Se prevé que los cambios en el tamaño y la estructura de la población representen entre el 0,6 y el 0,7 % del crecimiento del gasto en salud entre 2023 y 2026. Posteriormente, se espera que el crecimiento del gasto en salud debido al efecto demográfico disminuya al 0,5 %, principalmente debido a una reducción en la tasa de crecimiento del tamaño de la población ( Figura 3.12 ).

Figura 3.12. Crecimiento porcentual anual promedio en términos reales del gasto en salud (escenario base) y de los ingresos del gobierno (escenario de convergencia de la dinámica) debido al cambio en el tamaño y la estructura de la población, OCDE, 2023-40

En 15 países de la OCDE, se espera que el cambio en el tamaño y la estructura de la población resulte en una disminución de los ingresos gubernamentales entre 2023 y 2040 ( Figura 3.13 ). En particular, 13 de esos 15 países son los países para los que se proyecta una disminución en el tamaño de la población, mientras que para los dos restantes (Eslovenia y España) se proyecta una disminución en la base impositiva como resultado del cambio en la estructura de la población. En siete de estos 15 países, se espera que la mayor disminución en el tamaño de la población entre los países de este estudio resulte también en una disminución del gasto en salud.

En dos países de la OCDE (Australia e Israel), se prevé que el cambio en el tamaño y la estructura de la población dé lugar a un crecimiento de los ingresos públicos cercano al crecimiento previsto del gasto en salud. Esto se debe al mayor aumento del tamaño de la población en los países de la OCDE entre 2023 y 2040, y a una proporción de la población de 65 años o más inferior al promedio de la OCDE en 2040.

Figura 3.13. Cambio porcentual anual promedio en términos reales del gasto en salud (escenario base) y de los ingresos del gobierno (escenario de convergencia de la dinámica) debido al cambio en el tamaño y la estructura de la población por país, 2023-40

3.5. Conclusiones

Este capítulo presenta un enfoque novedoso para obtener un orden de magnitud de la sostenibilidad fiscal futura de los sistemas de salud mediante el acoplamiento de las proyecciones del gasto en salud de fuentes públicas con las proyecciones de ingresos del gobierno.

Como se proyecta que el crecimiento medio del gasto en salud será el doble del crecimiento medio de los ingresos gubernamentales (2,6% y 1,3% en promedio, respectivamente), se proyecta que el gasto en salud de fuentes públicas alcance el 20,6% de los ingresos gubernamentales en los países de la OCDE para 2040, un aumento de 4,7 puntos porcentuales con respecto a 2018.

Los resultados de este capítulo confirman que es probable que la edad per se influya en la determinación del gasto en salud, en comparación con otros factores del lado de la oferta, como los cambios tecnológicos y los ingresos. Los resultados de este capítulo confirman también que el crecimiento de los ingresos gubernamentales se desacelera a medida que la población envejece. Se prevé que los cambios en el tamaño y la estructura de la población aumenten los ingresos gubernamentales en un 0,1% y el gasto en salud en un 0,6% anual en promedio en los países de la OCDE durante los próximos 20 años. Esto representa menos de una décima parte del crecimiento proyectado de los ingresos gubernamentales y una cuarta parte del crecimiento del gasto en salud, respectivamente. Se prevé que los cambios en la estructura de la población (es decir, la combinación de edades) reduzcan los ingresos gubernamentales en todos los países de la OCDE (excepto Nueva Zelanda) para 2040.

Para promover estilos de vida más sanos y activos se necesitan medidas tanto dentro como fuera del sector sanitario. La reducción de los principales factores de riesgo, como el tabaquismo, el consumo de alcohol y la obesidad, puede reducir los costos asociados a los tratamientos. Por ejemplo, se ha demostrado que las políticas de prevención del consumo de alcohol (como las breves intervenciones de los médicos de cabecera, los impuestos y las reglamentaciones sobre los horarios de atención al público, la publicidad y la conducción en estado de embriaguez) reducen los costos en comparación con el tratamiento de las enfermedades asociadas cuando aparecen. De manera similar, una serie de políticas fiscales, reglamentarias y de comunicación han resultado rentables para reducir las tasas de tabaquismo, obesidad y otros factores de riesgo importantes.

Entre las políticas que han demostrado aumentar la productividad se encuentran las relacionadas con el personal sanitario, los productos farmacéuticos y las nuevas tecnologías. Por ejemplo, las nuevas leyes y reglamentaciones que amplían el ámbito de la práctica para los no médicos pueden producir ahorros de costos sin efectos adversos en la calidad de la atención. En el caso de los productos farmacéuticos, las reglamentaciones sobre precios, acceso al mercado y prescripción han contribuido a aumentar la penetración de los medicamentos genéricos en el mercado, lo que ha permitido ahorrar costos. Las evaluaciones de tecnologías sanitarias tienen el potencial de garantizar que no se introduzcan nuevas tecnologías ineficaces en función de los costos y que se interrumpan las intervenciones existentes que también lo son. En términos más generales, una reglamentación más estricta de los precios puede ser eficaz para reducir el gasto sanitario.

También hay un margen considerable para aprovechar mejor el progreso tecnológico, centrándose en aquellas tecnologías que tienen el potencial de aumentar la productividad. La digitalización puede respaldar nuevos métodos de prestación de atención que permitan ahorrar dinero, en particular en forma de telemedicina y herramientas robóticas para algunos procedimientos limitados, así como mejorar la calidad y la utilidad de los datos sanitarios.

Como resultado del crecimiento del PIB, se espera que los ingresos públicos aumenten a largo plazo, pero, en términos per cápita, para la mayoría de los países este aumento no será tan pronunciado como lo fue en las décadas anteriores debido a los efectos del envejecimiento de la población. Por lo tanto, pueden ser necesarias políticas para que los ingresos sean más resistentes al envejecimiento de la población. En particular, las reformas para eliminar las vías de jubilación anticipada y fortalecer la participación en el mercado laboral de las personas con un vínculo más débil con el mercado laboral podrían contrarrestar las futuras presiones del gasto público vinculadas al envejecimiento.

Los resultados de las proyecciones presentadas en este capítulo son un llamado a la acción para cambiar los resultados previstos por las tendencias existentes a fin de asegurar la sostenibilidad fiscal futura de los sistemas de salud. Un mensaje importante en materia de políticas es que para abordar los desafíos de la sostenibilidad fiscal se requiere un conjunto de políticas equilibradas que abarquen a todo el gobierno y que apunten tanto al principal factor impulsor del gasto en salud como a los mecanismos de generación de ingresos del gobierno.


Examinando las últimas tendencias en gasto sanitario: ¿Estamos volviendo a una época de austeridad?

Michael Mueller
OCDE

Caroline Penn
OCDE

David Morgan
OCDE

Mensajes clave

  • La pandemia ha provocado un crecimiento sin precedentes del gasto sanitario de los países. Entre 2019 y 2021, el gasto público en salud creció una media del 17% en términos reales en los países de la OCDE, gracias a que los gobiernos se apresuraron a movilizar recursos financieros para luchar y abordar las consecuencias sanitarias de la pandemia. El gasto en prevención se duplicó con creces en el mismo periodo debido a las campañas generalizadas de pruebas y vacunación. El gasto sanitario directamente relacionado con la COVID-19 representó una media del 9% del gasto público en salud en 2021 y se mantuvo en torno al 6% en 2022.
  • Los desafíos económicos y geopolíticos están afectando la capacidad de los países para financiar cualquier gasto adicional en salud. La inflación general de la OCDE aumentó casi un 10% en 2022 , en gran parte debido a la guerra en Ucrania y la posterior crisis energética, ya que las cadenas de suministro y los flujos comerciales se vieron interrumpidos y la esperada recuperación económica pospandémica se estancó. Si bien está por debajo de su pico de 2022, se espera que la inflación se mantenga muy por encima de los niveles previos a la pandemia en el corto plazo.
  • Estos cambios, a su vez, están afectando los presupuestos de salud y el costo de la prestación de servicios. Los aumentos nominales de los gastos previstos se han visto erosionados por una inflación mayor de lo previsto, mientras que los mayores costos de los insumos en la prestación de servicios de salud siguen afectando considerablemente la sostenibilidad financiera de los proveedores de servicios de salud. Algunos gobiernos han puesto a disposición recursos adicionales para ajustar los presupuestos y cubrir los costos relacionados con la inflación.
  • En el primer semestre de 2022, los salarios reales cayeron un 4% de media, por lo que la presión para aumentar los salarios ha aumentado en el sector sanitario, que requiere mucha mano de obra. Si bien la pandemia ha enseñado que las profesiones sanitarias son más atractivas, los costes adicionales de personal deben ser sufragados por fondos públicos y proveedores de atención sanitaria, lo que a su vez se traduce en un aumento de los costes de prestación de servicios .
  • Tras los extraordinarios aumentos de 2020 y 2021, en 2022 el gasto real en salud se redujo un 1,5% en promedio en los países de la OCDE. Aunque es prematuro concluir que el gasto en salud nominal podría volver a las tasas de crecimiento anteriores a la pandemia, la información presupuestaria de un número seleccionado de países sugiere que el gasto en salud nominal podría volver a las tasas de crecimiento anteriores a la pandemia. Pero como se espera que la inflación promedio se mantenga por encima del 5% en 2024, en comparación con menos del 2% en 2019, esto seguirá reduciendo significativamente cualquier aumento nominal.
  • Si bien el gasto en salud per cápita en 2022 fue alrededor de un 11% mayor que el gasto en 2019, en promedio en términos reales, excluyendo el gasto directo por COVID-19, los niveles de gasto de 2022 pueden estar por debajo de los niveles esperados con base en las tendencias de crecimiento previas a la pandemia.
  • Los planes de gasto actuales de los países no indican aumentos sustanciales del gasto en el corto plazo. La proporción del gasto público destinado a la salud se mantuvo constante durante la pandemia en un 15% en promedio y la salud compite cada vez más con otras prioridades de gasto, como el apoyo social a los hogares para enfrentar la crisis del costo de la vida, la transición ecológica, los costos de la energía y el gasto en defensa. El desafío de financiar las necesidades futuras de salud, incluida la necesidad de hacer que el sistema de salud sea más resiliente, sigue vigente.

2.1 Introducción

En los últimos cuatro años, los países de la OCDE han enfrentado una sucesión de crisis. A principios de 2020, la pandemia planteó un desafío sin precedentes a la resiliencia de los sistemas de salud, las economías y las sociedades de todo el mundo. A nivel mundial, hasta septiembre de 2022 se habían notificado oficialmente casi 7 millones de muertes por COVID-19, mientras que la cifra real de muertes es mucho mayor. 1 El virus también tuvo un profundo impacto indirecto: se cancelaron las consultas de atención primaria, se pospusieron las cirugías electivas y se retrasaron las citas para la detección del cáncer. A más largo plazo, aumentaron las necesidades de atención de salud mental y un número significativo de personas sufrieron y siguen padeciendo COVID-19 prolongado. Todos estos acontecimientos tienen implicaciones financieras para los sistemas de salud.

Al mismo tiempo, la pandemia tuvo importantes consecuencias económicas y provocó una de las crisis económicas más graves desde mediados del siglo XX . Y, mientras los países salían de la fase aguda de la pandemia y se encaminaban hacia la recuperación económica, la guerra de Rusia contra Ucrania supuso un nuevo shock para la economía mundial. Las tasas de inflación subieron a niveles no vistos en décadas, al tiempo que se disparaban los precios de la energía y las materias primas. Cada vez más, el gasto público en atención sanitaria ha tenido que competir con nuevas prioridades, como el apoyo a los hogares y las empresas, la transición ecológica y el gasto en defensa. Esto ocurre en un momento en que los sistemas de salud requieren más inversiones para mejorar su resiliencia frente a futuras crisis.

La información oportuna y completa sobre el gasto y la financiación de la salud ha sido fundamental para evaluar el impacto total de la pandemia y permite a los responsables de la toma de decisiones recalibrar las prioridades para satisfacer mejor las necesidades de la población. Las cifras más recientes brindan la oportunidad de crear un panorama completo sobre cómo evolucionó el gasto en salud durante el período de la pandemia en los países de la OCDE. Los detalles adicionales sobre el gasto en salud específico de la COVID-19 también permiten aislar el efecto directo de la COVID-19 en el uso de los recursos financieros en el sector de la salud y comprender las tendencias subyacentes en el gasto en salud.

El resto de este capítulo está estructurado de la siguiente manera. La sección 2.2 analiza cómo evolucionó el gasto en salud durante la pandemia. También da una indicación de cómo se espera que haya evolucionado el gasto en 2022 a medida que los países comenzaron a salir de la crisis. La sección 2.3 analiza en qué medida los países de la OCDE están en vías de lograr que los sistemas de salud sean más resilientes en el contexto de los desafíos macroeconómicos actuales. Por último, la sección 2.4 ofrece una visión general de las medidas que están adoptando los gobiernos de la OCDE para abordar estos desafíos y explica cómo la crisis actual -y sus implicaciones para el gasto en salud en los próximos años- puede diferir de la crisis financiera mundial de 2007-2008.

2.2 Últimas tendencias en el gasto sanitario

La pandemia de COVID-19 provocó un crecimiento sin precedentes del gasto en salud en los países de la OCDE, ya que los gobiernos dedicaron importantes recursos a abordar el brote del virus. Se pusieron a disposición recursos para rastrear el virus, aumentar la capacidad de los sistemas de salud, desarrollar opciones de tratamiento y, finalmente, distribuir vacunas a la población. Al mismo tiempo, la utilización de los servicios de salud se vio frecuentemente interrumpida durante las diversas olas de COVID-19, y los pacientes a menudo retrasaban o renunciaban a la atención médica.

La mayoría de los países de la OCDE salieron de la fase aguda de la pandemia durante 2022. Sin embargo, el empeoramiento del clima macroeconómico, con una desaceleración del crecimiento económico y una alta inflación (amplificada por la guerra de Rusia contra Ucrania), asestó un golpe a la recuperación mundial y provocó un cambio de prioridades en los presupuestos públicos. Los flujos comerciales, que ya estaban bajo presión por la pandemia, se vieron aún más perturbados, lo que provocó un aumento de los precios de los productos básicos, como los alimentos y la energía, y exacerbó las presiones inflacionarias en muchos países. Estos acontecimientos repercutieron en los niveles de gasto sanitario en 2022 y sus efectos se prolongarán en 2023 y más allá. Los datos más recientes sobre el gasto sanitario ofrecen una primera oportunidad para realizar una evaluación completa del impacto de la pandemia en el gasto sanitario y una indicación temprana de la situación de los países en lo que respecta al gasto sanitario a largo plazo.

Después de un crecimiento excepcional en 2020 y 2021, el gasto en salud se redujo drásticamente en 2022 a medida que los países de la OCDE salían de la pandemia

En los cinco años anteriores a la pandemia, el gasto anual en atención sanitaria creció un promedio del 3,2%, en términos reales, en los países de la OCDE. El brote de COVID‑19 en 2020 provocó un aumento sustancial del gasto en salud, en particular por parte de los gobiernos, que movilizaron recursos para mitigar y abordar los impactos de la crisis. La demanda de presupuestos públicos se intensificó en 2021, a medida que se incrementaron los programas de pruebas y se implementaron campañas de vacunación para toda la población. Como resultado, el gasto anual en salud creció un 5%, en promedio, en los países de la OCDE en 2020 y se aceleró en 2021 con un crecimiento del 8,5%, en términos reales. A esto le siguió una contracción del 1,5% en el gasto en salud en 2022 ( Figura 2.1 ).

Muchos países europeos informaron de un elevado crecimiento del gasto sanitario tanto en 2020 como en 2021, lo que refleja las sucesivas oleadas de infección en todo el continente. La República Checa (en adelante Chequia), Hungría, Estonia e Irlanda informaron de un crecimiento del gasto sanitario de dos dígitos en 2020. La República Eslovaca, Austria y Portugal, por otro lado, registraron su mayor crecimiento en 2021. En Letonia, el crecimiento excepcional del 33% en 2021 se debió principalmente al aumento de los salarios de los trabajadores sanitarios, así como a los gastos inducidos por la pandemia asociados a un mayor volumen de atención (Ministerio de Finanzas de la República de Letonia, 2022[1]) .

Gráfico 2.1. El crecimiento del gasto en salud alcanzó su punto máximo en 2021, antes de caer en 2022Crecimiento medio anual del gasto corriente en salud, en términos reales, promedio de la OCDE y países seleccionados, 2015-22

En el caso de Japón y Corea, donde los casos de COVID-19 se mantuvieron relativamente bajos en 2020 (OCDE/OMS, 2022[2]) , el crecimiento del gasto en salud en 2020 fue inferior al promedio de la OCDE y negativo en el caso de Japón, debido en parte a una reducción de la actividad en el sector de la salud. 2 Si bien el gasto en salud en 2021 se aceleró marcadamente en un 17% en Corea, el crecimiento en Japón se mantuvo moderado, a la mitad del promedio de la OCDE. Al mismo tiempo, el crecimiento del gasto en salud en Australia y Nueva Zelanda promedió entre el 7% y el 9% tanto en 2020 como en 2021.

En 2020, Chile, Colombia y Costa Rica experimentaron un crecimiento del gasto en salud por debajo del promedio. Sin embargo, en 2021, el gasto en Chile y Colombia aumentó y alcanzó el 12% y el 16% respectivamente, ya que el año resultó ser el más letal de la pandemia en América Latina (OCDE/Banco Mundial, 2023[3]) . En cambio, el crecimiento del gasto en salud en Canadá y Estados Unidos alcanzó su punto máximo en 2020, creciendo alrededor del 10%. A diferencia de muchos países de la OCDE, el crecimiento del gasto en salud en ambos países cayó en 2021.3 Parte de este crecimiento más lento en Estados Unidos puede atribuirse a una disminución del gasto público relacionado con la pandemia, que compensó con creces el aumento de la utilización de los servicios de atención sanitaria que se recuperó debido a la atención retrasada y la demanda reprimida a partir de 2020 (Centros de Servicios de Medicare y Medicaid, 2023[4]) .

Los resultados preliminares para 2022 apuntan a una contracción del gasto en salud en los países de la OCDE desde su pico en 2021. A medida que la pandemia se acercaba al final de la fase aguda en muchos países, los gobiernos flexibilizaron las medidas sanitarias de emergencia. Además, las condiciones geopolíticas y económicas emergentes hicieron que otras emergencias, como la crisis energética y del coste de la vida, debilitaran la posición de la salud dentro de las prioridades gubernamentales. Esto dio lugar a que los países de la OCDE experimentaran un crecimiento negativo del gasto en salud del -1,5%, en términos reales, en promedio en 2022. Dinamarca vio una caída del 8% en el gasto en salud en comparación con 2021, pero Corea siguió viendo un crecimiento del gasto en salud de casi el 7%.

El gasto público en salud se disparó durante la pandemia, antes de retroceder en 2022

La trayectoria del gasto de los sistemas gubernamentales y de seguro médico obligatorio se vio alterada tras la aparición de la pandemia de COVID-19. Si bien el gasto de estos sistemas de financiación creció un promedio del 3,5% anual entre 2015 y 2019 en los países de la OCDE, este aumentó a alrededor del 8% en 2020 y 2021, ya que se pusieron a disposición recursos significativos para rastrear el virus, aumentar la capacidad del sistema de salud, proporcionar subsidios a los proveedores de servicios de salud y, finalmente, lanzar campañas de vacunación contra la COVID-19. A esto le siguió una caída promedio en términos reales del 1,8% en 2022 ( Figura 2.2 ).

El gasto de los gobiernos y los esquemas obligatorios aumentó un 15% o más en 2020 en Canadá, Chequia, Hungría e Irlanda, mientras que Colombia, Corea, Letonia y Turquía experimentaron un crecimiento de magnitud similar en 2021. En Irlanda, la pandemia de COVID-19 resultó en un aumento de la proporción del gasto público en 2020, con un alto gasto gubernamental en equipos de protección personal, kits de hisopados y respiradores, y con un gasto significativo en costos de tratamiento y costos de pruebas (Oficina Central de Estadística, 2021[5]) .

Los datos preliminares indican una disminución del gasto gubernamental y de los planes obligatorios de casi el 2% en 2022, ya que los gobiernos regresaron a los patrones de gasto anteriores después de los niveles históricamente altos.

El gasto privado en salud (seguro de salud voluntario y de bolsillo de los hogares) mostró la tendencia opuesta ( gráfico 2.2 ). Una disminución general de alrededor del 2,5% en 2020 fue consecuencia del uso pospuesto y reducido de los servicios de salud y de la no disponibilidad parcial de los mismos. El gasto de bolsillo disminuyó más del 10% en Bélgica, Chile y el Reino Unido. Chile y el Reino Unido, junto con Irlanda y Suecia, también experimentaron una caída similar en el gasto en seguro de salud voluntario.

El gasto privado se recuperó con fuerza en 2021. En Bélgica y el Reino Unido, el gasto de los hogares aumentó significativamente (un 8%) y en Chile (un 16%). El crecimiento del gasto de bolsillo fue aún más pronunciado, con aumentos del 17-18% en Chequia, Lituania, Corea y la República Eslovaca. Este repunte puede atribuirse a un efecto de «recuperación» de la demanda de servicios de atención sanitaria que se aplazó durante el pico de la pandemia.

El seguro médico voluntario experimentó un repunte similar. Cabe destacar que Chile fue testigo de un enorme aumento del 40% en el gasto en seguros médicos voluntarios en 2021. En Irlanda, las restricciones por la COVID-19 provocaron una caída del 27% en las reclamaciones a las compañías de seguros privadas entre abril de 2020 y marzo de 2021. La demanda de seguros médicos se recuperó con fuerza en un 12% en 2021, con una mayor proporción de la población inscrita en seguros médicos privados en comparación con 2020 (The Health Insurance Authority, 2021[6]) .

En 2022, los patrones divergieron: el gasto de los hogares en salud disminuyó, mientras que el gasto en seguros de salud voluntarios siguió creciendo, aunque a un ritmo mucho más lento. Las estimaciones indican que se espera que los pagos directos hayan disminuido más del 2%, en promedio. Se espera que el gasto de los planes de seguros de salud voluntarios haya aumentado en 2022, aunque por debajo de las tasas previas a la pandemia.

Gráfico 2.2. El gasto en salud de los sistemas públicos creció alrededor de un 8% tanto en 2020 como en 2021Gasto en salud por esquema de financiamiento, crecimiento anual promedio en términos reales, 2015-22

Los gobiernos asumieron la mayor parte del gasto adicional durante la pandemia

En los países con seguro médico privado social u obligatorio, la respuesta a la pandemia provocó un cambio notable (aunque temporal) en la arquitectura de financiación de la salud. En 24 países de la OCDE donde el seguro social u obligatorio es el principal comprador de servicios de salud, el aumento sustancial del gasto público puede explicarse por un aumento del gasto del gobierno general (es decir, no basado en seguros). En esos países, la proporción del gasto sanitario corriente financiado por los planes gubernamentales aumentó del 12% al 16% en promedio entre 2019 y 2021, mientras que la proporción promedio del seguro obligatorio disminuyó durante el mismo período (del 61% al 59%). El crecimiento promedio del gasto público durante los dos años fue del 90%, mientras que el gasto en seguros obligatorios aumentó un moderado 9%. En muchos sistemas basados ​​en seguros, las actividades preventivas relacionadas con la COVID-19 fueron financiadas directamente por las autoridades centrales, regionales o locales. Además, el apoyo financiero a los proveedores de salud tendió a provenir de presupuestos centrales o regionales y no directamente de las aseguradoras de salud obligatorias. El gasto del gobierno cayó un 10% en promedio en 2022, mientras que el gasto en seguros obligatorios se mantuvo estable.

Los gobiernos no solo aumentaron su papel en la compra directa de servicios de salud durante la pandemia, sino que a menudo proporcionaron financiación adicional a las aseguradoras sociales y obligatorias. Al analizar los ingresos por seguros sociales de salud o seguros privados obligatorios, la proporción de transferencias gubernamentales aumentó notablemente en varios países entre 2019 y 2021, ya sea para brindar apoyo financiero para equilibrar las pérdidas operativas de las aseguradoras o para cubrir las contribuciones al seguro social de grupos específicos de la población. En Bélgica, Chile y Chequia, la proporción de transferencias gubernamentales en los ingresos del seguro obligatorio aumentó alrededor de 10 puntos porcentuales entre 2019 y 2021. En Estonia, la proporción aumentó más de 15 puntos porcentuales.

La pandemia no modificó la proporción del presupuesto gubernamental destinado a la atención sanitaria

Si bien los países de la OCDE registraron un crecimiento significativo del gasto en salud durante la pandemia ( gráfico 2.1 ), esto se refleja solo marginalmente en la proporción del gasto en salud en el gasto gubernamental total. De hecho, si bien la pandemia ejerció una importante presión al alza sobre los presupuestos de salud durante 2020, se sintieron presiones similares en otras áreas del gasto público, ya que los gobiernos brindaron un apoyo sustancial a las empresas y los hogares. En 2021, el gasto en salud representó un promedio del 15% del gasto gubernamental total ( gráfico 2.3 ), menos de medio punto porcentual más que en 2019. Sin embargo, en Letonia y Australia, la proporción del gasto en salud en el gasto gubernamental total aumentó más de 2 puntos porcentuales entre 2019 y 2021. Los datos preliminares basados ​​en dos tercios de los países de la OCDE sugieren que la proporción promedio se mantendrá en el mismo nivel hasta 2022.

Gráfico 2.3. La proporción del gasto público asignado a la salud no aumentó sustancialmente durante la pandemia

El gasto en prevención aumentó más del doble durante la pandemia

La pandemia desencadenó un crecimiento excepcional del gasto en todas las funciones de atención sanitaria ( gráfico 2.4 ). El gasto en atención preventiva aumentó un promedio del 50% cada año entre 2019 y 2021 (frente a un aumento anual del 3% antes de la pandemia), ya que los países asignaron recursos significativos a las pruebas, el rastreo, la vigilancia y las campañas de información pública. Con el lanzamiento de las campañas de vacunación, el crecimiento del gasto se concentró en 2021 y alcanzó el 76% en los países de la OCDE. Por ejemplo, con el lanzamiento de la campaña de vacunación contra la COVID-19 en Corea en febrero de 2021, el gasto en prevención creció un 140% en 2021 (en comparación con el 24% en 2020). En una selección de países de la OCDE con datos preliminares, el gasto en prevención en 2022 se redujo en casi una quinta parte en promedio desde el máximo de 2021.

Entre 2019 y 2021, el gasto medio anual en atención hospitalaria se duplicó (5,2 %) en los países de la OCDE en comparación con la era anterior a la pandemia (2,6 %). En 2020 se produjo un aumento notable, que alcanzó un crecimiento medio del 6,5 % y más del 15 % en el Reino Unido, Estonia y Hungría. Este aumento se debió principalmente a los costes adicionales de personal y de insumos (por ejemplo, equipos de protección personal) y a los importantes subsidios a los hospitales a cambio de reservar capacidad para pacientes de COVID-19 o cubrir pérdidas operativas. En el caso de Hungría, donde el gasto en atención hospitalaria aumentó más del 20 % en 2020, esto puede vincularse al aumento del volumen de pacientes en cuidados intensivos. Hungría también concedió una bonificación única a los trabajadores sanitarios, incluidos los que trabajan en hospitales (OCDE/Observatorio Europeo de Sistemas y Políticas de Salud, 2021[7]) .

El gasto en administración del sistema de salud creció un 8% anual durante el mismo período, más del doble de la tasa de crecimiento previa a la pandemia. Parte de este aumento se puede explicar por los recursos adicionales necesarios para gestionar las estrategias nacionales de respuesta.

Entre 2019 y 2021, el gasto en atención ambulatoria creció un 4,8% en promedio (frente al 3,5% antes de la pandemia), pero se concentró en el segundo año. En 2020, el gasto solo aumentó un 1% en promedio, seguido de un crecimiento del 9,7% en 2021. Parte del bajo crecimiento en 2020 puede atribuirse a una contracción significativa del gasto en atención dental. El gasto general en atención ambulatoria en Canadá cayó un 6,4% en 2020, ya que los médicos solo brindaron atención de urgencia en persona y ofrecieron citas de atención virtual cuando fue posible. La mayoría de los servicios se reanudaron en 2021, lo que contribuyó a un repunte del gasto en atención ambulatoria del 11,3% (Canadian Institute for Health Information, 2023[8]) .

Gráfico 2.4. El gasto total en prevención aumentó más del doble entre 2019 y 2021

El gasto en productos farmacéuticos y médicos no duraderos también experimentó un mayor crecimiento, pero menor que el de los servicios de atención de la salud. El crecimiento promedio del gasto alcanzó el 4,1% en 2020, pero se desaceleró al 1,6% en 2021. El alto crecimiento en 2020 puede explicarse, al menos en parte, por el gasto adicional en mascarillas y equipos de protección personal. En Estados Unidos, la tendencia se revirtió, ya que el gasto farmacéutico creció un 2,7% en 2020 y un 4,6% en 2021. La aceleración en 2021 fue resultado de un nivel récord de uso de medicamentos recetados, ya que repuntó el inicio de nuevas recetas para atención crónica y aguda (Centers for Medicare & Medicaid Services, 2023[4]) .

Por último, el gasto en cuidados de larga duración fue el menos afectado. Entre 2015 y 2019, el gasto anual medio en cuidados de larga duración había crecido casi un 4% en los países de la OCDE. Este gasto aumentó ligeramente hasta el 4,6% con el estallido de la pandemia. Se introdujeron medidas en el sector de los cuidados de larga duración, haciendo hincapié en la prevención y el control de las infecciones, así como en la realización de pruebas y el rastreo de los casos en estas instalaciones. En algunos países, como Polonia, Hungría y Eslovenia, el gasto en cuidados de larga duración sí experimentó un aumento sustancial en 2020, de alrededor del 15% o más. Se destinaron importantes recursos del presupuesto estatal a financiar bonificaciones para los trabajadores de cuidados de larga duración y a adquirir pruebas, equipos de protección individual (EPI) y desinfectantes para su uso en los centros de cuidados de larga duración (Rocard, Sillitti y Llena-Nozal, 2021[9]) .

Los datos preliminares de 2022 indican que, a medida que los países van saliendo de la fase aguda, se ha producido una marcada reversión del gasto en muchas áreas. En un subconjunto de siete países de la OCDE, el gasto en prevención se redujo casi un 18%, aunque se mantuvo muy por encima del gasto anterior a la pandemia, ya que se mantuvo el gasto en vacunación y pruebas. El gasto en atención hospitalaria disminuyó un 2%, en promedio, y un 5% en Islandia y los Países Bajos. El gasto promedio en atención hospitalaria en 2022 fue solo un 5% mayor en términos reales en comparación con 2019. El gasto en atención a largo plazo, productos farmacéuticos y administración se contrajo en 2022. Solo el gasto en atención ambulatoria mostró un pequeño aumento en 2022, aunque a una tasa modesta (0,3%).

El gasto por COVID-19 alcanzó su punto máximo en 2021, aunque continuó en 2022

La pandemia provocó un aumento de los niveles de gasto público en salud, pero el mayor impacto se produjo en 2021. El gasto directo en COVID-19 alcanzó un promedio del 9% del gasto público total en salud en 2021 en los países de la OCDE con datos disponibles, en comparación con el 5% en 2020 ( gráfico 2.5 ). En Corea, la proporción del gasto en salud directamente vinculado a la COVID-19 alcanzó el 11% en 2021 (frente al 2% en 2020), en Austria fue del 13% (frente al 5% en 2020) y en Letonia más de una quinta parte de todo el gasto en salud (22%, frente al 5% en 2020). Para un subconjunto de países con estimaciones preliminares, es probable que el gasto en COVID-19 en 2022 haya representado aún más del 6% del gasto total.

El aumento en 2021 fue provocado por varios elementos clave. El gasto en costos de tratamiento relacionados con la COVID-19 y en pruebas y rastreo de contactos aumentó en 2021 en comparación con 2020. Sin embargo, los costos de vacunación contra la COVID-19 aumentaron significativamente y representaron por sí solos un promedio del 2% del gasto público en salud en 2021. En la mayoría de los países de la OCDE, las campañas de vacunación contra la COVID-19 recién comenzaron en diciembre de 2020 o enero de 2021 antes de cobrar pleno impulso más tarde ese año.

Los resultados preliminares sugieren que el gasto en COVID-19 siguió representando un importante recurso para la atención sanitaria en 2022, pero se situó por debajo de los niveles de 2021. Por ejemplo, en Dinamarca y Luxemburgo, el gasto en pruebas y rastreo de casos se redujo drásticamente en 2022. Por otro lado, los costos de COVID-19 siguieron aumentando en Alemania y Corea en 2022, alcanzando el 8% y el 12% del gasto público en salud, respectivamente. En Corea, los costos del tratamiento de COVID-19, así como de las pruebas y el rastreo de casos, aumentaron en 2022 a medida que se dispararon los casos y la mortalidad.

Gráfico 2.5. La proporción del gasto público en salud dedicado a la COVID-19 alcanzó un máximo del 9 % en 2021Gasto en COVID-19 como porcentaje del gasto público total en salud, gasto de los gobiernos/sistemas de seguro obligatorio únicamente, 2020-22

2.3. ¿Están los países en vías de fortalecer sus sistemas de salud?

Las tendencias recientes en materia de gasto sanitario deben analizarse en un contexto más amplio de mayores necesidades de inversión en salud, para abordar la falta de resiliencia y preparación de los sistemas de salud que se puso de manifiesto durante la COVID-19 y las megatendencias como el envejecimiento de la población y el aumento asociado de las necesidades de atención sanitaria. Ahora que los países de la OCDE han comenzado a salir de la pandemia en 2022, se puede hacer una evaluación preliminar para ver en qué medida los países han emprendido un camino para movilizar los recursos financieros adicionales necesarios para fortalecer sus sistemas de salud. Sin embargo, mejorar la resiliencia de los sistemas de salud, por ejemplo aumentando el número de trabajadores sanitarios disponibles, requiere un compromiso financiero a medio y largo plazo. Sin embargo, en el clima económico y geopolítico actual, parece ser un desafío para muchos países de la OCDE aumentar sustancialmente el gasto público en salud.

Aún quedan fondos por movilizar para sistemas de salud más resilientes

La pandemia reveló que los sistemas de salud no eran lo suficientemente resilientes para hacer frente a emergencias sanitarias de esta magnitud. Los sistemas de salud no estaban preparados, no contaban con suficiente personal y se enfrentaban a una inversión insuficiente (OECD, 2023[10]) .

Es necesario realizar inversiones inteligentes para fortalecer la resiliencia de los sistemas de salud ( proteger la salud subyacente de la población, fortalecer las bases de los sistemas de salud y reforzar a los trabajadores de la salud en la primera línea), lo que brindaría a los países la agilidad para responder no solo a las pandemias en evolución, sino también a otras crisis.

El rendimiento de esas inversiones se extiende mucho más allá de los beneficios directos para la salud. Unos sistemas de salud más resilientes son la base de economías más fuertes y resilientes, lo que permite obtener importantes beneficios económicos y sociales al evitar la necesidad de medidas de contención estrictas y costosas en futuras crisis con sociedades más sanas y mejor preparadas (Morgan y James, 2022[11]) .

Los datos de 2022 brindan una primera oportunidad para evaluar la situación de los países en cuanto a la trayectoria del gasto en salud después del gasto inducido por la pandemia en 2020 y 2021. En promedio, en la OCDE, la proporción de la economía dedicada a la salud fue 0,4 puntos porcentuales más alta en 2022 en comparación con el nivel prepandémico en 2019 ( Figura 2.6 ). En comparación con 2019, la relación salud/PIB aumentó más de 1 punto porcentual en Portugal, España, Chequia, el Reino Unido y Corea, mientras que las estimaciones de la OCDE sugieren un aumento de más de 2 puntos porcentuales en Nueva Zelanda y Letonia ( Figura 2.7 ). 4 Por otro lado, en 11 países la proporción del PIB asignada a la salud en 2022 fue inferior a los niveles de 2019, y la caída fue más pronunciada en Noruega (-2,5 puntos porcentuales). Sin embargo, la volatilidad económica a corto plazo determina la evolución de esta relación, y es necesario monitorear la tendencia durante un período de tiempo más largo.

Gráfico 2.6. La proporción del gasto en salud en el PIB alcanzó su punto máximo en 2021 antes de volver a caer en 2022Gasto sanitario actual como porcentaje del PIB, promedio de la OCDE, 2005-22
Gráfico 2.7. Casi uno de cada tres países vio la proporción del PIB destinada a la salud en 2022 por debajo de los niveles de 2019Gasto sanitario actual como porcentaje del PIB, 2019 y 2022, países de la OCDE

Tras excluir el gasto en COVID-19, el crecimiento del gasto en salud en 2022 se mantuvo por debajo de la tendencia previa a la pandemia

A nivel per cápita, el aumento del gasto entre 2019 y 2022 parece fuerte. En promedio, en la OCDE, el gasto en salud per cápita en 2022 se estimó en alrededor de USD 350 (o 9%) más que en 2019 (en términos reales). Sin embargo, si se excluye el gasto de emergencia por la pandemia que se produjo en 2020 y 2021 (y que continuó en cierta medida en 2022), la tasa de crecimiento del gasto en salud probablemente sea inferior a la tendencia prepandémica ( gráfico 2.8 ). Esto sugiere que los países aún no han logrado avances sustanciales en el aumento de la inversión para fortalecer la resiliencia de sus sistemas de salud. Se puede llegar a una conclusión similar al examinar el gasto preventivo, que aumentó sustancialmente durante la pandemia: después de excluir los costos de vacunación contra la COVID-19 y el gasto en pruebas y rastreo, la tendencia subyacente permanece inalterada.

El aumento del gasto en salud no se traduce automáticamente en una mayor resiliencia del sistema de salud. Además de destinar la inversión a los tres pilares clave, el dinero debe gastarse de forma inteligente y en consonancia con las mejores prácticas. Además, los beneficios de la inversión adicional tardarán en materializarse. Por ejemplo, aumentar la capacidad de formación de enfermeras ahora solo tendría un impacto material en el número de enfermeras en ejercicio en tres años. Por lo tanto, es necesario analizar un período de tiempo (mucho) más largo para ver si la inversión de los países en el fortalecimiento de los sistemas de salud va más allá de las medidas de emergencia necesarias en tiempos de crisis. Sin embargo, el entorno económico y geopolítico actual limita el margen de maniobra de los países para aumentar su gasto a fin de abordar las necesidades identificadas.

Gráfico 2.8. Tras excluir el gasto en COVID-19, el gasto en salud en 2022 estuvo por debajo de la tendenciaGasto corriente en salud (GCS), gasto en precios constantes y PPA constantes, promedio de la OCDE (2015 = 100)

El clima económico y geopolítico actual dificulta que los países aumenten la inversión en salud

La caída del gasto en salud en 2022 debe verse en el contexto de un clima económico y geopolítico frágil. La guerra de Rusia contra Ucrania, las interrupciones generalizadas en las cadenas de suministro, así como el impacto persistente de la COVID-19 en algunas partes del mundo, afectaron el camino hacia la recuperación económica. Esto ha ejercido una presión alcista adicional sobre los precios, sobre todo de la energía y los alimentos, lo que ha llevado a una inflación que se ha mantenido en niveles no vistos en décadas en muchos países de la OCDE (OECD, 2022[12]) . Además, la atención médica ha tenido que competir cada vez más con nuevas prioridades de gasto público, incluido el apoyo social a los hogares que enfrentan crisis del costo de la vida, las compras de energía, la transformación ecológica, el gasto en defensa y otros. A corto y mediano plazo, estos acontecimientos suponen un desafío para los países que desean asignar más gasto público a la salud y es probable que afecten la trayectoria del gasto en salud.

La recuperación económica es frágil y persisten las presiones inflacionarias

Como resultado de estos desafíos, el crecimiento del PIB real en la OCDE cayó al 3% en 2022, solo la mitad de la tasa de crecimiento de 2021. Para 2023 y 2024, las últimas previsiones sugieren solo un crecimiento modesto del 1,7% (2023) y el 1,4% (2024) en la OCDE ( gráfico 2.9 ), alrededor de la mitad del crecimiento mundial (OCDE, 2023[13]) . En general, esto está por debajo de las tasas de crecimiento de los años anteriores a la pandemia. Para varios países, las perspectivas económicas son particularmente sombrías. Para 2023, se pronostica estancamiento económico o recesión en una docena de países de la OCDE, entre ellos Estonia, Suecia, Chile, Hungría, Finlandia y Alemania (OCDE, 2023[13]) .

Además, las presiones inflacionarias siguen siendo elevadas en la OCDE. La inflación general aumentó gradualmente desde el primer trimestre de 2021, con una marcada aceleración a principios de 2022, como consecuencia de la guerra de Rusia contra Ucrania y el posterior aumento de los precios de la energía. Alcanzó un máximo en el tercer trimestre de 2022, con un 10% en promedio en la OCDE, antes de desacelerarse al 6,5% en el tercer trimestre de 2023. Si bien la inflación general ha vuelto a disminuir sustancialmente en 2023, la inflación básica5 se mantuvo estable y se situó en el 6,9% en el tercer trimestre de 2023 ( gráfico 2.10 ) (OCDE, 2023[13]) . Se proyecta que en toda la OCDE, la inflación básica se mantendrá en un promedio del 7% en 2023 antes de desacelerarse al 5,3% en 2024. En 2023, se espera que la inflación básica se ubique alrededor del 10% o más en Colombia, Polonia, Hungría y Lituania, y por encima del 50% en Turquía.

Gráfico 2.9. Las perspectivas económicas siguen siendo modestas en 2023 y 2024Crecimiento del PIB en porcentaje en términos reales, 2023 y 2024, países de la OCDE
Gráfico 2.10. La inflación general está cayendo, pero la inflación básica se mantiene persistenteInflación general y subyacente, variación interanual

La inflación representa una enorme carga para los hogares con salarios reales en caída

En 2022, los salarios no siguieron el ritmo de la inflación. En consecuencia, la combinación de una inflación elevada y unos aumentos salariales limitados provocó que los salarios cayeran en términos reales en 2022 en toda la OCDE ( gráfico 2.11 ). En promedio, en los 29 países de la OCDE, la reducción de los salarios reales fue de casi el 4% durante este período. En el transcurso de 2023, se espera que los salarios reales dejen de disminuir en la mayoría de los países de la OCDE. La evolución reciente de los salarios reales es un determinante clave en las negociaciones salariales en curso, incluso en el sector de la salud.

Gráfico 2.11. Los salarios reales estaban cayendo en casi todos los países en 2022Crecimiento de los salarios reales, porcentaje, 1er semestre de 2022 comparado con 1er semestre de 2021

Los elevados niveles de deuda pública siguen siendo una fuente de incertidumbre

Las medidas de apoyo de los gobiernos para hacer frente a las consecuencias sanitarias y económicas de la pandemia, pero también las iniciativas más recientes para proteger (parcialmente) a los hogares del peso total de la crisis del coste de la vida, han tenido consecuencias para la posición fiscal de los gobiernos y el margen de maniobra. Tras saltar del 108% en 2019 al 128% del PIB en 2020, la relación deuda/PIB media se redujo en 2022, pero en el 113% se mantuvo muy por encima de los niveles anteriores a la pandemia ( gráfico 2.12 ). Las perspectivas a corto plazo no prevén una mejora significativa, lo que reduce el margen fiscal de los gobiernos, lo que dificulta la búsqueda de gasto público adicional para la salud u otros fines. Además, el clima económico y la guerra en Ucrania han hecho que las cuestiones sanitarias pierdan prioridad en el debate público. A la hora de establecer los presupuestos sanitarios y otras decisiones de política sanitaria, los países tienen que tener en cuenta esta nueva realidad.

Gráfico 2.12. La deuda pública se mantiene muy por encima de los niveles de 2019Pasivos financieros brutos del gobierno general, agregado de la OCDE, porcentaje del PIB

2.4. ¿Cómo afrontan los países de la OCDE los desafíos actuales?

Las perspectivas económicas actuales limitan el margen de maniobra de los países, pero ya han pasado por esta situación. La situación económica posterior a la crisis financiera mundial de 2007-2008 obligó a muchos países a tomar decisiones políticas difíciles en un intento de equilibrar los presupuestos públicos, lo que afectó al gasto sanitario y condujo en algunos casos a años de austeridad. La primera parte de esta sección 2.4 ofrece una visión preliminar de algunos de los debates y las medidas en curso adoptadas por los gobiernos de la OCDE para abordar y tener en cuenta los desafíos actuales, que afectarán la trayectoria del gasto sanitario. La segunda parte compara y contrasta la situación actual con la crisis financiera mundial y se pregunta si podemos esperar años de estancamiento del crecimiento del gasto sanitario o el aumento de las inversiones necesarias para que los sistemas sanitarios de la OCDE sean más resilientes.

El legado de la pandemia, sumado a los mayores costos de la energía y de los insumos, continúan erosionando cualquier aumento presupuestario…

En su afán por mejorar la resiliencia de los sistemas de salud, los países se enfrentan a una serie de desafíos relacionados con el impacto persistente de la pandemia y la situación económica desfavorable. Si bien la magnitud de los desafíos varía de un país a otro, incluyen un cambio en las prioridades presupuestarias que se alejan de la salud, así como la sostenibilidad financiera de los proveedores de servicios de salud debido a los altos costos de los insumos, incluida la energía y los aumentos salariales para los trabajadores de la salud. En varios países, las perspectivas presupuestarias no sugieren ningún aumento significativo del gasto en salud en el corto plazo. Si bien se prevé que el gasto planificado aumente en términos nominales, existe la posibilidad de que disminuya en términos reales, al menos en algunos años ( Recuadro 2.1 ).

Recuadro 2.1. Es probable que los presupuestos de salud se estanquen o disminuyan en términos reales en el corto plazo en varios países

En Italia, las proyecciones presupuestarias actuales sugieren que, tras años de aumentos excepcionales del gasto en 2020 y 2021, en 2023 se produjo un aumento nominal más moderado del gasto público en salud (2,8%), con una corrección en 2024, antes de volver a un crecimiento nominal anual de entre el 2 y el 3% previsto para 2025-26 ( cuadro 2.1 ). Teniendo en cuenta las estimaciones de inflación más recientes para el país, es muy probable que esto dé lugar a una disminución del gasto público en términos reales en los próximos años. Además, se espera que la proporción del PIB asignada a la atención sanitaria financiada con fondos públicos sea inferior al nivel anterior a la pandemia a partir de 2024.

Cuadro 2.1. Se espera que la proporción del gasto público en salud en el PIB de Italia en 2024-26 sea inferior a los niveles previos a la pandemia

expandir

20192020202120222023*2024*2025*2026*
Gasto sanitario (cifras absolutas en millones)115 663122 665127 451131 103134 734132 946136 701138 972
% cambio por año 6.13.92.92.8-1.32.81.7
En porcentaje del PIB6.47.47.16.76.66.26.26.1

Nota: * proyecciones.

Fuente: Ministero dell’Economia e delle Finanze (2023[15]) Documento di Economia e Finanza 2023 – Sezione II Analisi e tendenze della finanza pubblica, https://www.rgs.mef.gov.it/_Documenti/VERSIONE-I /Attivit–i/Contabilit_e_finanza_pubblica/DEF/2023/DEF2023-Sez-II-AnalisiETendenzeDellaFinanzaPubblica.pdf y (2023[16]) , Documento di Economia e Finanza 2023 – Nota di Aggiornamento, www.dt.mef.gov.it/ export/sites/sitodt/modules/documenti_it/analisi_progammazione/documenti_programmatici/nadef_2023/NADEF-2023.pdf .

En Francia , el Proyecto de Ley de Financiación de la Seguridad Social (PLFSS) para 2024 propuso fijar el ONDAM (“ Objetivo nacional de gastos de seguro de enfermedad”) 1 en 254.900 millones de euros, un aumento del 2,9% en términos nominales en comparación con 2023, por encima del aumento de 2023 (+0,2%) y en línea con la tasa de crecimiento de 2022 (2,8%), pero muy por debajo de las tasas de crecimiento de 2020 y 2021. Sin embargo, al excluir del análisis los costos adicionales relacionados con la pandemia, el objetivo de crecimiento para 2024 se establece en el 3,2%, considerablemente por debajo del crecimiento de 2022 (+4,8%), 2021 (+6,0%) y 2020 (+6,2%) (Ministère de l’Economie, 2023[17]) . Teniendo en cuenta las estimaciones de inflación incluidas en el PLFSS, el presupuesto de salud se mantuvo estable en 2023, pero se espera que crezca moderadamente en 2024 en términos reales.

En el Reino Unido , los presupuestos plurianuales se fijan sobre una base nominal. El presupuesto para el NHS y la asistencia social ingleses se fijó en términos nominales en 2021 para los tres ejercicios financieros sobre la base de la inflación proyectada en ese momento. Como tal, el sector de la salud ha recibido frecuentes aumentos y complementos presupuestarios. Según el presupuesto de la primavera de 2023, el gasto total previsto en atención sanitaria aumentará en 1.900 millones de libras esterlinas (1,1 %) en 2023/24 y en 3.700 millones de libras esterlinas (2,1 %) en 2024/25 en términos de efectivo ( Tabla 2.2 ). Ajustando la inflación esperada, el gasto total previsto en atención sanitaria disminuirá en 2023/24 (-1,4 %), con un ligero aumento en 2024-25. Sin embargo, el crecimiento del gasto real puede revisarse a la baja si la inflación sigue siendo más alta de lo esperado.

Cuadro 2.2. El gasto en salud y asistencia social en Inglaterra experimentó aumentos drásticos en 2020-21, pero el crecimiento del gasto planificado sigue siendo limitado en los próximos años

Gasto en millones de libras esterlinas, en términos nominales y reales, 2018-25expandir

2018-192019-202020-212021‑222022‑232023‑242024‑25
resultadoresultadoresultadoresultadoresultadoplanesplanes
Salud y asistencia socialPresupuesto de recursos125 279134 184181 441183 548176 631178 578182 252
% cambio por año7,1%35,2%1,2%-3,8%1,1%2,1%
Salud y asistencia socialPresupuesto de recursos en términos reales144 530150 880191 987195 571176 631174 180175 017
% cambio por año4,4%27,2%1,9%-9,7%-1,4%0,5%

Nota: Los datos se refieren al recurso DEL por grupo departamental.

Fuente: HM Treasury (2023[18]) , Análisis estadísticos del gasto público 2023, www.gov.uk/government/statistics/public-expenditure-statistical-analyses-2023 , Capítulo 1 Tablas.

Después de años de crecimiento excepcional del gasto, también se prevé que los aumentos del presupuesto de salud se normalicen en Nueva Zelanda . El crecimiento real del gasto no auditado para 2023 volvió al 4,1% y se prevé que sea negativo en 2025 (Tesoro de Nueva Zelanda, 2023[19]) . Más allá de esto, se pronostican aumentos presupuestarios de alrededor del 5% anual para 2026 y 2027. Después de un pico en 2022 y 2023, se planea que la proporción de la salud en todos los gastos básicos de la Corona 2 vuelva al 21% en 2024, el mismo nivel que en 2019. Pero dado que el gobierno ha optado por la presupuestación plurianual en salud, el presupuesto de salud puede beneficiarse de una financiación adicional a partir de las asignaciones operativas del presupuesto para cubrir las presiones de los costos de salud.

1. La ONDAM es el objetivo global de gasto en salud y constituye uno de los elementos más importantes de la ley de financiación de la seguridad social en Francia. Representa el importe total del gasto en salud que el parlamento fija como objetivo para un año natural. Una vez publicada, ofrece a todos los interesados ​​un objetivo de gasto preciso y define objetivos de ahorro específicos.

2. Los gastos básicos de la Corona se refieren al gasto corriente, excluida la inversión. Es una medida devengada de los gastos e incluye partidas no monetarias, como la depreciación de los activos físicos.

…mientras continúan sintiéndose los efectos de la pandemia…

Al mismo tiempo, muchos países de la OCDE siguen lidiando con problemas heredados de la pandemia. Durante los diversos picos de infección en 2020 y 2021, las intervenciones electivas, como los reemplazos de cadera y rodilla, se pospusieron con frecuencia para reservar capacidad para los pacientes con COVID-19. En algunos países que ya tenían tiempos de espera notables para intervenciones o citas con especialistas antes de la pandemia, esto ha creado una acumulación continua de pacientes que buscan atención que es necesario abordar ( Recuadro 2.2 ).

Recuadro 2.2. Varios países todavía están abordando la acumulación de pacientes a causa de la pandemia

El número de personas en listas de espera en Irlanda aumentó un 24% para procedimientos hospitalarios y de atención ambulatoria entre enero de 2020 y 2023 y un 6% para atención ambulatoria, con poca mejora desde entonces (Fondo Nacional de Compra de Tratamientos, 2023[20]) . Abordar estas cuestiones sigue siendo una prioridad: alrededor de 442 millones de euros del presupuesto total de salud votado en 2023 (23.400 millones de euros) se asignan a reducir las listas de espera, incluida la financiación única, la inversión en pruebas de diagnóstico de médicos de cabecera, diagnósticos de radiología comunitaria y para fortalecer el Fondo Nacional de Compra de Tratamientos (Departamento de Salud, 2023[21]) .

Los tiempos de espera también aumentaron en Dinamarca durante la pandemia, y el gobierno ha proporcionado fondos adicionales sustanciales a las regiones para apoyar una mayor actividad quirúrgica con el fin de reducir los tiempos de espera para las operaciones quirúrgicas a los niveles previos a la pandemia para fines de 2024 (OCDE/Observatorio Europeo de Salud y Sistemas de Salud, 2023[22]) .

La situación es similar en Finlandia , donde el número de pacientes que esperan más de seis meses para recibir un tratamiento especializado no urgente aumentó sustancialmente hasta llegar a 18 000 a fines de 2022, frente a los 3 000 a fines de 2019 (THL, 2023[23]) . Se pondrán a disposición fondos adicionales para abordar esta cuestión a través del Plan de Recuperación y Resiliencia de Finlandia (OCDE/Observatorio Europeo de Sistemas y Políticas de Salud, 2023[24]).

No se trata de un problema exclusivo de Europa. En Canadá , el gobierno federal anunció en febrero de 2023 una transferencia adicional de 2.000 millones de dólares canadienses a sus provincias y territorios para abordar las presiones inmediatas sobre el sistema de atención sanitaria, especialmente en los hospitales pediátricos y las salas de urgencias, y los largos tiempos de espera para las cirugías (Gobierno de Canadá, 2023[25]).

…y algunos países están ampliando la cobertura para aliviar la crisis del costo de vida

Además de mejorar (o restablecer) el acceso a la prestación de servicios, algunos países también decidieron reducir o eliminar los copagos en un intento de aliviar la carga financiera de los hogares en un entorno de alta inflación ( Recuadro 2.3 ).

Recuadro 2.3. La ampliación de la cobertura y la reducción de los copagos alivian en parte la carga que soportan los hogares debido a la alta inflación

En Nueva Zelanda , el presupuesto de 2023 ha proporcionado NZD 707 millones durante cuatro años para eliminar un copago de NZD 5 por receta que puede representar una barrera financiera para los pacientes (Ministerio de Salud, 2023[26]) .

En Irlanda , el presupuesto de 2023 prevé medidas por un valor aproximado de 107 millones de euros para aliviar la crisis del coste de la vida (Departamento de Salud, 2023[21]) . Esto incluye una ampliación de las visitas gratuitas al médico de cabecera para todos aquellos con un ingreso medio o inferior, la eliminación del copago para pacientes hospitalizados en hospitales públicos y un umbral mensual reducido para el Plan de Pago de Medicamentos.

Los altos costos de la energía y otros insumos continúan ejerciendo presión sobre los proveedores

Al igual que en 2022, los altos costos de la energía y otros insumos siguen siendo un problema para los proveedores de servicios de salud en muchos países. Sin embargo, la energía y otros insumos no son los únicos factores de costo que han aumentado; los mayores costos de construcción han hecho que la planificación de hospitales sea mucho más cara de lo previsto y presupuestado ( Recuadro 2.4 ).

Recuadro 2.4. El aumento de los costos de la energía, otros insumos y la construcción llevó a los gobiernos a proporcionar fondos adicionales para los centros de salud

En Alemania , el gobierno federal decidió crear un fondo específico de 6.000 millones de euros para cubrir los costes adicionales relacionados con la energía en los hospitales entre octubre de 2022 y abril de 2024 (Deutsches Ärzteblatt, 2022[27]) . Sin embargo, la asociación de hospitales advirtió de que esto no era suficiente y que los hospitales alemanes acumularían un déficit de 10.000 millones de euros a finales de 2023 debido a la inflación (Deutsche Krankenhausgesellschaft, 2023[28]) .

En Inglaterra , una encuesta realizada a finales de 2022 entre los hospitales del NHS Trust predijo un aumento sustancial de los costes energéticos, y la mayoría de los encuestados esperaban al menos una duplicación de las facturas energéticas, hasta 2 millones de libras esterlinas adicionales al mes (The BMJ, 2022[29]) . En respuesta, el gobierno puso en marcha el Energy Bill Relief Scheme (EBRS), sustituido posteriormente por el Energy Bill Discount Scheme (EBDS), para ofrecer descuentos en los precios del gas y la electricidad a las empresas y a las organizaciones del sector público (incluidos los hospitales).

La asociación de hospitales de Letonia declaró en enero de 2023 que reciben un tercio menos de financiación de la necesaria debido, en parte, al mayor coste de la energía, pero también a otros bienes y servicios, como la restauración, los medicamentos, el mantenimiento y la limpieza (Radiodifusión pública de Letonia, 2023[30]) .

Los informes de Nueva Zelanda identifican aumentos sustanciales en los costos de algunos proyectos hospitalarios debido a la inflación de la construcción, lo que pone en alto riesgo a 15 de los 110 proyectos actuales (NZ Herald, 2023[31]) . Sin embargo, la planificación insuficiente y el control de calidad deficiente también agravaron el problema.

En Irlanda , los costos previstos para completar el Hospital Nacional de Niños superarán significativamente lo presupuestado, lo que también puede afectar el plan de capital más amplio del Departamento de Salud (Irish Examiner, 2023[32]; Irish Independent, 2023[33]) . Los crecientes costos de construcción, las contingencias para el pago de reclamos adicionales, pero también los aumentos en los costos legales en medio de tensiones con el contratista explican los costos adicionales.

Existen ejemplos similares en muchos otros países. Elaborar presupuestos plurianuales adecuados para grandes proyectos de infraestructura (públicos) es muy difícil, y los hospitales y otros centros de salud no son una excepción. Mantener estos proyectos dentro del presupuesto ya es difícil en tiempos “normales”, pero la inflación imprevista se suma a la complejidad.

Una mejor remuneración para los trabajadores de la salud es crucial para el atractivo laboral, pero puede pesar mucho sobre los presupuestos de salud

El factor clave de costo en la prestación de servicios de salud son los salarios . En promedio, los costos de personal representan entre el 60 y el 70% del gasto total en salud, pero ha habido una presión a largo plazo para aumentar los salarios. Por un lado, hacer que las carreras en el campo de la medicina, la enfermería o la atención a largo plazo sean más atractivas es una lección clave de la pandemia para construir sistemas de salud más resilientes (OECD, 2023[10]) , pero los problemas precedieron a la emergencia sanitaria (OECD, 2020[34]) . En muchos países, esto implica claramente un aumento de los salarios y la remuneración de los trabajadores de la salud. Además, dada la alta inflación, los aumentos en los salarios de los trabajadores de la salud se han considerado con frecuencia necesarios (como mínimo) para evitar un deterioro de su posición relativa en términos reales.

Durante la pandemia, muchos países proporcionaron bonificaciones financieras únicas a los trabajadores de primera línea después de la primera ola de la pandemia, en reconocimiento a sus elevados riesgos para la salud, la carga de trabajo adicional y el compromiso (OECD, 2023[10]) . Las recompensas fueron especialmente comunes para los trabajadores de la salud y los trabajadores de cuidados de larga duración. La magnitud de las recompensas y la cobertura de los trabajadores de la salud y de cuidados de larga duración variaron entre países. Más allá de las bonificaciones únicas, hasta noviembre de 2021 había habido pocas iniciativas lideradas por el gobierno para aumentar permanentemente los niveles salariales. Tales iniciativas existían, por ejemplo, en Bélgica, Chile, Chequia, Hungría, Letonia, Eslovenia y Suiza para los trabajadores de la salud y/o de cuidados de larga duración. Sin embargo, en algunos países donde se ofrecieron aumentos salariales, estos fueron aumentos inferiores a la inflación o percibidos como «decepcionantes» por los profesionales de la salud (por ejemplo, Reino Unido y Dinamarca) (OECD, 2023[10]) .

Los ajustes de salarios y remuneraciones siguen estando en la agenda de muchos países de la OCDE, pero las negociaciones pueden ser difíciles y los aumentos salariales acordados pueden ser negativos en términos reales si la inflación excede las previsiones ( Recuadro 2.5 )

Recuadro 2.5. Los salarios de los trabajadores de la salud se están ajustando actualmente, pero los aumentos salariales pueden ser negativos en términos reales

En Francia , el resultado del arbitraje de las negociaciones fallidas entre el seguro social y las organizaciones de médicos es que la tarifa para una consulta de médico de cabecera estándar ha aumentado de 25 a 26,50 euros a partir de noviembre de 2023. Esto representa un aumento del 6%, pero los críticos señalan que, dado que la antigua tarifa está vigente desde 2017, este aumento no habrá seguido el ritmo de la inflación (Les Echos, 2023[35]) . Los empleados del sector público, incluidos los médicos y enfermeras de los hospitales, recibieron un aumento salarial general del 3,5% en julio de 2022 y un aumento adicional del 1,5% en julio de 2023. Además, se han distribuido beneficios únicos (» prime de pouvoir d’achat «) a la mayoría de los trabajadores de la salud, y se han aumentado las bonificaciones por trabajar de noche y en domingo. Finalmente, se prevén aumentos salariales complementarios para los trabajadores de la salud con los niveles salariales más bajos, como las enfermeras auxiliares (infirmiers.com, 2023[36]) .

En Finlandia , varios miles de enfermeras y otros trabajadores de la salud se declararon en huelga en abril de 2022 para reclamar mejores condiciones de trabajo y mejores salarios. En marzo de 2023 se alcanzó un acuerdo salarial final que incluía un aumento salarial mínimo del 20,9 % durante el período 2022-27 (OCDE/Observatorio Europeo de Sistemas y Políticas de Salud, 2023[24]) .

En España , los trabajadores públicos (que incluyen a la mayoría de los trabajadores del sector de la salud) acordaron un aumento salarial escalonado del 8% para 2022-24 (2022: +3,5%; 2023: +2,5%; 2024: +2%) que puede aumentar al 9,8% dependiendo de algunos elementos variables teniendo en cuenta la inflación y el crecimiento del PIB (CCOO, 2022[37]) .

En Bélgica , la mayoría de los salarios se ajustan automáticamente según un complejo sistema de indexación que tiene en cuenta la inflación. Esto también se aplica a los trabajadores de la salud, cuyos salarios aumentan un 2% cada vez que el índice (“ indice santé lisse ”) supera un umbral predefinido (“ indice pivot ”). Esto puede suceder más de una vez al año; de hecho, en 2022 se superó el umbral 5 veces, y cada vez se desencadenó un aumento salarial con un breve desfase temporal. El umbral se alcanzó nuevamente en septiembre de 2023 y se espera que se supere en febrero y junio de 2024 (Bureau fédéral du Plan, 2023[38]) . Si bien este mecanismo de ajuste salarial automático protege a los trabajadores de la erosión de los salarios reales, puede ser difícil para los proveedores y centros de salud refinanciar este crecimiento salarial si los precios de la prestación de servicios son rígidos. Por este motivo, el Gobierno ha concedido una remuneración adicional única de 207 millones de euros en 2022 a los proveedores para compensar el aumento de los costes (Wallonie Santé, 2022[39]) .

Por otra parte, los ajustes salariales al alza pueden pesar mucho sobre los costos operativos de los establecimientos de salud , que necesitan financiarlos, ya sea reduciendo sus márgenes de ganancia (si se les permite generar alguno en el sistema de salud), trasladando los aumentos de costos a los pagadores y/o pacientes (si pueden), mejorando la eficiencia en la prestación de servicios o enfrentando problemas de solvencia ( Recuadro 2.6 ).

Recuadro 2.6. El aumento salarial puede tener un gran impacto sobre los proveedores de salud

En Estados Unidos , la asociación de hospitales destacó el continuo aumento de los costos de insumos, incluidos los gastos de personal (American Hospital Association, 2023[40]) . Un factor clave en este caso es el aumento vertiginoso del costo de la mano de obra contratada temporal (necesaria debido a la escasez de mano de obra y al aumento de la demanda), que fue responsable de gran parte del aumento del 20,8% en los gastos generales de mano de obra hospitalaria entre 2019 y 2022. Durante ese período, el crecimiento de los gastos fue más del doble del crecimiento del reembolso de Medicare, lo que generó temores en la AHA por la estabilidad financiera de los hospitales.

En Letonia , la asociación de hospitales menciona el aumento del salario mínimo como uno de los factores que influyen en la inflación de los costes totales del 19% (Radiodifusión pública de Letonia, 2023[30]) .

En Noruega , el gobierno se comprometió a aumentar las transferencias a los hospitales en 4.700 millones de coronas noruegas en 2023, de los cuales 2.500 millones de coronas noruegas se refieren a un aumento presupuestario permanente y 2.200 millones de coronas noruegas para compensar los aumentos de precios y salarios en 2023 (Regjeringa.no, 2023[41]) .

Ante el aumento de los precios de la energía y los salarios, la asociación de hospitales de Suiza exigió un aumento del 5% en las tasas de reembolso del SHI en 2023 para preservar la prestación de servicios y las condiciones de trabajo (H Plus, 2023[42]) .

En Alemania , los costos de las residencias de ancianos y la atención comunitaria aumentaron sustancialmente en la primera mitad de 2023, como resultado, entre otras cosas, de salarios más altos y mayores costos de alojamiento y comida (Deutsches Ärzteblatt, 2023[43]) . Una razón para el aumento salarial puede ser el nuevo requisito (desde septiembre de 2022) para que las residencias de ancianos y los proveedores de atención comunitaria paguen a su personal de atención los salarios de acuerdo con los acuerdos de negociación colectiva para poder contratar con fondos de seguros de atención a largo plazo. Se han tomado medidas legislativas para proteger a los residentes de las residencias de ancianos del aumento de los copagos como resultado del mayor costo de la prestación de la atención. Desde 2022, se ha puesto a disposición de los residentes un apoyo financiero adicional de los fondos de seguro de atención a largo plazo para limitar los copagos, y este apoyo varía en función de la duración de la estadía.

Los responsables de las políticas están caminando sobre una cuerda floja. Por un lado, es fundamental mejorar los salarios y las condiciones para atraer y retener a los profesionales sanitarios, más aún en poblaciones envejecidas, donde la demanda de atención sanitaria puede superar la oferta. Por otro lado, los altos aumentos salariales pueden comprometer la solvencia de los proveedores de servicios sanitarios o la sostenibilidad financiera del sistema sanitario en su conjunto, si el margen fiscal no permite aumentos sustanciales de los presupuestos sanitarios. Con una financiación pública adicional limitada, las únicas dos opciones restantes serían recurrir más a la financiación privada y buscar mejoras de eficiencia en el sistema. De hecho, es de esperar que pronto se preste renovada atención a esto último, aprovechando al máximo las soluciones sanitarias digitales, trasladando la atención al entorno más adecuado y reduciendo y eliminando la atención de bajo valor.

¿Más inversión en sistemas de salud resilientes o vuelta a la austeridad?

Tras la COVID-19 y el clima económico actual, se podrían hacer algunas comparaciones con la crisis financiera mundial de 2007-08 y la crisis de la deuda resultante, que tuvo importantes implicaciones económicas en muchos países de la OCDE caracterizados por un alto desempleo y años de austeridad. Para equilibrar los presupuestos, muchos gobiernos frenaron el gasto público, incluido el de salud. En el sector de la salud, los países adoptaron una serie de medidas diferentes, entre ellas aumentos de los copagos de los pacientes, exclusión de la lista de servicios y bienes financiados con fondos públicos, aplazamiento del gasto de capital, congelamiento de la contratación y recortes salariales para el personal del sector público, reducciones negociadas de precios de los productos farmacéuticos, junto con otras iniciativas para mejorar la eficiencia (Morgan y Astolfi, 2014[44]) . Como resultado, el crecimiento del gasto en salud en términos reales se desaceleró notablemente a alrededor del 1% o menos entre 2010 y 2012, en comparación con los aumentos anuales del 4-5% antes de la crisis ( Figura 2.13 ). Varios países se vieron duramente afectados por la crisis económica, como Grecia, Italia, Portugal y España, y como resultado de ello sufrieron años consecutivos de disminución del gasto sanitario.

Gráfico 2.13. El gasto en salud se desaceleró notablemente después de la crisis financiera mundialGasto en salud y PIB, variaciones anuales en términos reales, 2005-22, promedios de la OCDE

La pandemia y la posterior crisis del costo de vida tienen algunas similitudes con la crisis financiera de 2007-2008 en términos de impacto global, pero también difieren en aspectos importantes. En ambos casos, la desaceleración económica fue de una magnitud similar y la situación fiscal empeoró considerablemente en varios países de la OCDE, lo que limitó el margen fiscal para grandes inversiones públicas. Por otra parte, el aumento del desempleo fue más bien una característica temporal durante la pandemia y, si bien sigue habiendo incertidumbre sobre la velocidad de la recuperación económica, las perspectivas globales son en general más positivas. Una diferencia notable en esta ocasión es que la política monetaria durante la crisis financiera global mantuvo baja la inflación, mientras que las presiones inflacionarias se agudizaron en la era pospandémica.

Dicho esto, es difícil pronosticar el impacto de la velocidad de la recuperación económica y la reducción de las tasas de inflación en la trayectoria de corto plazo del gasto en salud. Naturalmente, la situación variará mucho de un país a otro, pero aún les queda mucho por hacer para que los sistemas de salud sean más resilientes. En muchos países, hay pocas señales de un aumento significativo de los niveles de inversión actuales y previstos. Por otra parte, no hay indicios de que los gobiernos estén dispuestos a emprender una ronda de cambios de políticas para reducir la cobertura o aumentar los copagos a fin de reducir el gasto en salud en un intento de equilibrar los presupuestos públicos. Si bien los aumentos anuales del gasto en salud pueden ser negativos en términos reales después de 2022, es más probable que esto esté vinculado a tasas de inflación persistentemente altas y un crecimiento económico lento, y menos a una era de nuevas medidas de austeridad.

Sostenibilidad fiscal de los sistemas de salud

¿Cómo financiar sistemas de salud más resilientes cuando el dinero escasea?

Informe de la OCDE. enero 2024

Resumen ejecutivo

En las dos décadas anteriores a la pandemia de COVID-19, el gasto en salud en los países de la OCDE aumentó de manera constante, en promedio, de alrededor del 7% del PIB en 2000 a casi el 9% en 2019. Con el tiempo, el aumento de la proporción de la economía asignada a la salud ha sido impulsado por una combinación de aumento de los ingresos, innovación tecnológica y envejecimiento de la población . Si no se produce un cambio importante en las políticas, la OCDE proyecta una continuación de esta tendencia, con un aumento de 2,4 puntos porcentuales en la relación salud/PIB en comparación con los niveles previos a la pandemia, y un gasto total en salud que alcanzará el 11,2% en 2040. Incluso si se pronostica que el crecimiento económico general aumentará a un ritmo más lento en las próximas décadas, se proyecta que el gasto en salud superará tanto el crecimiento esperado en la economía en general como en los ingresos gubernamentales en los países de la OCDE.

Además, la pandemia puso de relieve la necesidad de un gasto inteligente para fortalecer la resiliencia del sistema de salud y brindar a los países la agilidad necesaria para responder a las perturbaciones, en particular para proteger la salud subyacente de la población; fortalecer las bases de los sistemas de salud mediante una transformación digital y la inversión en equipos médicos básicos; y reforzar a los trabajadores de la salud en la primera línea mediante medidas para capacitarlos y retenerlos. Los beneficios se extienden más allá de los beneficios directos para la salud, ya que las poblaciones más sanas son el núcleo de economías más fuertes y resilientes. Esto permite obtener importantes beneficios económicos y sociales al aumentar la productividad, mejorar los resultados del mercado laboral y reducir la necesidad de intervenciones sanitarias más costosas en el futuro.

Un análisis previo estimaba que, en promedio, los países de la OCDE necesitan gastar un 1,4% adicional del PIB en relación con los niveles previos a la pandemia para estar mejor preparados para futuras crisis. Si se combina este gasto adicional para fortalecer la resiliencia a las proyecciones del gasto en salud, se proyecta que, sin otros cambios importantes en las políticas, el gasto en salud resultará en un aumento de 3,0 puntos porcentuales para 2040 en comparación con los niveles previos a la pandemia, alcanzando el 11,8% del PIB en 2040, en promedio en los países de la OCDE.

Por lo tanto, es necesario tomar medidas urgentes para financiar sistemas de salud más resilientes y, al mismo tiempo, garantizar la sostenibilidad fiscal de los mismos. Las perspectivas económicas actuales en muchos países de la OCDE no hacen más que intensificar esta tarea a mediano plazo. Si bien la inflación ha bajado desde su pico de 2022, sigue siendo más alta que los niveles históricos, lo que aumenta los costos de los insumos de los proveedores de atención médica y alimenta los planes de gasto a mediano plazo. Las prioridades en pugna en materia de gasto público también están reduciendo los presupuestos de salud, como consecuencia de los efectos de la presión sin precedentes sobre los sistemas de salud durante la pandemia de COVID-19 y de los atrasos en la prestación de determinados servicios de salud provocados por la pandemia.

Para afrontar este desafío, los países de la OCDE generalmente han considerado cuatro opciones de políticas amplias (no excluyentes):

  • Opción 1: aumentar el gasto público y asignar parte de esos fondos adicionales a la salud. Esto requiere un aumento de los ingresos públicos o una mayor financiación de la deuda. Sin embargo, los ingresos públicos ya representan el 39% del PIB en los países de la OCDE. Muchos países tienen niveles elevados y crecientes de deuda pública y los consiguientes mayores costos de endeudamiento, así como el difícil desafío de intentar aumentar los impuestos durante una crisis del costo de la vida.
  • Opción 2: aumentar la asignación a la salud dentro de los presupuestos gubernamentales existentes. Si bien los ciudadanos suelen declarar una alta prioridad relativa a la salud, esta compite cada vez más con nuevas prioridades de gasto importantes, en particular para abordar la crisis del costo de vida, financiar una transformación ecológica y, en algunos países, aumentar el gasto en defensa. Aun así, en los países con asignaciones presupuestarias comparativamente bajas para la salud, las autoridades sanitarias podrían utilizar esto como palanca política para impulsar un aumento de las asignaciones presupuestarias. En diez países, la proporción del gasto en salud como porcentaje del gasto gubernamental total fue del 12% o menos en 2022, muy por debajo del promedio de la OCDE del 15%.
  • Opción 3: reevaluar los límites entre el gasto público y privado . En 2022, la proporción del gasto de los gobiernos o del seguro médico obligatorio en los países de la OCDE ya era del 76%. Si no se dispone de recursos públicos adicionales para la salud, una mayor parte del gasto en atención sanitaria se trasladará por defecto al sector privado. Los recortes a los paquetes de prestaciones o los aumentos de los cargos a los usuarios pueden exacerbar las desigualdades sanitarias. Sin embargo, es necesario debatir las direcciones a más largo plazo de la frontera entre lo público y lo privado, en términos de cuáles son las mejores opciones para presupuestos públicos limitados y si se podrían hacer cambios en los cargos a los usuarios sin obstaculizar el acceso.
  • Opción 4: buscar mejoras de eficiencia. Es necesario hacer un mayor hincapié en la optimización de los recursos de los servicios sanitarios. Es imperativo lograr mejoras de eficiencia audaces mediante la reducción del gasto ineficaz y derrochador, aprovechando al mismo tiempo los beneficios de la tecnología y la transformación digital de los sistemas sanitarios, incluida la inteligencia artificial (IA). De lo contrario, las expectativas sobre la magnitud de esas mejoras deben ser realistas. Las medidas para fomentar una población más sana y las políticas para eliminar hasta la mitad del gasto ineficaz y derrochador identificadas en un análisis anterior de la OCDE podrían ahorrar hasta 1,2 puntos porcentuales del PIB. Esto situaría el gasto sanitario total futuro en una trayectoria ascendente mucho más suave y sostenible, alcanzando el 10,6% del PIB en 2040 (en comparación con el 11,8% del PIB en ausencia de grandes cambios de política).

En este contexto complejo, las buenas prácticas presupuestarias también son fundamentales , pues mejoran la forma en que se determinan, ejecutan y evalúan los fondos públicos destinados a la salud. Esto no sólo aumenta la eficiencia del gasto público actual, sino que también permite cambios de política más ambiciosos a mediano y largo plazo. El análisis de las experiencias de los países de la OCDE destaca las buenas prácticas, en particular las siguientes:

  • Se deben acordar reglas claras y mecanismos de supervisión y revisión a lo largo del ciclo presupuestario anual. Esto incluye separar el costo de las nuevas iniciativas de políticas de salud de los costos básicos de mantenimiento de los servicios y la cobertura existentes; el uso de criterios explícitos para facilitar la negociación presupuestaria; asegurar un seguimiento regular del presupuesto durante el año, con mecanismos correctivos para mejorar el cumplimiento; y utilizar revisiones del gasto para analizar los gastos de salud y garantizar que estén alineados con las prioridades del gobierno.
  • La presupuestación a mediano plazo para la salud permite a los países adoptar una estrategia más proactiva y orientada al futuro que vaya más allá del ciclo presupuestario anual ordinario. Debería permitir a los organismos de salud planificar basándose en una hipótesis razonable sobre la dotación de recursos financieros disponibles, preservando al mismo tiempo la flexibilidad del gobierno para adaptarse a las finanzas públicas y al clima macroeconómico.
  • La presupuestación por programas promueve presupuestos más orientados al desempeño , mejorando la alineación entre los objetivos del sector de la salud y los recursos financieros. Al desplazar el enfoque hacia los resultados, también ofrece más flexibilidad a las autoridades sanitarias en el uso de los recursos públicos, al tiempo que mejora la transparencia y la rendición de cuentas de los resultados. Los objetivos comunes son los programas para mejorar la promoción de la salud, la salud digital y la educación médica; y cuando el alcance de la presupuestación por programas es mayor, puede incluir un amplio tipo de servicio de salud (como atención primaria, servicios hospitalarios y atención a largo plazo).

Para mantener la sostenibilidad fiscal de los sistemas de salud se requiere una acción política coordinada entre los responsables de presupuestos y de salud. Es probable que las cuestiones relativas a la sostenibilidad fiscal de los sistemas de salud resulten cada vez más difíciles de abordar. Esta publicación ofrece un análisis en profundidad de las opciones de política disponibles para hacer frente al creciente costo de los sistemas de salud sostenibles y resilientes, y del papel central de las prácticas presupuestarias eficaces para la salud a la hora de optimizar la eficacia y la eficiencia del gasto público en salud.

El Colegio Americano de Cirujanos, Normas mínimas para hospitales 1917

Dr. James R. Wright, Jr.,

Arch Pathol Lab Med (2017) 141 (5): 704–717.

https://doi.org/10.5858/arpa.2016-0348-HP

Donde comenzó la historia de la acreditación y la calidad.

Contexto.

El primer proyecto importante del Colegio Americano de Cirujanos (Chicago, Illinois), fundado en 1913, fue la implementación de las Normas Mínimas para Hospitales. La norma de 1918 (1) estableció organizaciones de personal médico en los hospitales; (2) restringió la membresía a profesionales con licencia y en regla; (3) ordenó que el personal médico trabajara con la administración del hospital para desarrollar y adoptar regulaciones y políticas que regulen su trabajo profesional; (4) exigió registros médicos estandarizados y accesibles; y (5) exigió la disponibilidad de instalaciones de diagnóstico y terapéuticas. Hace cien años, estas eran expectativas radicales.

Las condiciones de la práctica quirúrgica y de los servicios hospitalarios en Norteamérica a principios del siglo XX eran pésimas. 1  Sin embargo, se estaban poniendo en marcha los mecanismos para solucionarlo. Había un gran exceso de profesionales médicos y muchos de ellos estaban mal formados. Además, la distinción entre la práctica médica y la práctica quirúrgica aún no estaba formalizada, por lo que algunos de estos médicos incompetentes también practicaban la cirugía. A principios del siglo XX, los médicos mejor formados comenzaron a agruparse y a formar organizaciones especializadas. La afiliación dependía de demostrar un nivel mínimo adecuado de competencia. Los especialistas asumieron naturalmente que los pacientes que necesitaran tratamiento médico o quirúrgico acudirían en masa a los miembros de estos gremios de élite, lo que beneficiaría tanto a los pacientes como a los intereses económicos de los profesionales. 2 , 3  El Colegio Americano de Cirujanos (ACS, Chicago, Illinois) se creó en 1913, con planes audaces para estandarizar no sólo a los cirujanos sino también el lugar de trabajo de los cirujanos: el hospital. 4 , 5  Un año antes de la formación de la ACS, se formaron 2 comités en el Congreso Clínico de Cirujanos de Norteamérica (CCSNA) de 1912: (1) presidido por el cirujano ginecológico de Chicago, Illinois, Franklin H. Martin, MD ( Figura 1 ), debía supervisar los acuerdos para establecer la ACS; y (2) presidido por el cirujano de Boston Ernest Amory Codman, MD ( 
Figura 2 ), debía supervisar la reforma hospitalaria. 5  Reconociendo que ni la CCSNA ni la ACS tendrían un mandato legal para reformar los hospitales, las reformas tendrían que llevarse a cabo con gran diplomacia, con esfuerzos para no alienar a otros médicos o a la Asociación Médica Estadounidense (AMA, Chicago, Illinois) y requerirían la participación voluntaria de los hospitales. Desafortunadamente, la diplomacia nunca había sido el punto fuerte del Dr. Codman.

Junta de regentes del Colegio Americano de Cirujanos de 1919. Franklin H. Martin, MD, está a la extrema derecha; John G. Bowman, MA, LittD es el segundo desde la extrema derecha; Charles H. Mayo, MD es el cuarto desde la extrema izquierda; George W. Crile, MD es el sexto desde la extrema izquierda. Crédito: Archivos del Colegio Americano de Cirujanos .

Fotografía de Ernest Amory Codman realizada por el Notman Studio de Boston (circa 1911). Crédito: Se trata de una reproducción que se conserva en la Biblioteca Médica de Boston, en la Biblioteca de Medicina Francis A. Countway (Boston, Massachusetts) .

El Dr. Codman estaba fascinado por los estudios de tiempo-movimiento, la eficiencia, la gestión científica de la industria ferroviaria y el movimiento de estandarización que caracterizó la revolución industrial estadounidense de mediados y fines del siglo XIX. Cuando trabajaba como cirujano asistente en el Hospital General de Massachusetts (Boston, Massachusetts) en 1900, desarrolló un interés especial en la eficiencia y la estandarización hospitalaria, y esos intereses pronto se convirtieron en su pasión de toda la vida. 6 , 7  El Dr. Codman desarrolló e impulsó incansablemente un visionario «sistema de resultados finales» de organización hospitalaria, que explicó en sus términos más simples de la siguiente manera 8 (p. 315) :

Este sistema es perfectamente simple, y su única dificultad es su revolucionaria simplicidad. Requiere respuestas directas y veraces a estas preguntas: ¿Qué le pasaba al paciente? ¿Qué le hizo el médico? ¿Cuál fue el resultado? Si el resultado no fue bueno, ¿cuál fue la razón? ¿Fue culpa del médico, del paciente, de la enfermedad o de la organización o el equipo del hospital? Hasta ahora, en la organización hospitalaria nunca se ha intentado sistemáticamente determinar quién es el responsable del éxito o el fracaso de cada caso tratado. Sostengo que nuestro sistema de registros debería permitirnos determinar quién es el responsable y que debería utilizarse para este fin.

El Dr. Codman apoyó la idea de mantener registros hospitalarios detallados con resultados (basados ​​en el seguimiento 1 año después del alta) para cada admisión, generando puntajes de resultados para hospitales y para médicos para cada tipo de enfermedad o procedimiento, permitiendo a los médicos realizar solo procedimientos quirúrgicos para los cuales tuvieron puntajes de resultados suficientemente altos, promoción de cirujanos basados ​​en sus puntajes de resultados en lugar de antigüedad o popularidad y, lo que es importante, supervisión del programa de resultados finales de cada hospital por parte de los fideicomisarios del hospital, que creía que deberían aceptar la responsabilidad de «la calidad del Producto que sus fábricas hospitalarias dan al Público». 9 (p76) El Dr. Codman fue inflexible en que los resultados de los hospitales y cirujanos individuales deberían publicarse porque eso permitiría a los pacientes potenciales tomar decisiones informadas relacionadas con la atención quirúrgica y hospitalaria futura. El Dr. Codman se sintió tan convencido de sus ideas que renunció al personal del Hospital General de Massachusetts, comenzó su propio pequeño hospital en el que implementó su sistema completo a pequeña escala y luego publicó sus resultados. 10  El Dr. Codman, que en otro tiempo había caído en el olvido, ha sido redescubierto en las últimas décadas y mucho se ha escrito recientemente sobre él 6 – 8 , 11 , 12  ; por lo tanto, este ensayo no se centrará en él, sino más bien en un movimiento que él ayudó a iniciar. Aunque el modelo completo del Dr. Codman resultó ser demasiado radical para ser implementado en la década de 1910, o incluso hoy, 12  el Dr. Codman es ahora reconocido correctamente como un pionero de la “investigación de resultados”, y él y su modelo tuvieron papeles importantes en la formulación del programa de estandarización hospitalaria de la ACS. Debido a que el Dr. Codman era impetuoso, franco y carecía de tacto y diplomacia, no pudo ver personalmente cómo este programa se concretaba, y algunos de los elementos más controvertidos que más apreciaba fueron abandonados. Dos años después de la formación de la ACS, uno de los trucos publicitarios del Dr. Codman, que avergonzó al Hospital General de Massachusetts, a sus cirujanos y a la Universidad de Harvard (Boston, Massachusetts), lo obligó a renunciar a la presidencia del comité de reforma hospitalaria del CCSNA. 5  Nahrwold y Kernahan 5 (pág. 33) resumieron los logros del Dr. Codman de la siguiente manera:

Defendió con fuerza, aunque no siempre con tacto, su «sistema de resultados finales»… Desafortunadamente, Codman carecía de las habilidades ejecutivas de Franklin Martin. Su comité elaboró ​​dos informes que confirmaban la necesidad de mejorar el hospital, pero dejaban cualquier acción en manos de la AMA o la Fundación Carnegie. La AMA no tenía ningún interés en asumir un proyecto que pudiera conducir a un conflicto con los miembros locales. Los intentos de Codman de interesar a la Fundación Carnegie en una encuesta sobre hospitales no tuvieron éxito….. Con sus propios problemas políticos en aumento, Codman renunció al comité a fines de 1915. Con eso, el comité de la CCSNA se disolvió y el Colegio asumió la tarea de estandarizar los hospitales.

El resto de este ensayo se centrará en el desarrollo y la implementación del programa de estandarización hospitalaria de la ACS; es un tema que, sorprendentemente, se ha abordado, en el mejor de los casos, superficialmente en el contexto del Dr. Codman y la eficiencia hospitalaria, 13-15 o se  ha abordado de manera fragmentada 2 , 9  en fuentes estándar que tratan de la historia de los hospitales estadounidenses. De hecho, una fuente afirma directamente en una nota a pie de página que «no hay un trabajo adecuado sobre el movimiento de estandarización…» 14 (p148, nota a pie de página 34). Sin embargo, los lectores deben saber, aunque no es una historia per se, que hay un artículo fascinante que sostiene que la estandarización hospitalaria estaba «estrechamente vinculada» al movimiento filosófico pragmático estadounidense, que comenzó a fines del siglo XIX y que «representa un hito importante en la historia de la regulación estadounidense, tal vez el primer sistema de autorregulación empapado en principios pragmáticos de ordenamiento social, un modelo de gobernanza de la era progresista que presagió durante mucho tiempo algunas de las innovaciones regulatorias más significativas de la actualidad». 16 (p9) Sin embargo, independientemente de sus orígenes filosóficos, el programa de estandarización hospitalaria de la ACS fue un marco regulatorio importante para los hospitales durante 32 años antes de evolucionar hacia la Comisión Conjunta de Acreditación de Hospitales en 1951, que pasó a llamarse Comisión Conjunta de Acreditación de Organizaciones de Atención Médica en 1987 y Comisión Conjunta (Oakbrook Terrace, Illinois) en 2007. 17  Hacia el final de este artículo, analizaré cómo los Estándares Mínimos para hospitales afectaron a los laboratorios hospitalarios, una perspectiva que, hasta donde yo sé, no se ha abordado en la limitada literatura sobre estandarización hospitalaria.

FORMACIÓN DE LA ACS Y SUS ESTÁNDARES MÍNIMOS PARA HOSPITALES

La primera reunión de la ACS se celebró en Washington, DC, la tarde del lunes 5 de mayo de 1913. Asistieron 450 cirujanos estadounidenses y canadienses, tanto generalistas como especialistas. Esta reunión fue planificada por un comité organizador de 12 cirujanos destacados designados por la CCSNA en su reunión de noviembre de 1912. Los miembros del Comité Organizador de la CCSNA recorrieron los Estados Unidos y Canadá a través de una serie de reuniones regionales. Esencialmente, en «cada gran ciudad universitaria», se organizó una reunión por 3 cirujanos locales y 1 de los 12 miembros del comité organizador. De estas reuniones regionales, se invitó a 500 cirujanos, asistieron 450 y nació la ACS. 4 , 5  La ACS tenía objetivos elevados de mejorar la calidad de la atención a los pacientes quirúrgicos elevando la formación y la práctica quirúrgicas.

En 1914, la dirección de la ACS, mientras todavía “perfeccionaba la organización de la Facultad y… obtenía una base financiera sólida”, 18(p114) determinó que la estandarización hospitalaria era su primera gran iniciativa y, por lo tanto, “comenzó a adquirir información de primera mano sobre las condiciones hospitalarias en Canadá y los Estados Unidos. Se reunió con médicos, fideicomisarios y superintendentes de hospitales sobre el trabajo; con sociedades médicas y con organizaciones hospitalarias, pidiendo su ayuda y cooperación para formular un plan de acción”. 18(p114) Aunque no está claro que esta estandarización hospitalaria comenzara como una iniciativa educativa, rápidamente adquirió ese tono porque esto ayudó a justificar por qué la estandarización hospitalaria estaba claramente dentro del mandato de la facultad. Había razones potenciales por las que la estandarización hospitalaria, si era supervisada por la ACS, podría beneficiar financieramente a los miembros de la ACS (nb, según el sociólogo Paul Starr, controlar el lugar de trabajo del hospital era un objetivo a largo plazo de los gremios de médicos para que pudieran “evitar el destino del trabajador asalariado sin herramientas”). 15(p165) El 22 de junio de 1914, los becarios aprobaron un plan para recaudar un fondo de dotación permanente y acordaron que los ingresos de ese fondo se utilizarían para promover los propósitos de la ACS. Tras bambalinas, varios cirujanos destacados de la ACS, como George W. Crile, MD ( Figura 1 ) (presidente de cirugía en el University Hospitals Case Medical Center [Cleveland, Ohio] y, pronto, cofundador de la Cleveland Clinic [Cleveland, Ohio]), Charles H. Mayo, MD ( Figura 1 ), y William J. Mayo, MD (es decir, los hermanos Mayo que transformaron el St. Mary’s Hospital en la Mayo Clinic [Rochester, Minnesota]), inicialmente no apoyaron porque crearía una carga financiera significativa para la universidad, 5  lo que precipitó conversaciones infructuosas con la AMA pidiéndoles que asumieran este papel en su lugar. 2  En febrero de 1915, John G. Bowman, MA, LittD ( Figura 1 ), presidente de la Universidad de Iowa (Iowa City, Iowa) y ex secretario de la Fundación Carnegie para el Avance de la Enseñanza (Stanford, California), fue nombrado director de educación de la ACS. 5  El Dr. Martin continuó como el poderoso secretario de la universidad.

Para el 1 de diciembre de 1915, el Dr. Martin ya había recaudado $526 000 de los aproximadamente 3400 cirujanos miembros. 19  En enero de 1916, la ACS anunció oficialmente que tenía un fondo de dotación de $500 000. Ese mismo anuncio decía: “[d]en la medida en que la capacitación adecuada en cirugía está inseparablemente relacionada con la conducta y eficiencia del hospital, el Colegio buscará datos precisos sobre todos los asuntos relacionados con los hospitales”. 20 (pp116–117) Para fines de mes, los Dres. Martin y Bowman, confiando en las conexiones personales de este último, también habían recaudado $30 000 adicionales de la Fundación Carnegie, específicamente para la estandarización del hospital. 2 , 5 

En la reunión anual de becarios celebrada en Filadelfia (Pensilvania) el 27 de octubre de 1916, el informe del director Bowman 21  proporcionó una orientación aún más clara. El discurso del Dr. Bowman se centró en sólo dos temas: la admisión a la beca y la investigación de las condiciones hospitalarias. Como esta última era una nueva orientación pública y él necesitaba “educar” a los becarios, eso comprendió la mayor parte de su charla. El Dr. Bowman justificó la nueva orientación enteramente dentro del contexto de la educación quirúrgica 21 (p. 745) :

Este trabajo no es simplemente algo que podemos hacer, es algo que debemos hacer. Es nuestro deber saber qué significa la verdadera formación en cirugía. Eso ha sido obvio para todos nosotros desde el principio. Y es una estimación acertada, creo, decir que el ochenta por ciento de lo que un cirujano utiliza en la práctica lo adquiere durante su internado [ sic ] y su formación hospitalaria. En otras palabras, el campo de formación particular para el cirujano es el hospital. Se nos impone, entonces, la obligación de saber cuál es este campo de formación y qué tipo de estándar debemos establecer como formación adecuada de un cirujano en un hospital. Además, el problema de la formación de un cirujano en un hospital no puede aislarse como un factor separado del programa del hospital… Sin embargo, existen divisiones específicas en cada hospital que podemos investigar y, si tenemos datos precisos, podemos señalar el camino del progreso.

El Dr. Bowman abordó luego una serie de temas específicos, entre ellos la conservación de los registros hospitalarios (¿están completos los registros de casos y son “accesibles para su estudio y orientación futura?”), el estado de los servicios de laboratorio, la relación del personal médico del hospital con el consejo de administración del hospital y el superintendente del hospital, la acreditación del hospital, la relación del hospital con la sociedad médica local o del condado y la relación del hospital con el público. En relación con esto último, el Dr. Bowman tuvo palabras contundentes 21 (p. 746) :

¿Por qué los administradores no deberían poder garantizar honestamente a sus comunidades servicios honestos y competentes? Tal es una de las cosas que el Colegio Americano de Cirujanos se propone lograr. Se propone abordar estos problemas de una manera que no sea incierta ni a medias. La parte central de su esfuerzo será una serie de folletos escritos de manera tan sencilla que el hombre que mueve los labios al leer pueda entenderlos. Estos folletos tratarán uno tras otro de las cosas que hacen que los hospitales sean el tipo adecuado de instituciones para el cuidado de los enfermos. A veces puede ser necesario convocar reuniones de los clubes comerciales locales, o de otros organismos de laicos, para concienciar a la comunidad sobre las condiciones reales de sus hospitales. Si este camino es necesario, se seguirá. Ya pasó el día en que cualquier tipo de práctica indiferente o incompetente se podía proteger en un hospital. Ya pasó el día en que los administradores de los hospitales podían descansar en una actitud irresponsable hacia la confianza depositada en ellos.

Aunque ahora estaba plenamente integrado en el mandato educativo de la universidad, lo que en realidad se estaba proponiendo podría haber sido fácilmente interpretado por personas ajenas a la institución como una guerra abierta contra el status quo de la atención hospitalaria en Norteamérica, e incluso la poderosa AMA, aunque reconocía plenamente la necesidad de una reforma hospitalaria, no estaba dispuesta a hacerse cargo de este problema, una decisión de la que la AMA se arrepentiría más tarde. 1 , 4 , 5  Cada área de la reforma contenía minas terrestres potenciales para una o más partes interesadas. Por ejemplo, en el ámbito de la conservación de registros médicos, ni siquiera estaba del todo claro si los hospitales tenían el derecho. Según la historiadora médica y socióloga Rosemary A. Stevens, PhD 9 (pág. 60) :

Un médico que admitiera a sus propios pacientes no tenía incentivos para crear registros que otros pudieran usar o que sirvieran al hospital en su conjunto… Los médicos podían afirmar que eran dueños de sus propios registros y que el hospital, como taller del médico, no tenía un interés legítimo separado en registrar o monitorear la atención del paciente.

Intuitivamente, el riesgo asociado con una única especialidad médica, incluso una poderosa, que abordara la reforma hospitalaria era alto. Después de todo, la ACS representaba sólo a unos pocos médicos norteamericanos (en el mejor de los casos, alrededor del 5%). Por otra parte, la mayoría de los pacientes hospitalarios eran pacientes quirúrgicos, y el número de hospitales había aumentado exponencialmente en cuestión de sólo unas décadas 1  ; por lo tanto, los hospitales no podían darse el lujo de alienar a los cirujanos. Aunque la presencia de su fondo de dotación posicionó a la universidad para actuar rápidamente, era evidente que era necesario que la ACS actuara con cuidado, lo que logró mediante el uso de un proceso abierto y consultivo, que, lo que es importante, incluyó a otras especialidades médicas.

También en la reunión anual de 1916 en Filadelfia, Pensilvania, “se pidió a los becarios que crearan en cada provincia de Canadá y en cada estado de la Unión un comité de normas, cuyo propósito era asesorar sobre un programa de acción sólido y constructivo”. 18 (p. 114) De acuerdo con esa votación, se crearon dichos comités de normas en toda América del Norte, pero los comités no pudieron reunirse para una reunión de grupo hasta el 19 y 20 de octubre de 1917, debido a la Primera Guerra Mundial. 19  En esa reunión de dos días en Chicago, Illinois, aproximadamente 330 miembros del comité y entre 50 y 60 superintendentes de hospitales líderes de toda América del Norte discutieron “tres preguntas fundamentales”: “¿Qué condiciones existen en los hospitales? ¿Qué queremos en los hospitales y [qué] se debe hacer?” 18 (p. 114) Según la universidad 18 (p. 114) :

El resultado inmediato de la reunión fue el nombramiento de un comité de veintiún miembros, en el que estaban representados médicos, cirujanos, administradores de hospitales, trabajadores de laboratorio, estadísticos, etc., con el propósito de esbozar un cuestionario a través del cual el Colegio pudiera obtener datos hospitalarios esenciales para su trabajo futuro y considerar un “estándar mínimo de eficiencia”. El comité de veintiún miembros se reunió durante dos días en Washington, en diciembre de 1917, formuló el cuestionario y discutió el “estándar mínimo”. A principios de 1918, el cuestionario se envió a los hospitales, junto con una carta solicitando la cooperación de los hospitales en el programa de estandarización. La respuesta de los hospitales a este cuestionario superó las esperanzas más optimistas de los interesados ​​en el trabajo. Llegaron cientos de cartas de todas partes del continente, prometiendo cooperación. … En marzo de 1918, se envió a los hospitales y a los becarios una declaración completa del programa de estandarización hospitalaria del Colegio y del estándar mínimo. En marzo de 1918 se emprendió la labor de realizar investigaciones personales en los hospitales. El Colegio contrató a visitadores o inspectores para que hicieran informes sobre las condiciones de los distintos hospitales. Una parte importante de la labor de los visitadores consistía también en explicar los detalles del programa de una forma más completa que la que se puede hacer con folletos o cartas, y dejar claro el espíritu de toda la iniciativa.

Aunque un proceso rápido y contundente como el que se propone podría resultar intimidante, la brillante forma en que la ACS promocionó todo el proceso básicamente lo impidió. La universidad definió la estandarización hospitalaria de la siguiente manera 18 (pág. 113) :

No se trata de hacer que los hospitales sean iguales en cuanto a su forma de gobierno, administración o equipamiento; no se busca imponer la conformidad con ningún molde determinado ni limitar la originalidad en ninguna fase del trabajo hospitalario. La estandarización hospitalaria implica que los médicos, los administradores y superintendentes del hospital, los trabajadores de laboratorio, las enfermeras y el público piensen de la misma manera sobre los objetivos y la utilidad de los hospitales. Significa que cada paciente de un hospital tiene derecho a la atención más eficiente que conozca la profesión médica…

Definida por tales declaraciones de “maternalidad”, ¿cómo podría cualquier persona u organización razonable adoptar una postura pública en contra de cooperar para lograr una mejor atención al paciente? Este sentimiento también estaba en consonancia con el movimiento progresista estadounidense y, cada vez más, todos los proveedores de atención médica reconocieron que los hospitales, que a fines del siglo XIX existían como “hoteles” para pacientes pobres y principalmente para la comodidad de médicos y cirujanos, ahora debían centrarse en la calidad de la atención al paciente y la experiencia del paciente. 16  Los hospitales incluso reconocieron que la reforma era necesaria desde una perspectiva comercial porque la reputación de los hospitales en los Estados Unidos había sido tan pésima durante todo el siglo XIX que los pacientes ricos los habían evitado y, en cambio, generalmente eran atendidos en sus hogares.

La facultad consideró cómo abordar esta cuestión, señalando que “hay dos métodos por los cuales la estandarización hospitalaria puede proceder. El primero es científico; el segundo, humano”. 18 (p113) La descripción de la facultad del “método científico” puede parafrasearse en el lenguaje actual como de arriba hacia abajo , usando la fuerza bruta para implementar su propio análisis. Un ejemplo contemporáneo de este tipo de enfoque de estandarización del que la dirección de la ACS habría sido extremadamente consciente fue el Informe Flexner de 1910 , también financiado por la Fundación Carnegie, que impulsó una escuela de medicina estandarizada con requisitos académicos mínimos para la admisión y un plan de estudios basado en los principios de la “medicina científica” utilizando un entorno de hospital docente. 22  Claramente, la dinámica era completamente diferente (nb, había demasiadas escuelas de medicina privadas y uno de los objetivos de Abraham Flexner, MD, OD, PhD, era sacar del negocio a las escuelas de medicina sin esperanza; en marcado contraste, no había un número excesivo de hospitales, y la ACS simplemente quería mejorarlos). Hay otra razón, aún más fundamental, por la que semejante enfoque no habría funcionado. Los dirigentes de la ACS, aunque reconocían que la estandarización hospitalaria era deseable y que ellos debían liderarla, no tenían una idea clara de cómo querían que fuera y, como la participación sería voluntaria, no tenían idea de qué sería aceptable para las diversas partes interesadas. Además, los dirigentes de la ACS reconocieron que cualquier modelo que se implementara debía cambiar y mejorar constantemente. 16  La complejidad de esos objetivos debe haber parecido obvia al Dr. Bowman, que era el director de educación de la ACS y ni siquiera era médico. Así que, en cambio, la universidad adoptó sabiamente el enfoque del “método humano”, como se describe a continuación 18 (pág. 113) :

El método humano nunca olvida el punto de vista de los demás. De hecho, es el único punto de vista que conoce. Supone que los hombres son inteligentes y de mente abierta. Pero no es sentimental ni se limita a “azúcar, especias y todo lo bueno”. Valora el pensamiento recto y los datos precisos tanto como el método científico. Según el método humano, la estandarización hospitalaria dice a los hospitales: “He aquí un plan para mejorar el servicio hospitalario. Es un plan que surgió de nuestras propias cabezas y corazones después de un esfuerzo concienzudo y prolongado por parte de todos nosotros para idear dicho plan. ¿Podrían considerar si lo aceptan o no?”

El enfoque altamente consultivo de la universidad era laborioso y costoso. Después de enviar por correo la Norma Mínima (Figura 3) a los 697 hospitales de los Estados Unidos y Canadá con 100 o más camas, en marzo de 1918, 7 miembros del personal de la universidad, llamados visitantes , se dividieron la tarea de visitar personalmente cada hospital. Los visitantes simplemente presentaron la norma y explicaron lo que significaba 23 (pp469,473) :

El Colegio no se atribuyó la autoridad de hacer cumplir la norma. En todo momento, el Colegio dependió del mérito y la solidez de sus propuestas para conseguir y mantener la cooperación de los interesados ​​en la obra… Estos hombres, todos ellos licenciados en medicina, fueron a los hospitales… como ingenieros, descubriendo primero cuáles eran las deficiencias de la institución en relación con la norma mínima y luego indicando cómo se podían superar mejor. Las reuniones de consejo celebradas en los distintos hospitales por estos inspectores resultaron ser un elemento importante para el éxito de la obra.

Estos visitantes recogieron datos, que se cotejaron en la sede de la universidad, para cada hospital utilizando “tarjetas de visita” estandarizadas 23  ( Figura 4 ). El enfoque de la visita personal funcionó y los hospitales cooperaron y se esforzaron por alcanzar el estándar. La dirección de la ACS puede haber adaptado este método de visita personal del que habían utilizado con éxito para reunir rápidamente a los cirujanos en 1912-1913 para formar la ACS.

Figura 3.

Figura 3. El documento de Normas mínimas se creó en algún momento entre el 8 y el 9 de diciembre de 1917 y el 1 de marzo de 1918, cuando se envió por correo a los becarios y a los hospitales. Se utilizó como el estándar de oro para los datos recopilados durante las visitas a los sitios a partir de 1918. Crédito: Archivos del Colegio Americano de Cirujanos.

El documento de Normas mínimas se creó en algún momento entre el 8 y el 9 de diciembre de 1917 y el 1 de marzo de 1918, cuando se envió por correo a los becarios y a los hospitales. Se utilizó como el estándar de oro para los datos recopilados durante las visitas a los sitios a partir de 1918. Crédito: Archivos del Colegio Estadounidense de Cirujanos .

Certificado mural de estándares mínimos del Colegio Estadounidense de Cirujanos que se otorga a los hospitales que cumplen con el estándar. Crédito: Archivos del Colegio Estadounidense de Cirujanos .

Durante los primeros años del programa de estandarización hospitalaria de la ACS, el Dr. Bowman era el director y el Dr. Martin era el secretario de la ACS, un puesto a tiempo parcial. En 1917, los regentes designaron al Dr. Martin para un puesto a tiempo completo, el de secretario general, lo que creó una falta de claridad en relación con la gobernanza de la ACS y, en 1920, el Dr. Bowman estaba considerando sus otras opciones. En noviembre de 1920, el Dr. Bowman aceptó el puesto de rector de la Universidad de Pittsburgh (Pittsburgh, Pensilvania). Después de un breve reemplazo interino, los puestos se consolidaron y el Dr. Martin se convirtió en el director general. Después de la renuncia del Dr. Bowman, la ACS contrató a Malcolm MacEachern, MD, CM, 29  cirujano con sede en Vancouver, Columbia Británica y superintendente del Hospital General de Vancouver (Vancouver, Columbia Británica, Canadá), para dirigir el programa de estandarización hospitalaria de la ACS, que manejó de manera excelente durante los siguientes 27 años. 5 

En la década de 1920, el director general de la ACS, el Dr. Martin, curiosamente invocó la capacidad de la universidad para “reescribir” la historia y, sin dejar de atribuirse el mérito, desvinculó a la universidad de haber iniciado unilateralmente el proceso de estandarización hospitalaria. Según el Dr. Martin, hablando en 1921 27 (p133) :

El Colegio Americano de Cirujanos es responsable de la estandarización de los hospitales, porque en sus inicios consideró necesario estandarizar sus propios entornos. Por ejemplo, al elaborar un estándar para la admisión a la beca, fue necesario que pidiéramos a los candidatos que nos proporcionaran los informes de cincuenta operaciones mayores y cincuenta operaciones menores, en lugar de un examen. Estos informes comenzaron a llegar. Estaban en todo tipo de formularios. No existía absolutamente ningún registro estándar en el que pudieran darnos la evidencia de su propia capacidad para ejercer la cirugía. Pronto nos pidieron desde todas las direcciones que proporcionáramos un sistema estandarizado de registros, que sugiriéramos un formato en el que estos registros pudieran entregarse al Colegio. Intentamos hacerlo. Se formó un comité para ese propósito, y proporcionamos, donde se requirió, un conjunto de registros estandarizados. ¿Y luego qué sucedió? Los hospitales -una gran cantidad de ellos- comenzaron a preguntarnos si no podíamos de alguna manera proporcionarles esos mismos registros o formularios estandarizados, lo cual, por supuesto, hicimos con mucho gusto. Ese fue el primer paso en la estandarización de los hospitales.

Aunque mantener registros adecuados se convirtió claramente en un interés común compartido por la ACS y los hospitales, es difícil concebir cómo podría ser ese el “primer paso” en el movimiento de estandarización hospitalaria porque esto comenzó con el Dr. Codman y su comité CCSNA, incluso antes de que se formara la ACS. De todos modos, los registros se convirtieron en un terreno común tanto para la ACS como para los hospitales, y la ACS tenía razón al señalar que “un hospital en el que un candidato a becario prepara estos registros, si no mantiene registros adecuados, generalmente se ve inducido a hacerlo”. 18 (p. 116)

Los estándares mínimos eran exactamente eso, requisitos rudimentarios para un hospital adecuado. El primer componente del estándar era el personal médico organizado ( Figura 3 ), que era fundamental. Debido a que los planificadores de la ACS no sabían exactamente cómo debería ser un hospital estandarizado, la expectativa era que, una vez que se cumplieran los Estándares Mínimos , el personal médico organizado asumiría un sentido activo de responsabilidad personal que facilitaría la mejora continua en todas las áreas en cada hospital estandarizado, 16  que era el plan maestro de la ACS para el futuro, y tenía la ventaja adicional de garantizar que los médicos controlarían su lugar de trabajo, a través de los auspicios de la ACS.

La AMA había considerado emprender la reforma hospitalaria tanto en 1913 como en 1914 y había contactado sin éxito a la Fundación Carnegie para obtener fondos de subvención para llevarlo a cabo. Incluso la dirección de la ACS, que estaba preocupada por las finanzas de su incipiente gremio, había tratado de convencer a la Junta de Síndicos de la AMA para que asumiera esa función en 1914, pero la “AMA se negó sobre la base de los gastos”. 2(p91) El Dr. Stevens concluyó que “la relativa pobreza del Colegio en 1914… sugería a la AMA que no había una gran competencia para sus propias actividades en la estandarización hospitalaria. Pero como resultado, la AMA perdió la iniciativa en el movimiento de estandarización hospitalaria. El Colegio Americano de Cirujanos se convirtió en la fuerza dominante detrás de la reforma hospitalaria”. 2 (p119) En 1917, la dirección de la AMA reconoció que habían cometido un grave error táctico y que habían sido superados por la ACS, que había contratado al ex secretario de la Fundación Carnegie para que fuera su director. En 1918, el poderoso Consejo de Educación Médica de la AMA anunció que ampliaría su mandato para incluir la estandarización hospitalaria y en junio de 1920 pasó a llamarse Consejo de Educación Médica y Hospitales, pero la AMA ya había perdido la batalla por el control del lugar de trabajo de los médicos. Después de eso, como señaló el Dr. Stevens, «en muchas áreas… la Facultad se había convertido en una fuerte fuerza competitiva potencial». 2(p125) A partir de entonces, la relación entre estas dos poderosas organizaciones se volvió cada vez más tensa.

Where Medical Statistics Meets Artificial Intelligence

Authors: David J. Hunter, M.B., B.S., and Christopher Holmes, Ph.D.

N Engl J Med 2023;389:1211-1219

La estadística surgió como disciplina independiente a principios del siglo XX. Durante este tiempo, se desarrollaron conceptos fundamentales, incluido el uso de la aleatorización en ensayos clínicos, la prueba de hipótesis, la inferencia basada en la probabilidad, los valores P y el análisis bayesiano y la teoría de la decisión. 1,2 La estadística se convirtió rápidamente en un elemento esencial de las ciencias aplicadas, tanto que en 2000, los editores de la revista citaron “Aplicación de la estadística a la medicina” como uno de los 11 avances más importantes en la ciencia médica durante los últimos 1000 años. 3 La estadística se ocupa del razonamiento con información incompleta y de la interpretación y comunicación rigurosas de los hallazgos científicos a partir de los datos. La estadística incluye la determinación del diseño óptimo de experimentos y la cuantificación precisa de la incertidumbre con respecto a las conclusiones y las declaraciones inferenciales del análisis de datos, expresadas a través del lenguaje de la probabilidad.

En el siglo XXI, la inteligencia artificial (IA) ha surgido como un enfoque valioso en la ciencia de datos y una influencia creciente en la investigación médica, 4-6 con un ritmo acelerado de innovación. Este desarrollo está impulsado, en parte, por la enorme expansión de la potencia informática y la disponibilidad de datos. Sin embargo, las mismas características que hacen de la IA una herramienta adicional tan valiosa para el análisis de datos son las mismas que la hacen vulnerable desde una perspectiva estadística. Esta paradoja es particularmente pertinente para la ciencia médica. Las técnicas que son adecuadas para la publicidad dirigida a votantes y consumidores o que mejoran la predicción del clima pueden no satisfacer las rigurosas demandas de la predicción o el diagnóstico de riesgos en medicina. 7,8 En este artículo de revisión, analizamos los desafíos estadísticos en la aplicación de la IA al análisis de datos biomédicos y el delicado equilibrio que enfrentan los investigadores al desear aprender lo más posible de los datos y al mismo tiempo garantizar que las conclusiones basadas en datos sean precisas, sólidas y reproducibles. Comenzamos destacando una característica distintiva de la IA que la convierte en un enfoque tan poderoso y, al mismo tiempo, la hace vulnerable desde el punto de vista estadístico. Luego exploramos tres desafíos particulares en la interfaz entre la estadística y la IA que son de particular relevancia para los estudios médicos: inferencia poblacional versus predicción, generalización e interpretación de la evidencia, y estabilidad y garantías estadísticas. Nos centramos en cuestiones de análisis de datos e interpretación de los hallazgos. Las limitaciones de espacio impiden una discusión del área importante de la IA y el diseño experimental o una inmersión profunda en el área emergente de la IA generativa y los chatbots médicos; sin embargo, comentamos brevemente sobre esta área emergente.

Aprendizaje de la representación de características

El modelado estadístico tradicional utiliza una cuidadosa selección práctica de mediciones y características de datos para incluir en un análisis (por ejemplo, qué covariables incluir en un modelo de regresión), así como cualquier transformación o estandarización de mediciones. Las técnicas de reducción de datos semiautomatizadas, como los bosques aleatorios y la regresión por pasos con selección hacia adelante o hacia atrás, han ayudado a los estadísticos en esta selección práctica durante décadas. Los supuestos y las características del modelado suelen ser explícitos, y la dimensionalidad del modelo, cuantificada por el número de parámetros, suele conocerse. Aunque este enfoque utiliza el juicio de expertos para proporcionar un análisis manual de alta calidad, tiene dos posibles deficiencias. En primer lugar, no se puede escalar a conjuntos de datos muy grandes (por ejemplo, millones de imágenes). En segundo lugar, se supone que el estadístico conoce o puede buscar el conjunto de características o mediciones más apropiado para incluir en el análisis ( 

Figura 1A ).Figura 1

Características de los modelos estadísticos y de inteligencia artificial (IA).

Se podría decir que el aspecto más impresionante y distintivo de la IA es su capacidad automatizada para buscar y extraer características arbitrarias, complejas y orientadas a tareas de los datos, lo que se denomina aprendizaje de representación de características. 9-11 Las características se diseñan algorítmicamente a partir de los datos durante una fase de entrenamiento para descubrir transformaciones de datos que sean correctas para la tarea de aprendizaje. La optimalidad se mide por medio de una «función objetivo» que cuantifica qué tan bien el modelo de IA está realizando la tarea en cuestión. Los algoritmos de IA eliminan en gran medida la necesidad de que los analistas especifiquen previamente las características para la predicción o seleccionen manualmente las transformaciones de las variables. Estos atributos son particularmente beneficiosos en dominios de datos grandes y complejos, como el análisis de imágenes, la genómica o el modelado de registros médicos electrónicos. Los modelos de IA pueden buscar entre potencialmente miles de millones de transformaciones de covariables no lineales para reducir una gran cantidad de variables a un conjunto más pequeño de características adaptadas a la tarea. Además, de manera un tanto paradójica, aumentar la complejidad del modelo de IA a través de parámetros adicionales, lo que ocurre en el aprendizaje profundo, solo ayuda al modelo de IA en su búsqueda de conjuntos de características internas más ricos, siempre que los métodos de entrenamiento estén adecuadamente adaptados. 12,13El resultado es que los modelos de IA entrenados pueden diseñar características adaptativas a los datos que están más allá del alcance de las características que los humanos pueden diseñar, lo que lleva a un desempeño impresionante en la tarea. El problema es que tales características pueden ser difíciles de interpretar, son frágiles ante los cambios en los datos y carecen de sentido común en el uso de conocimientos previos y controles cualitativos que los estadísticos aplican para decidir qué conjunto de características utilizar en un modelo. Los modelos de IA a menudo no pueden trazar la línea de evidencia desde los datos hasta las características, lo que dificulta la auditabilidad y la verificación. Por lo tanto, se necesitan mayores controles y contrapesos para garantizar la validez y generalización de los hallazgos científicos habilitados por IA ( Figura 1B ). 14,15La comprobación de los hallazgos respaldados por IA es particularmente importante en el campo emergente de la IA generativa a través del aprendizaje autosupervisado, como los grandes modelos de lenguaje y los chatbots de ciencias médicas que pueden usarse, entre muchas aplicaciones, para la toma de notas médicas en registros médicos electrónicos. 16 El aprendizaje autosupervisado por estos modelos básicos implica grandes cantidades de datos de entrenamiento no documentados y el uso de funciones objetivas amplias para entrenar los modelos con billones de parámetros (al momento de escribir este artículo). Esto contrasta con el aprendizaje «supervisado» con modelos de predicción de IA, como los clasificadores de aprendizaje profundo, en los que los datos de entrenamiento se conocen y se etiquetan de acuerdo con el resultado clínico, y el objetivo del entrenamiento es claro y está dirigido a la tarea de predicción particular en cuestión. Dada la opacidad de los modelos básicos de IA generativa, se necesita precaución adicional para su uso en aplicaciones de salud.

Predicción versus inferencia poblacional

La IA es especialmente adecuada para tareas de predicción a gran escala, y está diseñada en gran medida para ellas. 17 Esto es cierto, en parte, porque en estas tareas el objetivo de entrenamiento del modelo es claro y la métrica de evaluación en términos de precisión predictiva suele estar bien caracterizada. Los modelos y algoritmos adaptativos pueden aprovechar grandes cantidades de datos anotados para descubrir patrones en covariables que se asocian con resultados de interés. Un buen ejemplo es predecir el riesgo de enfermedad. 18 Sin embargo, el objetivo final de la mayoría de los estudios médicos no es predecir explícitamente el riesgo, sino más bien comprender algún mecanismo biológico o causa de enfermedad en la población en general o ayudar en el desarrollo de nuevas terapias. 19,20Existe una brecha de evidencia entre un buen modelo predictivo que opera a nivel individual y la capacidad de hacer afirmaciones inferenciales sobre la población. 21 La estadística se ocupa principalmente de tareas de inferencia poblacional y de la generalización de la evidencia obtenida de un estudio para una comprensión de una hipótesis científica en la población más amplia. La predicción es una tarea importante pero más simple, mientras que la inferencia científica a menudo tiene una mayor influencia en la comprensión mecanicista. Como observó Hipócrates, “es más importante saber qué tipo de persona tiene una enfermedad que saber qué tipo de enfermedad tiene una persona”. Un ejemplo es la reciente pandemia de la enfermedad por coronavirus 2019 (COVID-19). Se han descrito diversas herramientas de predicción para determinar si una persona tiene una infección por el síndrome respiratorio agudo severo por coronavirus 22, pero pasar de la predicción individual a la inferencia sobre la prevalencia de la población y la comprensión de los subgrupos en riesgo en la población es mucho más complicado. 23Un desafío adicional en el uso de herramientas predictivas es que hay muchas maneras de medir e informar la precisión predictiva, por ejemplo, con el uso de medidas como el área bajo la curva característica operativa del receptor, precisión y recuperación, error cuadrático medio, valor predictivo positivo, tasa de clasificación errónea, índice de reclasificación neta y puntuación de probabilidad logarítmica. Elegir una medida que sea apropiada para el contexto es de vital importancia, ya que la precisión en una de estas medidas puede no traducirse en precisión en otra y puede no estar relacionada con una medida clínicamente significativa de rendimiento o seguridad. 24,25 En contraste, los objetivos inferenciales y los estimandos para las estadísticas de población tienden a ser menos ambiguos, y la incertidumbre se caracteriza más claramente mediante el uso de valores P, intervalos de confianza e intervalos creíbles. Dicho esto, los modelos de predicción de IA robustos y precisos indican la existencia de señales repetibles y asociaciones estables en los datos que justifican una mayor investigación. 26 Los procedimientos bayesianos tienen un vínculo inherente entre la predicción y la inferencia a través del uso de modelos probabilísticos conjuntos. 27-29Un área interesante donde los métodos de predicción de IA y la inferencia estadística se encuentran es el aprendizaje automático causal que presta especial atención a las cantidades inferenciales. -32 La adopción de modelos causales estructurales o marcos de resultados potenciales, con herramientas como gráficos acíclicos dirigidos, utiliza el conocimiento del dominio para reducir la probabilidad de que un modelo de IA cometa errores impulsados ​​por los datos, como especificar mal la relación temporal entre la exposición y el resultado, condicionar una variable que es causada tanto por la exposición como por la enfermedad (un «colisionador»), o resaltar una asociación espuria, por ejemplo, un efecto de lote en un estudio de biomarcadores. 33 Los métodos de inferencia causal también se pueden aplicar a la IA para la interpretación de imágenes radiológicas o patológicas 34 y para la toma de decisiones clínicas y el diagnóstico, 35 y pueden facilitar el manejo de factores de confusión de alta dimensión. 36 Aunque los métodos de IA pueden automatizar y ayudar a aplicar métodos de inferencia causal a datos biomédicos, es probable que el juicio humano sea necesario en el futuro previsible, aunque solo sea porque diferentes algoritmos de IA pueden presentarnos diferentes conclusiones. Además, para evitar posibles sesgos que surgen de la verificación, la mediación y la confusión, el análisis causal a partir de datos observacionales requiere suposiciones que están fuera de lo que se puede aprender de los datos.

Generalización e interpretación

Un desafío en la interpretación de los resultados de la IA es que los algoritmos para la representación de características internas están diseñados para adaptar automáticamente su complejidad a la tarea en cuestión, con una flexibilidad casi infinita en algunos enfoques. Esta flexibilidad es una gran fortaleza, pero también requiere cuidado para evitar el sobreajuste a los datos. El uso de la regularización y la optimización estocástica controlada de los parámetros del modelo durante el entrenamiento puede ayudar a prevenir el sobreajuste, pero también significa que los algoritmos de IA tienen nociones mal definidas de grados estadísticos de libertad y el número de parámetros libres. Por lo tanto, no se pueden utilizar garantías estadísticas tradicionales contra el exceso de optimismo, y se deben sustituir técnicas como la validación cruzada y las muestras retenidas para imitar el verdadero rendimiento fuera de la muestra, con la desventaja de que se reduce la cantidad de datos disponibles para el descubrimiento. Con estos factores tomados en conjunto, el riesgo es la sobreinterpretación de la generalización y reproducibilidad de los resultados. Las prácticas a las que los científicos médicos deberían prestar mucha atención al planificar estudios basados ​​en IA incluyen la publicación de todo el código y la presentación de declaraciones claras sobre el ajuste del modelo y los datos reservados utilizados para informar sobre la precisión, a fin de facilitar la evaluación externa de la reproducibilidad de los hallazgos. 15 Un informe reciente de McKinney et al. sobre el uso de IA para predecir el cáncer de mama basándose en mamografías 37 motivó un llamado de Haibe-Kains et al. a una mayor transparencia: “En su estudio, McKinney et al. demostraron el alto potencial de la IA para la detección del cáncer de mama. Sin embargo, la falta de detalles de los métodos y el código del algoritmo socava su valor científico”. 38 El uso de métodos tradicionales de predicción estadística junto con métodos de IA interpretables puede contribuir a una comprensión de la señal de predicción y puede mitigar las asociaciones sin sentido. La presentación clara de los resultados y la disponibilidad del código aumentan el potencial de replicación y refinamiento externos por parte de otros grupos, pero pueden verse limitados por una tendencia a buscar derechos de propiedad intelectual para productos de IA comerciales.Los métodos de IA pueden ser útiles para reducir un conjunto de datos con una gran cantidad de características, como conjuntos de datos «ómicos» (por ejemplo, datos metabolómicos, proteómicos o genómicos), a una cantidad menor de características que luego se pueden probar con el uso de métodos estadísticos convencionales. Los métodos populares de IA, como los bosques aleatorios, XGBoost y los árboles de regresión aditiva bayesianos 

39-41 , brindan una clasificación de «relevancia de características» de las covariables, y los métodos estadísticos, como el operador de selección y contracción mínima absoluta 

42, utilizan la selección explícita de variables como parte del ajuste del modelo. Aunque muchos procedimientos de IA pueden no distinguir de manera efectiva entre variables altamente correlacionadas, las técnicas de regresión estándar con una cantidad menor de características seleccionadas por IA pueden hacerlo. La reducción de características también ayuda al analista humano a examinar los datos y aplicar restricciones adicionales en un análisis que se basan en el conocimiento previo del sujeto. Por ejemplo, la característica A a menudo se confunde con la característica X, o un período de latencia de varios años entre la exposición a la característica A y el resultado de la enfermedad significa que no se espera ninguna relación en el seguimiento temprano. Algunas similitudes y diferencias entre la IA y las estadísticas convencionales se resumen en 

la Tabla 1 .Tabla 1

Similitudes y diferencias entre la Inteligencia Artificial y la Estadística Convencional.

Los enfoques de IA desafían algunas tendencias recientes en el análisis estadístico convencional de estudios clínicos y epidemiológicos. Los ensayos aleatorizados de fármacos en investigación se han sometido a un alto nivel de rigor, y las preocupaciones sobre la sobreinterpretación de los resultados de los análisis de subgrupos y de puntos finales secundarios han llevado a un enfoque aún más fuerte en la descripción preespecificada de las hipótesis primarias y el control de la tasa de error por familia para limitar los resultados falsos positivos. Los protocolos ahora suelen especificar los estimandos precisos y los métodos de análisis que se utilizarán para obtener valores P para la inferencia y pueden incluir las covariables que se controlarán y las tablas ficticias que se completarán una vez que se completen los datos. Los análisis en estudios observacionales suelen estar preespecificados de manera menos rigurosa, aunque cada vez se espera más que se establezca un plan de análisis estadístico antes del inicio del análisis de datos como material complementario en los informes publicados. 43En cambio, los métodos de IA suelen buscar patrones en los datos que no están preespecificados, lo que constituye una de las fortalezas de dichos métodos (como se ha comentado anteriormente), y por lo tanto aumenta el potencial de resultados falsos positivos a menos que se incorporen procedimientos rigurosos para evaluar la reproducibilidad de los hallazgos. Se han establecido nuevas directrices y recomendaciones de presentación de informes para la IA en la ciencia médica con el fin de garantizar una mayor confianza y generalización de las conclusiones. 44-48 Además, los algoritmos de IA altamente adaptativos heredan todos los sesgos y la falta de representatividad que podrían estar presentes en los datos de entrenamiento, y al utilizar herramientas de predicción de IA de caja negra, puede resultar difícil juzgar si las señales predictivas surgen como resultado de la confusión de sesgos ocultos en los datos. 49-52 Los métodos del campo de la IA explicable (XAI) pueden ayudar a contrarrestar el aprendizaje de la representación de características opacas, 53 pero para las aplicaciones en las que la seguridad es una cuestión crítica, la naturaleza de caja negra de los modelos de IA justifica una consideración y una justificación cuidadosas. 54Obermeyer y sus colegas 55 describen un algoritmo basado en inteligencia artificial que se aplicó a una población de 200 millones de personas en los Estados Unidos cada año para identificar a los pacientes que tenían el mayor riesgo de incurrir en costos sustanciales de atención médica y derivarlos a «programas de gestión de atención de alto riesgo». Su análisis sugirió que el algoritmo discriminaba involuntariamente a los pacientes negros. La razón parece ser que, en todos los niveles de gasto en atención médica y edad, los pacientes negros tienen más afecciones coexistentes que los pacientes blancos, pero pueden acceder a la atención médica con menor frecuencia. Por lo tanto, el algoritmo con una función objetivo que se propuso predecir la utilización de la atención médica sobre la base de los costos anteriores no reconoció las disparidades relacionadas con la raza en las necesidades de atención médica. En el futuro, los algoritmos de IA pueden ser lo suficientemente sofisticados como para evitar este tipo de discriminación, pero este ejemplo ilustra tanto la necesidad de que los expertos humanos en la práctica clínica y la política de atención médica exploren las consecuencias de las aplicaciones de la IA en estos dominios como la necesidad de especificar cuidadosamente las funciones objetivas para el entrenamiento y la evaluación.

Estabilidad y garantías estadísticas

La ciencia médica es un proceso iterativo de observación y refinamiento de hipótesis con ciclos de experimentación, análisis y conjeturas que conducen a nuevos experimentos y, en última instancia, a un nivel de evidencia que refuta las teorías existentes y respalda nuevas terapias, recomendaciones de estilo de vida o ambas. Se utilizan métodos analíticos, incluidos algoritmos estadísticos y de inteligencia artificial tradicionales, para mejorar la eficiencia de este ciclo científico. El contexto y las consecuencias de las decisiones tomadas sobre la base de la evidencia presentada en estudios médicos conllevan importantes implicaciones para la salud de los pacientes.En gran medida, la preocupación por evitar resultados positivos falsos en las estadísticas médicas convencionales se centra en las posibles consecuencias clínicas de dichos resultados. Por ejemplo, los pacientes pueden verse perjudicados por la autorización de un fármaco que no aporta ningún beneficio y puede tener efectos adversos. En los análisis genéticos, concluir erróneamente que un segmento cromosómico o una variante genética está asociado a una enfermedad puede hacer que se desperdicie mucho esfuerzo en el intento de comprender la asociación causal. Por este motivo, el campo ha insistido en puntuaciones LOD (logaritmo de las probabilidades) altas para el ligamiento y valores P muy pequeños para una asociación en estudios de todo el genoma como prueba de que es probable a priori que la asociación represente un resultado positivo verdadero. Por el contrario, si se analizan los datos para decidir si se debe mostrar un anuncio en particular en un navegador, incluso una pequeña mejora en la asignación aleatoria es una mejora, y un error impone una sanción económica sólo al anunciante.Esta diferencia entre el análisis estadístico en medicina y el análisis de IA tiene consecuencias para el potencial de la IA para afectar la ciencia médica, ya que la mayoría de los métodos de IA están diseñados fuera de la medicina y han evolucionado para mejorar el rendimiento en dominios no médicos (por ejemplo, la clasificación de imágenes de números de casas para software de mapeo 56 ). En la ciencia médica, las apuestas son más altas, ya sea porque las conclusiones pueden usarse en la clínica o, como mínimo, los resultados falsos positivos agotarán los recursos científicos y distraerán a los científicos. La confianza en la solidez y estabilidad de los análisis y los informes es vital para que la comunidad de la ciencia médica proceda de manera eficiente y segura. La estabilidad se refiere a la variabilidad de extremo a extremo en el análisis, por parte de personas expertas en el arte del análisis, desde la concepción del proyecto hasta el informe o la implementación del usuario final. Los estudios habilitados por IA están aumentando en complejidad con la integración de múltiples técnicas de datos y la fusión de datos. Por lo tanto, la evaluación de la estabilidad de extremo a extremo del análisis que incluye la ingeniería de datos, así como la elección del modelo, se vuelve vital. 57,58Los métodos que brindan garantías estadísticas para los hallazgos de la IA, como el análisis de subgrupos en ensayos aleatorios 59 o estudios observacionales, 60 pueden resultar útiles. En el área emergente de operaciones de aprendizaje automático, que combina aprendizaje automático, desarrollo de software y operaciones de tecnología de la información, se presta especial atención a la importancia de la ingeniería de datos en el ciclo de desarrollo de la IA 61 y al problema de “basura que entra, basura que sale”, que puede afectar al aprendizaje automático automatizado en ausencia de una intervención humana cuidadosa. Existen muchos ejemplos de análisis de datos en la ciencia médica en los que realizamos un análisis “agnóstico” porque no existe una hipótesis específica o, si existe, es global (por ejemplo, algunas variantes genéticas entre el gran número de sujetos que se están probando están asociadas con la enfermedad de interés). Esto obviamente conduce a un problema de multiplicidad sustancial. La multiplicidad se puede controlar mediante el uso de enfoques estándar como la corrección de Bonferroni o utilizando explícitamente una especificación previa bayesiana sobre hipótesis, pero se están desarrollando nuevos enfoques de IA para procedimientos gráficos para controlar la multiplicidad. 62 Otro enfoque estándar es validar los hallazgos en un conjunto de datos independiente sobre la base de si las predicciones de IA se reproducen. Cuando dicha validación independiente no es posible, debemos recurrir a imitar este enfoque mediante el uso de particiones dentro de la muestra. Dividir los datos en dos conjuntos, uno para el descubrimiento y otro para la validación, puede proporcionar garantías estadísticas sobre los hallazgos del descubrimiento. 63 De manera más general, las divisiones múltiples con el uso de la validación cruzada pueden estimar el riesgo predictivo futuro, 64 aunque la incertidumbre estadística en la estimación del riesgo predictivo es más difícil de evaluar. Las técnicas emergentes en inferencia conforme parecen prometedoras para cuantificar la incertidumbre en entornos de predicción. 65

El sentido estadístico y el arte de la estadística

Gran parte del arte de la estadística aplicada y de las habilidades de un estadístico o epidemiólogo capacitado implican factores que se encuentran fuera de los datos y, por lo tanto, no pueden ser capturados por algoritmos de IA basados ​​en datos únicamente. Estos factores incluyen un diseño cuidadoso de los experimentos, una comprensión de la pregunta de investigación y los objetivos del estudio, y la adaptación de los modelos a la pregunta de investigación en el contexto de una base de conocimiento existente, teniendo en cuenta el sesgo de verificación y selección y una sospecha sana de resultados que parecen demasiado buenos para ser ciertos, seguida de una verificación cuidadosa del modelo. Aplicar estas habilidades a los estudios habilitados por IA a través del desarrollo de «humanos en el circuito» (en el que la IA apoya y asiste al juicio humano experto) mejorará el efecto y la adopción de los métodos de IA y resaltará las brechas metodológicas y teóricas que deben abordarse en beneficio de la ciencia médica. La IA tiene mucho que aportar a la ciencia médica. Los estadísticos deberían adoptar la IA y, en respuesta, el campo de la IA se beneficiará de un mayor pensamiento estadístico.

La revolución de la inteligencia artificial en medicina: Impacto y proyecciones futuras

A medida que las computadoras y el concepto de inteligencia artificial (IA) se desarrollaron casi simultáneamente en las décadas de 1940 y 1950, el campo de la medicina se apresuró a ver su potencial relevancia y beneficio. 1,2 En 1959, Keeve Brodman y colegas afirmaron que «la realización de interpretaciones diagnósticas correctas de los síntomas puede ser un proceso en todos los aspectos lógico y tan completamente definido que puede ser llevado a cabo por una máquina». 3 Once años después, William B. Schwartz escribió en el Journal : «La ciencia de la computación probablemente ejercerá sus principales efectos al aumentar y, en algunos casos, reemplazar en gran medida las funciones intelectuales del médico». 4 Predijo que para el año 2000, las computadoras tendrían un papel completamente nuevo en la medicina, actuando como una poderosa extensión del intelecto del médico.

Sin embargo, a finales de los años setenta, hubo decepción porque los dos principales enfoques de la informática en medicina (sistemas basados ​​en reglas y sistemas de reconocimiento de patrones o de correspondencia) no habían tenido tanto éxito en la práctica como se esperaba.

Los sistemas basados ​​en reglas se basaban en la hipótesis de que el conocimiento experto consta de muchas reglas independientes y específicas de la situación y que las computadoras pueden simular el razonamiento experto uniendo estas reglas en cadenas de deducción.

Las estrategias de correspondencia intentaban hacer coincidir las características clínicas de un paciente con un banco de “perfiles almacenados”, a los que ahora nos referimos como “guiones de enfermedad”, 5 de los hallazgos en una enfermedad determinada. Se puso más empeño en comprender el proceso de toma de decisiones clínicas en sí. 6 Se hizo evidente que las deficiencias clave en la mayoría de los programas anteriores se derivaban de su falta de conocimiento patofisiológico. Cuando se incorporó ese conocimiento, el rendimiento mejoró mucho. Sin embargo, en la década de 1980, las computadoras no estaban a la altura de la tarea. En 1987, los sistemas basados ​​en reglas habían demostrado ser útiles en una variedad de tareas comerciales, pero no habían funcionado en la medicina clínica. De hecho, Schwartz y sus colegas observaron que “el proceso es tan lento que resulta impráctico incluso con las computadoras modernas de alta velocidad”. 7 Continuaron: “Después de escuchar durante varias décadas que las computadoras pronto podrán ayudar con diagnósticos difíciles, el médico en ejercicio puede preguntarse por qué no se ha producido la revolución”. 7

Progreso en la ciencia de datos

En la década de 1950, los ordenadores eran grandes y lentos. El primer disco duro fue el IBM Model 350 Disk File, presentado en 1956. Tenía una capacidad total de almacenamiento de 5 millones de caracteres (poco menos de 5 MB). El primer disco duro con más de 1 GB de capacidad fue el IBM 3380, presentado en 1980. Tenía el tamaño de un frigorífico y pesaba 250 kg (550 lb); el precio era de 100.000 dólares. Pero la tecnología de circuitos integrados estaba mejorando. En 1965, Gordon Moore, cofundador de Fairchild Semiconductor e Intel, predijo que la cantidad de transistores en un circuito integrado y, por tanto, su potencial de potencia de cálculo, se duplicaría cada dos años. Su predicción fue correcta; este cambio en la densidad de semiconductores se conoce como la ley de Moore. Sin embargo, la ley de Moore nos dice más que el número de transistores por centímetro cuadrado, ya que otros aspectos del progreso tecnológico, como la velocidad de procesamiento y el precio de los productos electrónicos, están fuertemente vinculados a ella. Con circuitos más densos, la memoria de las computadoras y las velocidades de procesamiento aumentaron, y hoy en día, dispositivos de bolsillo que son más potentes que las supercomputadoras de los años 1980, que ocupaban habitaciones enteras, son comunes y están disponibles a una fracción del precio ( Figura 1 ).

Figura 1

Mejoras a lo largo de 50 años en la capacidad de las computadoras para almacenar y procesar datos.

El progreso en la ciencia de datos no es simplemente una cuestión de mayor rendimiento, velocidad y almacenamiento. Además del tipo de información que se encuentra en las bibliotecas, los datos generados en las organizaciones y los sistemas establecidos diseñados para recopilar y codificar datos, las nuevas formas de tecnología pueden utilizar datos generados tanto por personas como por máquinas. Estos datos suelen ser caóticos y no estructurados. Los datos ahora provienen de muchas otras fuentes, incluidas las redes sociales, los blogs, las salas de chat, los sitios de revisión de productos, las comunidades, las páginas web, el correo electrónico, los documentos, las imágenes, los videos y la música, junto con los sensores ambientales y portátiles. Muchas personas abren aspectos de sus registros médicos y datos genéticos personales para que cualquier persona pueda acceder a ellos en línea. La capacidad de almacenamiento es tan grande que se pueden almacenar y acceder fácilmente a grandes porciones del corpus de conocimiento y actividad humana registrados.Una vez que tuvimos los datos, necesitábamos algo más que datos; necesitábamos formas de identificarlos y procesarlos. Google se convirtió en el líder de las búsquedas en línea al aprovechar las búsquedas realizadas por otros para identificar lo que la gente quería saber. Esto requirió una segunda revolución: algoritmos matemáticos que pudieran rastrear rápidamente y con una fiabilidad razonable este comportamiento y ayudar al usuario final a encontrar información específica. Un almacenamiento de información más denso y una computación más rápida permitieron soluciones prácticas y en tiempo real de expresiones matemáticas que podían usarse para encontrar relaciones en los datos que antes eran incognoscibles. Como resultado, la ciencia de datos pudo florecer y ejercitar su poder de una manera que antes era imposible.Ahora podemos utilizar datos no estructurados para identificar relaciones no explicadas entre elementos de los datos, lo que permite el uso de datos dinámicos y datos con múltiples contextos que, cuando se abordan y analizan de formas no tradicionales, brindan información útil sobre el comportamiento humano. Las redes neuronales se volvieron más sofisticadas a medida que la potencia informática permitió obtener resultados funcionales en tiempo real para las consultas de datos. Los transformadores (es decir, modelos de aprendizaje profundo que ponderan de manera diferencial la importancia de cada parte de los datos de entrada) hicieron posible el procesamiento del lenguaje natural. Con este enfoque, las complejidades de los modelos informáticos subyacentes y el corpus de datos del que esos modelos podían extraer información crecieron y se volvieron más poderosos. El objetivo de una computadora que pudiera emular ciertos aspectos de la interacción humana pasó de ser un sueño imposible a una realidad.La conectividad que permite la ciencia de datos está impulsando un nuevo tipo de descubrimiento. Las personas están utilizando las redes sociales para crear sus propias conexiones entre amigos, cosas, eventos, gustos, disgustos, lugares, ideas y emociones. Los gobiernos están analizando las redes sociales para detener los actos terroristas. Las empresas están extrayendo información social y transaccional en busca de conexiones que les ayuden a descubrir nuevas oportunidades. Los científicos están construyendo redes masivas de datos conectados para extraer nuevos hallazgos, utilizando la inteligencia artificial y el aprendizaje automático. Como se explica con más detalle a continuación, estos avances han permitido el surgimiento de computadoras que pueden ayudarnos a realizar tareas que antes eran tediosas. El personaje de Star Wars C-3PO era una versión rudimentaria de los asistentes virtuales basados ​​en inteligencia artificial (por ejemplo, Siri de Apple, el Asistente de Google y Alexa de Amazon) que se han convertido en parte de nuestra vida diaria y pueden ayudarnos a realizar tareas definidas. Cualquiera que haya utilizado uno de estos dispositivos ha experimentado su comodidad (por ejemplo, indicarle al asistente virtual que “programe el temporizador del horno durante 20 minutos” para que la comida se cocine correctamente), pero también la molestia de que el asistente interrumpa una conversación con algunos datos no relacionados. La inteligencia artificial y el aprendizaje automático constituyen la fuerza impulsora detrás de estos dispositivos.

Inteligencia artificial y aprendizaje automático en medicina

En los años 1990 y principios de los años 2000, incluso con ordenadores lentos y memoria limitada, se estaba resolviendo el problema de que las máquinas pudieran realizar con éxito ciertas tareas médicas que eran repetitivas y, por lo tanto, propensas a errores humanos. Mediante una inversión sustancial de dinero y esfuerzo intelectual, la lectura por ordenador de electrocardiogramas (ECG) y recuentos diferenciales de glóbulos blancos, el análisis de fotografías de retina y lesiones cutáneas y otras tareas de procesamiento de imágenes se han convertido en una realidad. Muchas de estas tareas asistidas por aprendizaje automático han sido ampliamente aceptadas e incorporadas a la práctica diaria de la medicina. El desempeño de estas tareas de las máquinas no es perfecto y a menudo requiere una persona capacitada para supervisar el proceso, pero en muchos casos es lo suficientemente bueno, dada la necesidad de una interpretación relativamente rápida de las imágenes y la falta de experiencia local.Sin embargo, el uso de la IA y el aprendizaje automático en medicina se ha expandido más allá de la lectura de imágenes médicas. Los programas de IA y aprendizaje automático han entrado en la medicina de muchas maneras, incluyendo, pero no limitado a, ayudar a identificar brotes de enfermedades infecciosas que pueden tener un impacto en la salud pública; combinar resultados clínicos, genéticos y de muchos otros laboratorios para identificar enfermedades raras y comunes que de otro modo podrían haber escapado a la detección; y ayudar en las operaciones comerciales de los hospitales ( Figura 2 ). En los próximos meses, la Revista publicará otros artículos de revisión que analizan selectivamente la IA y el aprendizaje automático en medicina en 2023. Pero antes de que aparezca el primer artículo, en aproximadamente un mes, es importante considerar las cuestiones primordiales que deben considerarse a medida que aprendemos a trabajar de la mano con las máquinas.Figura 2

Espectro de la Inteligencia Artificial (IA) en Medicina.

Cuestiones pendientes de la IA y el aprendizaje automático en medicina

Establecimiento de normas

Como se señaló anteriormente, el uso de la IA y el aprendizaje automático ya se ha convertido en una práctica médica aceptada en la interpretación de algunos tipos de imágenes médicas, como electrocardiogramas, radiografías simples, tomografías computarizadas (TC) y resonancias magnéticas (RM), imágenes de la piel y fotografías de retina. Para estas aplicaciones, se ha demostrado que la IA y el aprendizaje automático ayudan al proveedor de atención médica al señalar aspectos de las imágenes que se desvían de la norma.Esto nos lleva a una pregunta clave: ¿cuál es la norma? Esta simple pregunta muestra una de las debilidades del uso de la IA y el aprendizaje automático en la medicina tal como se aplica en gran medida hoy en día. ¿Cómo influye el sesgo en la forma en que se “enseñaron” los algoritmos de IA y aprendizaje automático en su funcionamiento cuando se aplican en el mundo real? ¿Cómo podemos incorporar valores humanos a los algoritmos de IA y aprendizaje automático para que los resultados obtenidos reflejen los problemas reales a los que se enfrentan los profesionales de la salud? ¿Qué cuestiones deben abordar los reguladores para garantizar que las aplicaciones de IA y aprendizaje automático funcionen como se anuncia en entornos de uso múltiple? ¿Cómo se deben modificar los enfoques clásicos de inferencia estadística, si es que se deben modificar, para las intervenciones que dependen de la IA y el aprendizaje automático? Estos son solo algunos de los problemas que enfrentamos; la serie “IA en medicina” abordará algunos de estos asuntos.

El papel de la IA y el aprendizaje automático en la práctica clínica

Dejando a un lado los inconvenientes, hay mucho que prometer. Si los algoritmos de inteligencia artificial y aprendizaje automático se pueden reducir a “aplicaciones” clínicamente útiles, ¿serán capaces de abrirse camino a través de montañas de datos clínicos, genómicos, metabolómicos y ambientales para ayudar a un diagnóstico de precisión? ¿Pueden las aplicaciones impulsadas por la inteligencia artificial y el aprendizaje automático convertirse en su escriba personal y liberar el tiempo que dedica a la documentación para que pueda pasar más tiempo con los pacientes? ¿Pueden las aplicaciones incitarlo a hacer una pregunta clave que podría ayudar en el diagnóstico diferencial? ¿Pueden burlar a los algoritmos de inteligencia artificial y aprendizaje automático, utilizados por las compañías de seguros, que le dificultan solicitar una tomografía computarizada por emisión de positrones o cobrar el reembolso por el tiempo que pasó con un paciente y su familia? En cada área se han logrado avances. ¿Es lo suficientemente bueno?

Investigación clínica sobre aplicaciones de inteligencia artificial y aprendizaje automático

La evaluación de los avances tiene sus propios problemas. En la investigación clínica tradicional, cuando el progreso toma la forma de un nuevo medicamento para una enfermedad definible, los estándares para probar y aceptar el medicamento como un avance están bien establecidos. Cuando la intervención es un algoritmo de inteligencia artificial y aprendizaje automático en lugar de un medicamento, la comunidad médica espera el mismo nivel de seguridad, pero los estándares para describir y probar las intervenciones de inteligencia artificial y aprendizaje automático están lejos de ser claros. ¿Cuáles son los estándares que debe cumplir la investigación intervencionista basada en la IA y el aprendizaje automático, si se va a aceptar una aplicación como el estándar que dará forma, reformará y mejorará la práctica clínica? Esa investigación tiene tres componentes. Primero, la investigación debe estar estructurada para responder a una pregunta clínicamente significativa de una manera que pueda influir en el comportamiento del profesional de la salud y conducir a una mejora en los resultados para un paciente. Segundo, la intervención debe ser definible, escalable y aplicable al problema en cuestión. No debe estar influenciada por factores ajenos al dominio del problema y debe producir resultados que se puedan aplicar a problemas clínicos similares en una amplia gama de poblaciones y prevalencias de enfermedades. ¿Puede la atención impulsada por la IA y el aprendizaje automático cumplir con estos estándares (los que exigimos de una nueva intervención terapéutica o prueba de diagnóstico basada en laboratorio) o necesitamos tener un conjunto único de estándares para este tipo de intervención? Tercero, cuando los resultados de la investigación se aplican de tal manera que influyan en la práctica, el resultado debe ser beneficioso para todos los pacientes en consideración, no solo para aquellos que son similares a aquellos con características y hallazgos con los que se entrenó el algoritmo. Esto plantea la cuestión de si dichos algoritmos deberían tener en cuenta la salud pública (es decir, el uso de recursos escasos) cuando se hacen recomendaciones de diagnóstico o tratamiento y en qué medida dichas consideraciones forman parte del proceso de toma de decisiones del algoritmo. Tales consideraciones éticas han involucrado a los profesionales de la salud y al público durante siglos. 8

Uso de aplicaciones de inteligencia artificial y aprendizaje automático en la realización de investigaciones clínicas

La IA y el aprendizaje automático tienen el potencial de mejorar y posiblemente simplificar y acelerar los ensayos clínicos mediante un reclutamiento y emparejamiento más eficiente de los participantes del estudio y análisis más exhaustivos de los datos. Además, es posible crear grupos de control sintéticos haciendo coincidir los datos históricos con los criterios de inscripción del ensayo objetivo. La IA y el aprendizaje automático también se pueden utilizar para predecir y comprender mejor los posibles eventos adversos y las subpoblaciones de pacientes. Parece posible que la IA pueda generar «pacientes sintéticos» para simular resultados diagnósticos o terapéuticos. Pero el uso de aplicaciones e intervenciones de IA y aprendizaje automático introduce un conjunto de incertidumbres que deben abordarse tanto en los protocolos como en la presentación de informes de ensayos clínicos. 9,10En esta serie sobre IA en medicina, tenemos previsto abordar los avances, los obstáculos, las promesas y la promulgación en la interfaz entre la IA y la medicina. Es importante entender que se trata de un campo que avanza rápidamente, por lo que, hasta cierto punto, lo que publiquemos puede tener la resolución de una instantánea del paisaje tomada desde un tren bala. En concreto, las cosas que suceden en las proximidades temporales cercanas a la publicación pueden verse borrosas porque están cambiando rápidamente, pero el fondo distante estará razonablemente bien enfocado. Un área de progreso sustancial en IA y aprendizaje automático (es decir, en primer plano, en nuestra analogía de la instantánea) es la aparición de chatbots sofisticados que están disponibles para su uso por parte del público en general. Aunque los chatbots se han introducido recientemente a un nivel de sofisticación que podría tener un impacto en la práctica médica diaria, creemos que su potencial para influir en la forma en que se practica la medicina es sustancial y que seríamos negligentes si no abordáramos ese potencial, así como los posibles problemas relacionados con su uso.

Chatbots en medicina

En este número de la revista , un artículo de Lee et al. 11 presenta el chatbot GPT-4 y sus aplicaciones médicas. El artículo fue escrito por un equipo de investigadores que trabajan para las entidades que crearon GPT-4, un chatbot con una amplia formación que incluye conocimientos médicos. Antes de ver el futuro, será útil echar un vistazo rápido al pasado. Un chatbot es un programa informático que utiliza IA y procesamiento del lenguaje natural para comprender preguntas y automatizar las respuestas a ellas, simulando una conversación humana. Un chatbot médico muy temprano, ELIZA, fue desarrollado entre 1964 y 1966 por Joseph Weizenbaum en el Laboratorio de Inteligencia Artificial del Instituto Tecnológico de Massachusetts ( Figura 3 ).

Figura 3

Chatbots en medicina.

La tecnología de chatbots está ahora prácticamente en todas partes, desde el servicio de atención al cliente hasta los asistentes virtuales personales, como se ha señalado anteriormente. Con las potentes computadoras disponibles en la actualidad, los modelos de lenguaje tienen cientos de miles de millones de parámetros que se pueden utilizar para generar texto nuevo. Esta capacidad, combinada con una cantidad casi infinita de datos disponibles (de Internet) con los que entrenar la red, significa que los modelos de lenguaje pueden hacer cada vez más, como lo demuestra el Chat Generative Pre-trained Transformer o ChatGPT.ChatGPT es un modelo de lenguaje entrenado por OpenAI. Se presentó públicamente en noviembre de 2022 ( https://openai.com/blog/chatgpt ) y ha demostrado una nueva forma en que las máquinas impulsadas por IA pueden interactuar con las personas. Los chatbots de nueva generación prometen ser un escriba y un entrenador, pero con algunas advertencias clave. Muchas de estas advertencias fueron descritas por los desarrolladores de ChatGPT en su lanzamiento, pero merecen una consideración especial cuando se utilizan en medicina, como detallan Lee et al. 11 En su iteración actual, la nueva generación de chatbots puede ayudar con el problema de la documentación médica y responder preguntas clave que podrían ayudar en el diagnóstico diferencial, como se señaló anteriormente. Pero es difícil saber si las respuestas proporcionadas se basan en hechos apropiados. La responsabilidad de revisar el trabajo del chatbot recaería en los médicos, al igual que los médicos deben revisar las notas clínicas que dictan. La dificultad es que dicha revisión puede estar más allá de la experiencia del usuario. Es probable que la corrección de una nota sobre la visita de un paciente esté dentro del ámbito de experiencia del proveedor, pero si se le hace una pregunta al chatbot como una «consulta en la acera», la veracidad de la respuesta puede ser mucho más difícil de determinar.La aplicación con mayor potencial y mayor preocupación es el uso de chatbots para realizar diagnósticos o recomendar tratamientos. Un usuario sin experiencia clínica podría tener problemas para diferenciar los hechos de la ficción. Ambas cuestiones se abordan en el artículo de Lee y sus colegas, 11 quienes señalan las fortalezas y debilidades del uso de chatbots en medicina. Dado que los autores han creado una de esas entidades, es probable que exista sesgo.Sin embargo, creemos que los chatbots se convertirán en herramientas importantes en la práctica médica. Como cualquier buena herramienta, pueden ayudarnos a hacer mejor nuestro trabajo, pero si no se utilizan adecuadamente, tienen el potencial de causar daños. Dado que las herramientas son nuevas y difíciles de probar con el uso de los métodos tradicionales mencionados anteriormente, la comunidad médica aprenderá a usarlas, pero debemos aprender. No hay duda de que los chatbots también aprenderán de sus usuarios. Por lo tanto, anticipamos un período de adaptación tanto por parte del usuario como de la herramienta.

Conclusiones

Creemos firmemente que la introducción de la IA y el aprendizaje automático en la medicina ha ayudado a los profesionales de la salud a mejorar la calidad de la atención que pueden ofrecer y promete mejorarla aún más en el futuro cercano y en el futuro. Así como la adquisición por computadora de imágenes radiográficas eliminó la sala de archivos de rayos X y las imágenes perdidas, la IA y el aprendizaje automático pueden transformar la medicina. Los profesionales de la salud descubrirán cómo trabajar con la IA y el aprendizaje automático a medida que crezcamos junto con la tecnología. La IA y el aprendizaje automático no dejarán a los profesionales de la salud fuera del negocio; por el contrario, permitirán que los profesionales de la salud hagan mejor su trabajo y dejen tiempo para las interacciones entre humanos que hacen de la medicina la profesión gratificante que todos valoramos.

Medicina de Precisión: Futuro de la Investigación Biomédica

Francis S. Collins 

El Presidente Obama había expresado desde hace tiempo su firme convicción de que la ciencia ofrece un gran potencial para mejorar la salud. Ahora, el Presidente ha anunciado una iniciativa de investigación que tiene como objetivo acelerar el progreso hacia una nueva era de medicina de precisión ( www.whitehouse.gov/precisionmedicine ). Creemos que es el momento adecuado para esta iniciativa visionaria, y los Institutos Nacionales de Salud (NIH) y otros socios trabajarán para hacer realidad esta visión. El concepto de medicina de precisión (estrategias de prevención y tratamiento que tienen en cuenta la variabilidad individual) no es nuevo  por ejemplo, la tipificación sanguínea se ha utilizado para orientar las transfusiones de sangre durante más de un siglo, pero la posibilidad de aplicar este concepto de manera amplia ha mejorado drásticamente gracias al reciente desarrollo de bases de datos biológicas a gran escala (como la secuencia del genoma humano), métodos poderosos para caracterizar a los pacientes (como la proteómica, la metabolómica, la genómica, diversos ensayos celulares e incluso la tecnología de salud móvil) y herramientas computacionales para analizar grandes conjuntos de datos. Lo que se necesita ahora es un amplio programa de investigación para alentar enfoques creativos de la medicina de precisión, probarlos rigurosamente y, en última instancia, utilizarlos para construir la base de evidencia necesaria para orientar la práctica clínica.

La iniciativa propuesta tiene dos componentes principales: un enfoque a corto plazo en los cánceres y un objetivo a más largo plazo de generar conocimientos aplicables a toda la gama de la salud y la enfermedad. Ambos componentes están ahora a nuestro alcance gracias a los avances en la investigación básica, incluida la biología molecular, la genómica y la bioinformática. Además, la iniciativa aprovecha las tendencias convergentes de mayor conectividad, a través de las redes sociales y los dispositivos móviles, y el creciente deseo de los estadounidenses de ser socios activos en la investigación médica.La oncología es la opción clara para mejorar el impacto a corto plazo de la medicina de precisión. Los cánceres son enfermedades comunes; en conjunto, se encuentran entre las principales causas de muerte a nivel nacional y mundial, y su incidencia aumenta a medida que la población envejece. También son especialmente temidos, debido a su letalidad, sus síntomas y las terapias a menudo tóxicas o desfigurantes que se utilizan para tratarlos. La investigación ya ha revelado muchas de las lesiones moleculares que impulsan los cánceres, mostrando que cada cáncer tiene su propia firma genómica, con algunas características específicas del tumor y algunas características comunes a múltiples tipos. Aunque los cánceres son en gran medida una consecuencia de la acumulación de daño genómico durante la vida, las variaciones genéticas heredadas contribuyen al riesgo de cáncer, a veces profundamente. Esta nueva comprensión de los mecanismos oncogénicos ha comenzado a influir en la evaluación de riesgos, las categorías de diagnóstico y las estrategias terapéuticas, con un uso creciente de medicamentos y anticuerpos diseñados para contrarrestar la influencia de impulsores moleculares específicos. Se han desarrollado (y se están desarrollando) muchas terapias dirigidas, y se ha demostrado que varias de ellas confieren beneficios, algunos de ellos espectaculares. 

2 Además, los nuevos enfoques inmunológicos han producido recientemente algunas respuestas profundas, con indicios de que las firmas moleculares pueden ser fuertes predictores de beneficios. 

3Estas características hacen que los esfuerzos por mejorar las formas en que anticipamos, prevenimos, diagnosticamos y tratamos los cánceres sean urgentes y prometedores. Sin embargo, para hacer realidad esa promesa se requerirán los muchos esfuerzos diferentes que se reflejan en la iniciativa del Presidente. Para lograr una comprensión más profunda de los cánceres y descubrir herramientas adicionales para el diagnóstico molecular, necesitaremos analizar muchos más genomas del cáncer. Para acelerar la adopción de nuevas terapias, necesitaremos más ensayos clínicos con diseños novedosos 

4 realizados en pacientes adultos y pediátricos y modelos más confiables para las pruebas preclínicas. También necesitaremos construir una «red de conocimiento sobre el cáncer» para almacenar los datos moleculares y médicos resultantes en forma digital y entregarlos, de manera comprensible, a los científicos, los trabajadores de la salud y los pacientes.El componente de esta iniciativa centrado en el cáncer estará diseñado para abordar algunos de los obstáculos que ya se han encontrado en la “oncología de precisión”: resistencia inexplicable a los medicamentos, heterogeneidad genómica de los tumores, medios insuficientes para monitorear las respuestas y la recurrencia de los tumores, y conocimiento limitado sobre el uso de combinaciones de medicamentos.El enfoque más individualizado y molecular de la medicina de precisión para el tratamiento del cáncer enriquecerá y modificará, pero no reemplazará, los pilares de éxito de la oncología (prevención, diagnóstico, algunos métodos de detección y tratamientos eficaces), al tiempo que proporcionará un marco sólido para acelerar la adopción de la medicina de precisión en otras esferas. Las más obvias de esas esferas son los trastornos genéticos hereditarios y las enfermedades infecciosas, pero hay posibilidades de que se apliquen a muchas otras enfermedades y respuestas ambientales.El segundo componente de la iniciativa implica buscar avances en la investigación que permitan una mejor evaluación del riesgo de enfermedades, la comprensión de sus mecanismos y la predicción de la terapia óptima para muchas más enfermedades, con el objetivo de ampliar los beneficios de la medicina de precisión a innumerables aspectos de la salud y la atención sanitaria.La iniciativa alentará y apoyará a la próxima generación de científicos para que desarrollen nuevos enfoques creativos para detectar, medir y analizar una amplia gama de información biomédica, incluidos parámetros moleculares, genómicos, celulares, clínicos, conductuales, fisiológicos y ambientales. Se nos ocurren muchas posibilidades para futuras aplicaciones: los recuentos sanguíneos actuales podrían reemplazarse por un censo de cientos de tipos distintos de células inmunitarias; los datos de los dispositivos móviles podrían proporcionar un seguimiento en tiempo real de la glucosa, la presión arterial y el ritmo cardíaco; la genotipificación podría revelar variantes genéticas particulares que confieren protección contra enfermedades específicas; el muestreo de heces podría identificar patrones de microbios intestinales que contribuyen a la obesidad; o los análisis de sangre podrían detectar células tumorales circulantes o ADN tumoral que permitan la detección temprana del cáncer o su recurrencia.Estas innovaciones primero tendrán que probarse en estudios piloto. En un principio, querremos aprovechar los entornos poco comunes en los que ya es posible recopilar información valiosa mediante ensayos clínicos, registros médicos electrónicos y otros medios.En última instancia, tendremos que evaluar los enfoques más prometedores en un número mucho mayor de personas durante períodos más prolongados. Con este fin, prevemos reunir con el tiempo una “cohorte” longitudinal de un millón o más de estadounidenses que se hayan ofrecido como voluntarios para participar en la investigación. Se pedirá a los participantes que den su consentimiento para una caracterización exhaustiva de muestras biológicas (poblaciones celulares, proteínas, metabolitos, ARN y ADN, incluida la secuenciación del genoma completo, cuando los costos lo permitan) y datos de comportamiento, todos ellos vinculados a sus registros médicos electrónicos. Investigadores calificados de muchas organizaciones tendrán acceso a los datos de la cohorte, con la protección adecuada de la confidencialidad del paciente, de modo que las mentes científicas y clínicas más brillantes del mundo puedan aportar ideas y análisis. Estos datos también permitirán estudios observacionales de medicamentos y dispositivos y posiblemente impulsen estudios intervencionistas más rigurosos que aborden cuestiones específicas.Esta variedad de actividades de investigación impulsará nuestra comprensión de las enfermedades (sus orígenes y mecanismos, y las oportunidades de prevención y tratamiento), sentando una base sólida y amplia para la medicina de precisión. También será pionera en nuevos modelos de hacer ciencia que hagan hincapié en la participación activa y en el intercambio abierto y responsable de datos. Además, los propios participantes podrán acceder a su información sanitaria y a información sobre las investigaciones que utilizan sus datos.La cohorte de investigación se reunirá en parte a partir de algunos estudios de cohorte existentes (muchos financiados por el NIH) que ya han recopilado o están bien posicionados para recopilar datos de participantes dispuestos a participar en la nueva iniciativa. La creación de este recurso requerirá una amplia planificación para lograr el equilibrio adecuado de participantes, desarrollar nuevos enfoques para la participación y el consentimiento y forjar alianzas sólidas entre las cohortes existentes, los grupos de pacientes y el sector privado. También será fundamental examinar cuidadosamente los éxitos y las deficiencias de otros estudios de cohorte longitudinales.Para alcanzar los objetivos de la medicina de precisión también será necesario avanzar en los marcos regulatorios del país. Para liberar el poder de las personas para participar en la investigación de maneras innovadoras, el NIH está trabajando con el Departamento de Salud y Servicios Humanos para que la Norma Común, una norma que data de hace décadas y que originalmente fue diseñada para proteger a los participantes de la investigación, 

5 esté más en línea con el deseo de los participantes de ser socios activos en la ciencia moderna. Para ayudar a acelerar la traducción de tales descubrimientos, la Administración de Alimentos y Medicamentos está trabajando con la comunidad científica para asegurarse de que su supervisión de la tecnología genómica respalde la innovación, al tiempo que garantiza que el público pueda confiar en que la tecnología es segura y eficaz. Aunque la iniciativa de la medicina de precisión probablemente rendirá sus mayores beneficios dentro de algunos años, debería haber algunos éxitos notables a corto plazo. Además de los resultados de los estudios sobre el cáncer descritos anteriormente, los estudios de una gran cohorte de investigación expuesta a muchos tipos de terapias pueden proporcionar conocimientos tempranos sobre farmacogenómica, lo que permitirá proporcionar el medicamento correcto en la dosis correcta al paciente correcto. Las oportunidades de identificar personas con mutaciones raras de pérdida de función que protegen contra enfermedades comunes pueden indicar objetivos farmacológicos atractivos para amplias poblaciones de pacientes. Y las observaciones del uso beneficioso de las tecnologías de salud móviles pueden mejorar las estrategias para prevenir y controlar las enfermedades crónicas.Proyectos ambiciosos como éste no pueden planificarse con total antelación; deben evolucionar en respuesta a los hallazgos científicos y médicos. Gran parte de la metodología necesaria aún está por inventarse y requerirá la participación creativa y enérgica de biólogos, médicos, desarrolladores de tecnología, científicos de datos, grupos de pacientes y otros. Lo ideal sería que los esfuerzos se extendieran más allá de nuestras fronteras, mediante colaboraciones con proyectos relacionados en todo el mundo. El interés mundial en los objetivos de la iniciativa debería motivar y atraer a científicos visionarios de muchas disciplinas.Esta iniciativa también requerirá nuevos recursos, que no deberían competir con el apoyo a los programas existentes, especialmente en un clima fiscal difícil. Con recursos suficientes y un compromiso firme y sostenido de tiempo, energía e ingenio por parte de las comunidades científica, médica y de pacientes, se podrá aprovechar todo el potencial de la medicina de precisión para ofrecer a todos las mejores posibilidades de gozar de buena salud.

Estudio de sistemas complejos en atención de la salud: Descomposición funcional y análisis teórico

Thomas G. Kannampallil

Una tendencia reciente en la literatura ha sido caracterizar las actividades de atención de salud en términos de la teoría de sistemas complejos. La complejidad a menudo se ha definido de manera vaga y variada, con significados que van desde “no simple” a “complicado” a “intratable”. En este artículo, consideramos varios aspectos de la complejidad y cómo se relacionan con la práctica de atención de salud moderna, con el objetivo de desarrollar enfoques de investigación para estudiar entornos de atención de salud complejos. Proponemos una perspectiva teórica para comprender y estudiar la complejidad en los sistemas de atención de salud basada en los grados de interrelación de los componentes del sistema. También describimos, con las salvedades pertinentes, cómo los sistemas de atención de salud complejos son generalmente descomponibles, lo que los hace más manejables para estudios posteriores. Las ideas de interrelación entre los componentes de un sistema como una medida de complejidad y descomposición funcional como un mecanismo para estudiar subcomponentes significativos de un sistema complejo pueden usarse como un marco para comprender los sistemas de atención de salud complejos. Usando ejemplos extraídos de la literatura actual y nuestra propia investigación, explicamos la viabilidad de este enfoque para comprender, estudiar y gestionar sistemas de atención de salud complejos.

The content provides a thorough exploration of the concept of complexity in healthcare systems. The discussion of the definition of complexity and its properties is insightful, offering valuable insights into the impact of complexity on the «computability» of systems. The examples of studies on complex systems help illustrate the practical application of the proposed approach.

Resumen gráfico

Esta figura resume el rango de complejidad de los sistemas, destacando cuatro extremos como una combinación del número de componentes y la interrelación entre esos componentes.

1. Introducción​

El término “complejidad” se utiliza a menudo en la literatura científica para definir tareas o sistemas que van desde complicados a insolubles, con un significado general de “no simple”. Como señaló un premio Nobel y cofundador del Instituto Santa Fe, “se necesitarían diversas medidas diferentes para capturar todas nuestras ideas intuitivas sobre lo que se entiende por complejidad y por su opuesto, la simplicidad”.[10]Lo que generalmente se reconoce en investigaciones anteriores es que las definiciones de complejidad son ambiguas y dependen del contexto.[19], y subjetivo[10]. Si bien los investigadores han hecho referencia a la complejidad de la práctica de la atención médica como una consideración importante para la seguridad y la calidad del paciente[1],[17],[22],[24],[32],[36], es importante señalar que parte de este trabajo ha sido recibido con escepticismo (por ejemplo,[21],[26]), lo que provoca respuestas de que las ideas clave de la teoría de la complejidad utilizadas en la atención médica son a menudo ideas distorsionadas “presentadas bajo el disfraz de la complejidad”[21]y son simplemente el “nuevo conjunto de herramientas del emperador”[26].

La teoría de la complejidad se ha utilizado para estudiar diferentes aspectos de la atención sanitaria, incluida la gestión.[24], continuidad de la atención[33], enfermería[18], y toma de decisiones[6]Por ejemplo, Bar-Yam[1]Basó su análisis de todo el sistema sanitario estadounidense en una definición organizacional de complejidad, en la que las organizaciones complejas (como las dedicadas a la práctica sanitaria) se distinguían por sus tareas designadas. Estas tareas eran numerosas, diversas y llevadas a cabo por individuos únicos. En cambio, Innes y sus colegas[15]Consideraron la consulta individual del paciente como su unidad de análisis y destacaron características de este encuentro que eran análogas a las exhibidas por sistemas adaptativos complejos, como la no linealidad (que conduce a la incertidumbre) y la adaptación a la influencia de agencias externas.[23]La mayor parte del trabajo previo sobre la complejidad de la atención médica es descriptivo y proporciona información limitada para investigadores y profesionales sobre cómo estudiar y comprender los sistemas complejos.

En este artículo, proponemos una perspectiva teórica para comprender y estudiar la complejidad en los sistemas de atención de la salud, en particular en entornos dinámicos como los entornos de cuidados intensivos y de urgencias. Esta perspectiva teórica, basada en la interrelación entre los componentes de un sistema complejo, ofrece a los investigadores y a los profesionales un enfoque para comprender y gestionar la complejidad. Basándonos en estudios previos y en nuestra propia investigación, proporcionamos ejemplos de cómo se puede utilizar esta perspectiva para identificar, estudiar y potencialmente resolver problemas actuales y relevantes en el ámbito de la atención de la salud. Para ello, consideramos los diversos sentidos del término “complejidad” y cómo se relacionan con la práctica sanitaria moderna, con el objetivo de facilitar enfoques de investigación mejor informados para estudiar entornos sanitarios complejos.

2. Definición de complejidad y sus propiedades

Las primeras caracterizaciones de la complejidad surgieron de la física (por ejemplo, la teoría del caos, la complejidad de la red) y la informática (por ejemplo, la complejidad computacional, los autómatas celulares).[13],[34], economía, biología y filosofía (por ejemplo, dimensiones espacio-temporales de la complejidad)[10]Otras caracterizaciones relacionadas han descrito la complejidad como algo que surge de la naturaleza de los problemas en relación con su solución. Por ejemplo, “malvado”[27]o “mal estructurado”[30]Se ha atribuido a los problemas características de la complejidad. Las disciplinas científicas más nuevas también se han apropiado y adaptado caracterizaciones de la complejidad para que se ajusten a sus campos de estudio. Si bien existe una superposición considerable entre las muchas definiciones[10]Sigue habiendo un desacuerdo significativo sobre la noción de complejidad y la naturaleza de la ciencia de la complejidad.[23].

Definimos la complejidad en términos de una de las nociones más comúnmente aceptadas: la interrelación de los componentes de un sistema. [29],[30],[31]. Por interrelación entendemos la influencia de los componentes del sistema entre sí. En este sentido, la complejidad es relativa: aumenta con el número de componentes de un sistema, el número de relaciones entre ellos y la singularidad de esas relaciones. Esta última noción de singularidad refleja la idea de que expandir un sistema mediante la mera repetición o transformaciones simples de relaciones y componentes no contribuye sustancialmente a su complejidad. Si bien la gran cantidad de componentes de un sistema puede hacerlo «complicado», es el grado y la cantidad de relaciones entre los componentes, tanto manifiestas como latentes, lo que lo hace inherentemente complejo. Esta interrelación entre los componentes de los sistemas complejos se manifiesta como propiedades o características del sistema, como la no descomponibilidad y la emergencia, el comportamiento no lineal y, en algunos casos, la autoorganización. Varios investigadores (por ejemplo,[27],[29],[30],[31]) han descrito estas propiedades como características distintivas de los sistemas complejos. Sin embargo, estas propiedades también pueden entenderse como consecuencias de la interrelación de los componentes del sistema. En consecuencia, describimos dos propiedades particularmente notables de los sistemas complejos en términos de interrelaciones: la no descomponibilidad y el comportamiento no lineal.

La no descomponibilidad es a menudo una consecuencia de la red de interrelaciones entre los componentes de los sistemas complejos. Significa que dichos sistemas no pueden entenderse atendiendo a sus componentes individuales de forma aislada. Es decir, en la medida en que los componentes de los sistemas complejos se examinen de forma aislada (ignorando las interrelaciones entre ellos), se podrá entender menos acerca del sistema. Sin embargo, es importante considerar que algunas interrelaciones suelen ser más sustanciales que otras, de modo que la no descomponibilidad no es absoluta. La no descomponibilidad no significa que no se puedan estudiar los sistemas complejos; más bien, implica que el enfoque o la granularidad en el estudio de dichos sistemas debe adaptarse a las limitaciones de las interrelaciones.

Un resultado conductual importante de las interrelaciones, una especie de “no descomponibilidad de las acciones”, es el de la emergencia [8],[9],[16]Las interacciones entre los componentes de sistemas complejos, debido a sus interrelaciones, a menudo conducen a propiedades de comportamiento inesperadas de dichos sistemas. Estas propiedades normalmente no se pueden predecir a partir de las características de comportamiento de los componentes individuales del sistema. También puede ocurrir una forma particular de emergencia, el comportamiento del sistema autoorganizado.

Las interrelaciones entre los componentes del sistema tienden a complicar las respuestas de los sistemas complejos a la influencia externa. Es decir, a medida que los sistemas se vuelven más complejos, tienden a tener un comportamiento cada vez más no lineal . La linealidad se caracteriza por la previsibilidad y proporcionalidad de los comportamientos en respuesta a las influencias externas; los sistemas cada vez más complejos tienden a comportarse de manera menos predecible y proporcional.[24]Cuando influencias muy pequeñas producen grandes cambios, tales comportamientos se denominan “caóticos”. Una implicación de la no linealidad de los sistemas complejos es su relativa mayor desapego, o “libertad”, de respuesta directa a las influencias ambientales. Esta capacidad de los sistemas complejos para mantener ciertas características a pesar de las influencias ambientales, a menudo denominada robustez[4], ha inspirado el enfoque de la ingeniería de resiliencia[14], que tiene como objetivo mejorar la capacidad de los sistemas críticos ante errores, incluido el sistema de salud, para tolerar el error humano.

3. Efectos de la complejidad: retos para la “computabilidad”

Uno de los efectos críticos de la complejidad de los sistemas es su “computabilidad”. En otras palabras, existe un costo involucrado (en términos de recursos cognitivos, computacionales, temporales o físicos requeridos o gastados) cuando se trabaja dentro o sobre dichos sistemas. Por ejemplo, las personas que trabajan dentro de sistemas complejos a menudo gastan un esfuerzo cognitivo o físico sustancial en la realización de tareas, o pueden emplear heurísticas (es decir, atajos mentales) para hacer frente a ellas. Del mismo modo, para los observadores externos que intentan comprender los sistemas complejos, la interrelación de los componentes introduce desafíos significativos para comprender eficazmente el sistema, y ​​a veces se ignoran aspectos importantes de dichos sistemas para su propio riesgo. Comprender , describir , predecir y gestionar son objetivos fundamentales para las personas que trabajan dentro de sistemas complejos, así como para quienes los estudian.

La forma en que la cantidad de componentes y las interrelaciones (únicas) entre los componentes ejemplifican la complejidad del sistema se puede entender considerando combinaciones representativas bajas y altas de ambos. Según la cantidad de componentes y el grado de relación, son posibles varias combinaciones, y cada una de estas combinaciones presenta diferentes desafíos de computabilidad. Es importante considerar la computabilidad de un sistema complejo (o un componente de un sistema complejo), ya que es una medida para determinar el grado en que uno es capaz de describir, predecir y posiblemente gestionar un sistema complejo. Consideramos cuatro condiciones para caracterizar el rango de complejidad del sistema. Estas cuatro condiciones no son de ninguna manera exhaustivas. Son posibles varias condiciones intermedias, según la cantidad de componentes y los grados de interrelación. Nuestro propósito principal es mostrar el rango significativo de complejidad que puede manifestarse en los sistemas. Se proporciona un resumen de estas condiciones enFigura 1En la descripción que sigue, proporcionamos un ejemplo en el que cada condición ocurre en un entorno de práctica clínica.

  • 1.Pocos componentes, baja interrelación. Estos sistemas son simples , con bajos costos computacionales, lo que los hace relativamente fáciles de entender, describir, predecir y administrar en diversas circunstancias. Además, estos sistemas son fácilmente descomponibles y muestran un comportamiento casi lineal en la mayoría de las circunstancias. Un ejemplo de pocos componentes (médico, nota e interfaz de computadora) y relaciones (entradas y respuestas de computadora) sería un médico que simplemente copia la información médica del paciente desde su nota escrita a mano a una interfaz de registro médico electrónico (EMR).
  • 2.Muchos componentes, poca interrelación. Estos sistemas son complicados , en el sentido de que contienen una gran cantidad de componentes, pero las relaciones entre ellos son pocas. Esto agrega costos computacionales solo en la medida en que se deben considerar más componentes del sistema. Como tal, estos sistemas se pueden describir, predecir y administrar, aunque a un costo computacional linealmente más alto en comparación con los sistemas simples. Por ejemplo, considere un sistema EMR utilizado por múltiples miembros del personal (médicos, enfermeras, farmacéuticos y administradores de facturación), cada uno interactuando con el sistema de manera limitada para sus tareas específicas basadas en roles.
  • 3.Pocos componentes, alta interrelación. Estos sistemas son relativamente complejos y requieren costos computacionales significativos. El número relativamente pequeño de componentes los hace más fáciles de describir pero significativamente más difíciles de predecir o manejar. La alta interrelación dentro del sistema conduce a una menor descomponibilidad. Es posible que podamos estudiar estos sistemas como un «todo» (debido a su número relativamente pequeño de componentes), en lugar de descomponerlos en subcomponentes funcionales. Por ejemplo, considere las interacciones entre los miembros del equipo en una unidad de cuidados críticos durante una situación de trauma (por ejemplo, un «código azul»). El equipo que responde a un código puede incluir solo unos pocos miembros, pero la interacción entre los miembros del equipo puede ser extremadamente divergente, dependiendo de la situación. Shetty et al.[28], por ejemplo, encontraron divergencias considerables en el desempeño (desviación del protocolo, errores) entre dos equipos similares para escenarios de simulación de reanimación idénticos, lo que muestra el comportamiento significativamente variado de equipos de cuidados críticos pequeños y altamente interdependientes.
  • 4.Muchos componentes, alta interrelación. Estos sistemas son complejos y a menudo presentan costos computacionales muy altos. Debido a la alta interrelación entre su gran cantidad de componentes, estos sistemas son difíciles de describir y mucho más difíciles de predecir o administrar. Por ejemplo, múltiples equipos de cuidados críticos que atienden traumas de un evento con muchas víctimas tienen que lidiar con múltiples pacientes con diferentes afecciones, con un entorno de trabajo significativamente cambiado (por ejemplo, protocolos de trauma). Tal escenario sería un caso compuesto del ejemplo presentado en la condición 3 anterior, lo que da como resultado una cantidad significativa de componentes (es decir, una gran cantidad de pacientes y equipos de atención al paciente) y una alta interrelación (dentro y entre los miembros del equipo) para administrar el flujo de trabajo en este entorno de cuidados críticos.

Para estudiar el comportamiento de los sistemas, es necesario comprender la naturaleza de la organización de los componentes.[35]—es decir, identificar componentes e interrelaciones entre componentes. En las condiciones 1 y 2, donde el grado de interrelación es bajo, es posible describir, predecir y gestionar el comportamiento del sistema. En las condiciones 3 y 4, el número significativo de interrelaciones entre componentes puede provocar un comportamiento del sistema altamente errático e impredecible.

4. Estudio de sistemas complejos

Los sistemas complejos pueden parecer muy diferentes, dependiendo de los aspectos, la granularidad y las circunstancias en las que el investigador decida centrarse. Sin embargo, es importante señalar que estos cambios de perspectiva no modifican la complejidad del sistema, ya que esta es intrínseca y está definida por las interrelaciones de todos sus componentes, independientemente de si se examinan o no dichas interrelaciones. Algunos aspectos de interés, niveles de análisis o situaciones pueden revelar una complejidad significativa del sistema, mientras que otros no. Por lo tanto, los desafíos que surgen al estudiar sistemas complejos dependen en gran medida de las preguntas de investigación que se plantean y de los niveles de detalle y precisión con los que se buscan respuestas.

Como investigadores, no podemos caracterizar satisfactoriamente los sistemas complejos desde una perspectiva global únicamente. Como observó proféticamente Herbert Simon décadas antes del surgimiento de la ciencia de la complejidad como campo unificado, no se puede estudiar la complejidad de un sistema sin “especificar el contenido de la complejidad”.[31]En otras palabras, Simon defendió la necesidad de descomponer los sistemas complejos , siempre que sea posible, en componentes funcionales más pequeños y las relaciones entre ellos. La descomposición, en este contexto, es el proceso de caracterizar un sistema en términos de subsistemas o componentes y las relaciones entre ellos para caracterizarlos en términos de interrelaciones discernibles entre componentes relativamente más simples. Groen y Patel[12]Se utilizaron perspectivas similares sobre la interrelación para analizar la naturaleza de la coherencia en el texto médico.

El desafío, entonces, es identificar los “tamaños” correctos de los componentes y las interrelaciones que existen entre ellos. En otras palabras, para extraer información de un sistema complejo, “uno debe concentrarse en el nivel correcto de descripción”.[11]La tarea de cortar un sistema en sus costuras requiere un estudio significativo de los comportamientos de los componentes, las interrelaciones de los componentes y, lo más importante, si el subconjunto aislado del sistema es representativo y apropiado para estudiar el problema en cuestión. La preocupación clave aquí es la identificación de la granularidad y las costuras adecuadas de los componentes funcionales que se pueden estudiar más a fondo. La descomposición adecuada debe basarse en la naturaleza del problema que se está resolviendo, el propósito de estudiar el sistema complejo (es decir, describir, comprender, predecir o gestionar) y las implicaciones esperadas del estudio del sistema.[11].

Para descomponer un sistema complejo en sus componentes constituyentes, primero hay que identificar los componentes (con un nivel de granularidad adecuado). A continuación, se debe determinar el grado (o la fuerza), la singularidad y el número de relaciones entre los diversos componentes. El grado de interrelación entre los componentes afecta al funcionamiento del sistema. Por ejemplo, un acoplamiento estrecho entre dos componentes significa que su comportamiento está fuertemente vinculado. Al mismo tiempo, una relación débil indica una menor dependencia. La influencia entre los componentes también puede caracterizarse como probabilística, correlacional o direccional. Cortar o ignorar las interrelaciones fuertes o únicas puede tener efectos significativamente mayores que ignorar las relaciones débiles o redundantes en el comportamiento general del sistema. Por ejemplo, para estudiar las prácticas de transferencia de médicos en entornos de atención de emergencia, es probable que las cuestiones relacionadas con la transferencia de información relacionada con el paciente sean más importantes de considerar que las relacionadas con la disponibilidad de recursos o la gestión de camas. En otras palabras, al crear una porción funcional para estudiar las prácticas de transferencia de atención de emergencia, es más importante considerar el componente de información del paciente que el componente de recursos o gestión de camas.

La naturaleza del problema que se está resolviendo y el propósito de estudiar el sistema complejo a menudo están determinados por los objetivos de la investigación y el contexto en el que se estudia el problema. En el ejemplo presentado anteriormente sobre las prácticas de transferencia de médicos en entornos de cuidados críticos, la creación de un segmento funcional estuvo determinada por la pregunta de investigación (es decir, el estudio de las prácticas de transferencia). En consecuencia, los investigadores y los médicos deben tomar decisiones conscientes y apropiadas sobre qué relaciones ignorar y cuáles preservar, en lugar de tomar tales decisiones de manera implícita. Si bien a menudo es imposible hacer una descomposición funcional “perfecta” de un sistema complejo, se debe utilizar la comprensión de las relaciones entre los diversos componentes para descomponer el sistema en sus límites internos o “costuras naturales”.

Con ese fin, también debe considerarse la posibilidad de interrelaciones “latentes” entre los componentes. El comportamiento del sistema a menudo varía en diferentes condiciones que pueden o no revelar la naturaleza de las relaciones entre los diversos componentes dentro del sistema. Algunas relaciones permanecen latentes en la mayoría de las condiciones y aparecen solo en ciertas condiciones específicas. Dichas condiciones pueden considerarse como estados de “perturbación” del sistema. Por ejemplo, el funcionamiento de un servicio de urgencias cambia cuando hay una afluencia repentina de pacientes críticos debido a un evento con muchas víctimas. En consecuencia, el flujo de trabajo, las actividades de los médicos, el comportamiento grupal y los procesos de transferencia tienden a ser significativamente diferentes de las condiciones de trabajo normales. Varios aspectos del flujo de trabajo del servicio de urgencias cambian, incluido el hecho de que se trae personal fuera de servicio para brindar apoyo clínico, se adoptan protocolos para traumatismos y se suspende la enseñanza (es decir, en hospitales docentes).[25]En tales situaciones, aparentemente surgen nuevas dependencias o se pueden fortalecer otras débiles (como la activación de protocolos de trauma o la suspensión de la enseñanza, en el ejemplo). Dependiendo del problema complejo que se esté estudiando, es importante considerar diversas condiciones del sistema y las relaciones que dichas condiciones pueden exponer.

Hasta ahora, hemos estado considerando sistemas que potencialmente pueden descomponerse en componentes funcionales más pequeños para su evaluación y análisis. A esta complejidad se la denomina complejidad organizada . Algunos sistemas no son susceptibles de descomposición: por ejemplo, aquellos que tienen todos sus componentes interconectados. Weaver[35]describe esto como complejidad desorganizada . En sistemas (o sus componentes funcionales) en los que la complejidad desorganizada es sustancial, el enfoque debe estar en describir estos sistemas en términos de parámetros estadísticos o limitantes (por ejemplo, promedios, límites o fronteras). Hay muchos casos de tal complejidad desorganizada en sistemas clínicos. Por ejemplo, considere un DE donde la llegada de nuevos pacientes en un día específico es menos predecible pero es posible determinar promedios de tasas de llegada de pacientes durante un período de tiempo fijo (digamos, un mes). Como investigadores y profesionales, es importante ser conscientes de la complejidad desorganizada y que se deben considerar las variables apropiadas para su descripción.

5. Ejemplos de estudio de sistemas complejos

Uno de los propósitos de este artículo es desarrollar un enfoque para el estudio de sistemas complejos. Como se mencionó anteriormente, nuestra perspectiva se basa en el principio de descomposición funcional de un sistema complejo: se debe especificar el problema a resolver, luego delinear los componentes del sistema y las relaciones entre ellos y, finalmente, aislar los componentes apropiados del sistema para su estudio. Si bien no existe un conjunto de heurísticas generales que se puedan aplicar para la descomposición funcional de todos los sistemas, las etapas mencionadas anteriormente se pueden utilizar como una hoja de ruta de alto nivel. Como ejemplos para explicar mejor nuestra perspectiva, nos basamos en tres artículos de investigación. Estos artículos de ejemplo fueron seleccionados según los siguientes criterios: (a) los autores describen el entorno que están estudiando como un entorno de atención médica complejo y (b) utilizan alguna forma de proceso de descomposición funcional para identificar componentes y relaciones específicas entre componentes.

5.1 . Modelado de flujo de trabajo en cuidados intensivos

Malhotra y otros.[20]Los autores desarrollaron un modelo de flujo de trabajo de la unidad de cuidados intensivos (UCI) descomponiendo las actividades del flujo de trabajo en las de los médicos individuales. Para desarrollar un modelo cognitivo e identificar las posibles fuentes de errores en el flujo de trabajo, descompusieron el flujo de trabajo de la UCI en (a) zonas críticas de actividades organizadas temporalmente, (b) recursos de conocimiento que se utilizaron mientras un médico (asistente, enfermero, residente) estaba en una de las zonas críticas y (c) los errores que ocurrieron durante estas actividades. En otras palabras, descompusieron el flujo de trabajo de la UCI en actividades laborales específicas tanto a nivel individual como colaborativo, identificaron las posibles relaciones entre las actividades laborales mediante una secuencia temporal de zonas críticas y, finalmente, utilizaron las relaciones para identificar las fuentes de errores o averías. Los autores utilizan la metáfora de un rompecabezas de imágenes para explicar los fundamentos conceptuales de su trabajo. Al descomponer el problema en piezas individuales que tienen características y relaciones únicas, se desarrolló un modelo de componentes del sistema de flujo de trabajo de la UCI. Los componentes del modelo que se combinaron fueron aquellos que eran «sensatos e informativos».[20]En este estudio, los autores descomponen el problema del flujo de trabajo en la UCI en actividades individuales y los requisitos cognitivos asociados con esas actividades. Al centrarse en los individuos (médicos asistentes, residentes, enfermeras) y las actividades laborales relacionadas, los autores reducen de manera innovadora la compleja red de actividades en la UCI a una escala comprensible. Utilizando capas de otras variables, incluida la ubicación de las actividades y las secuencias temporales, desarrollaron e hicieron inteligible un modelo complejo del flujo de trabajo en la UCI.

5.2 . Traslado de urgencias a UCI

Chalfin y otros.[5]Investigaron la asociación entre la duración de la estancia en urgencias y los resultados de los pacientes en estado crítico. Utilizando datos de pacientes sobre traslados de la base de datos del proyecto IMPACT, descubrieron que los pacientes con un mayor tiempo de estancia en urgencias (≥6  h) presentaban una mayor duración de la estancia hospitalaria (LOS) y mayores tasas de mortalidad. En otras palabras, los autores encontraron una asociación entre la LOS en urgencias y los resultados de los pacientes en la UCI, teniendo en cuenta varias características objetivas disponibles de los pacientes (p. ej., edad, sexo, estado de reanimación y puntuación de la Evaluación de salud crónica y fisiológica aguda II).

Los autores describen un estudio en el que consideraron las transferencias de pacientes de urgencias a la UCI en función de parámetros específicos del paciente: características del paciente, agudeza del paciente, condiciones médicas, LOS y resultados (p. ej., mortalidad). La porción del problema de investigación seleccionado se limitó a ciertos parámetros disponibles y, de hecho, relevantes. El punto importante a destacar aquí es que hay varios parámetros más que pueden influir potencialmente en las transferencias de urgencias a la UCI, por ejemplo, el papel de los equipos no clínicos (p. ej., equipos de gestión de camas), el hacinamiento en urgencias (que conduce a demoras), el censo de la UCI, la experiencia de los médicos y la disponibilidad de recursos clínicos (p. ej., técnicos de rayos X). Si bien la mayoría de estos factores pueden influir en las transferencias de pacientes de urgencias a la UCI, el artículo intenta descomponer el problema en el estudio de solo un conjunto de características del paciente (edad, género, puntuación APACHE II) y su influencia en los resultados de la UCI. Por ello, en este estudio, los autores descomponen el problema (es decir, el traslado del servicio de urgencias a la UCI) en una versión simplificada, teniendo en cuenta únicamente el estado del paciente, ignorando varios componentes “interrelacionados” que podrían afectar potencialmente a los traslados del servicio de urgencias a la UCI. Esta puede ser una estrategia adecuada, pero es importante tener en cuenta cómo puede haber limitado la potencia de sus conclusiones para comprender, describir, predecir o gestionar los entornos de cuidados críticos reales.

5.3 . Trabajo colaborativo en urgencias psiquiátricas

Cohen y colegas[7]caracterizaron los procesos cognitivos que subyacen a la toma de decisiones en un departamento de urgencias psiquiátricas (PED) utilizando el marco teórico de la cognición distribuida (CD). El PED muestra muchas de las características de los sistemas complejos que hemos descrito: el trabajo es inherentemente colaborativo y depende de las relaciones dentro y entre equipos de diversos médicos, que van desde médicos hasta trabajadores sociales, especializados en abuso de sustancias. Las decisiones en la unidad están influenciadas por relaciones fuera de la unidad, incluidas las relaciones con otras unidades hospitalarias, servicios sociales, familias de pacientes y, en ocasiones, agencias locales de aplicación de la ley. En consecuencia, la información que respalda la toma de decisiones en este contexto se deriva de una red altamente interconectada de diversos agentes. Restringir el enfoque a la unidad funcional central responsable de la atención (que generalmente consiste en un médico asistente, un residente, una enfermera y un trabajador social) permitió caracterizar las formas en que la cognición dentro de esta unidad se distribuye entre equipos, tiempo, espacio y artefactos, destacando fallas latentes en el sistema que fueron predictivas de errores observados durante el curso de esta investigación.

6. Conclusión​

En este artículo, describimos un enfoque racional para comprender y estudiar la complejidad, específicamente en entornos de atención médica. Utilizando el grado de interrelación entre los componentes del sistema como indicador de la complejidad del sistema, describimos cómo los sistemas complejos pueden considerarse típicamente en términos de componentes funcionalmente más pequeños y las relaciones entre ellos, con base en consideraciones teóricas, racionales y prácticas. Esta descomposición funcional implica una comprensión integral del contexto de trabajo, sus componentes y los principios que rigen las acciones de los diversos componentes dentro del sistema.

La naturaleza específica del trabajo sanitario moderno lo hace particularmente susceptible a la descomposición funcional, ya que el trabajo se distribuye entre actores (médicos, enfermeras, residentes y otro personal de apoyo clínico) y artefactos (tecnología de la información, máquinas, notas en papel) (por ejemplo, ver[2],[3],[7]). A menudo existe una estructura en las relaciones que existen entre los proveedores de atención, los artefactos y los pacientes. Si bien algunas relaciones son aparentes, otras se manifiestan solo bajo ciertas condiciones. Como tal, es posible caracterizarla como una red de actores, donde (en un alto nivel de descomposición) los nodos son actores (o artefactos) y los bordes son sus relaciones. Por ejemplo, el DE puede considerarse como una red compleja de médicos (médicos asistentes, residentes, enfermeras), pacientes y tecnologías de la información que se utilizan para gestionar la atención al paciente. Para estudiar las actividades de transferencia en el DE, uno tiene que considerar los médicos involucrados (actores), los artefactos utilizados (registros en papel y electrónicos) y la información que se transfiere. Las actividades de transferencia pueden considerarse como una subred dentro de la red más grande del DE. En resumen, la organización distribuida y bastante estructurada de los entornos de atención médica hace viable el enfoque de descomposición funcional.

Como ocurre con cualquier enfoque de investigación, la descomposición funcional tiene posibles desventajas. En primer lugar, el proceso de incluir selectivamente algunos componentes o interrelaciones y descartar otros puede llevar a una simplificación excesiva del problema. En segundo lugar, la creación de porciones cada vez más pequeñas de un sistema complejo impone mayores exigencias en cuanto a la comprensión de los componentes y su intrincada red de interrelaciones con otros componentes. Además, el uso de un nivel de explicación de microestructura puede resultar difícil de conceptualizar para personas ajenas al campo. A pesar de estas limitaciones, creemos que nuestro enfoque es un mecanismo útil y sistemático para comprender la complejidad en los entornos sanitarios.

Avances de la IA en la Salud Pública: Tendencias y Desafíos

David B. Olawade 1Ojima J. Wada2Anunciación de Clement David-Olawade 3Edward Kunonga 4Olawale Abaire 5Jonathan Ling6 *

  • 1 Departamento de Salud Pública y Afines, Facultad de Salud, Deporte y Biociencias, Universidad de East London, Londres, Reino Unido
  • 2 División de Desarrollo Sostenible, Fundación Qatar, Facultad de Ciencias e Ingeniería, Universidad Hamad Bin Khalifa, Doha, Qatar
  • 3 Unidad de Endoscopia, NHS Trust, Hospitales Universitarios de Epsom y St. Helier, Carshalton, Reino Unido
  • 4 Facultad de Salud y Ciencias de la Vida, Universidad de Teesside, Middlesbrough, Reino Unido
  • 5 Departamento de Bioquímica, Universidad Adekunle Ajasin, Akungba-Akoko, Nigeria
  • 6 Investigador independiente, Stockton-on-Tees, Reino Unido

La inteligencia artificial (IA) es una herramienta que evoluciona rápidamente y que está revolucionando muchos aspectos de la atención sanitaria. La IA se ha empleado predominantemente en la medicina y la administración de la atención sanitaria. Sin embargo, en la salud pública, el uso generalizado de la IA solo comenzó recientemente, con la llegada de la COVID-19.

Esta revisión examina los avances de la IA en la salud pública y los posibles desafíos que se avecinan. Algunas de las formas en que la IA ha ayudado a la prestación de servicios de salud pública son a través del modelado espacial, la predicción de riesgos, el control de la desinformación, la vigilancia de la salud pública, el pronóstico de enfermedades, el modelado de pandemias/epidemias y el diagnóstico de salud.

Sin embargo, la implementación de la IA en la salud pública no es universal debido a factores que incluyen infraestructura limitada, falta de comprensión técnica, escasez de datos y cuestiones éticas/de privacidad.

1. Introducción

La inteligencia artificial (IA) es un campo vasto que incluye una variedad de metodologías, como la visión por computadora, el procesamiento del lenguaje natural y el aprendizaje automático1 ).

Estos métodos son útiles para el reconocimiento de patrones, la predicción y el análisis de datos a gran escala. La IA tiene el potencial de ser transformadora dentro del ámbito de la atención médica. La IA se ha aplicado al diagnóstico de enfermedades, ha ayudado a pronosticar el desarrollo de enfermedades infecciosas y ha encontrado nuevos objetivos de medicación ( 2 ).

La IA también se ha utilizado para guiar la interpretación de imágenes médicas y el descubrimiento y la administración de fármacos ( 3 ).

Sin embargo, durante la pandemia de COVID-19, hubo un cambio en la explotación de la IA de la medicina a la salud pública. Durante la pandemia, la IA fue fundamental para pronosticar la propagación de COVID-19, el rastreo de contactos, la farmacovigilancia y las pruebas y detección rápidas4 , 5 ).

La implementación de algunas de estas herramientas informáticas de epidemiología ayudó a los esfuerzos globales para reducir la propagación del virus COVID-19 y mejorar la atención al paciente. La Tabla 1 destaca algunos ejemplos de cómo se empleó la IA para frenar la pandemia de COVID-19.TABLA 1

Cuadro 1. Medidas basadas en IA para mejorar el impacto de la pandemia de COVID-19.

Otras posibles ventajas de la IA para la salud pública incluyen una mayor eficacia, precisión y escalabilidad de los tratamientos de salud pública. La IA también puede ayudar a localizar nuevos conocimientos y patrones que los analistas humanos podrían pasar por alto ( 18 ). Sin embargo, existen importantes preocupaciones éticas y regulatorias que deben abordarse, como la privacidad de los datos y el sesgo en los sistemas de IA. Además, la explotación de la IA para mejorar la salud pública no se distribuye de manera uniforme en todo el mundo. Algunos de los principales factores que potencialmente impiden el avance de la IA en la salud pública son la disponibilidad/gobernanza de los datos, la disponibilidad de la infraestructura relacionada, la brecha de habilidades técnicas y la posibilidad de inequidad/sesgo debido a discrepancias en los datos 19 ).

Para garantizar que la tecnología se use de manera ética y responsable, los investigadores, los profesionales de la salud y los formuladores de políticas deben trabajar juntos para integrar la IA en los sistemas de atención médica. Este artículo revisa las tendencias recientes en IA para la salud pública y considera tanto los posibles beneficios como los desafíos de esta tecnología.

2. Métodos

Este estudio empleó un enfoque de revisión de alcance PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) para explorar exhaustivamente la aplicación de IA para mejorar la salud pública ( 20 , 21 ). Se buscaron cuidadosamente bases de datos electrónicas relevantes (por ejemplo, PubMed, Scopus, Web of Science) utilizando palabras clave apropiadas y términos de vocabulario controlado relacionados con IA y salud pública. Se realizó una selección inicial de títulos y resúmenes para identificar estudios potencialmente relevantes. Se recuperaron los artículos de texto completo de los estudios seleccionados y se evaluaron para la elegibilidad según los criterios de inclusión y exclusión predefinidos. Los criterios de inclusión abarcaron estudios que se centraron en la aplicación de IA en salud pública y se publicaron en inglés. Los criterios de exclusión incluyeron estudios no relacionados con la salud pública, estudios publicados en idiomas distintos del inglés y estudios que carecían de disponibilidad de texto completo. Los hallazgos se sintetizaron y presentaron en un formato narrativo que identificaba temas, tendencias y patrones clave relacionados con la aplicación de IA para mejorar la salud pública. Además, discutimos las implicaciones de estos hallazgos para la práctica de salud pública.

2.1 Historia de la IA en la salud pública

En la década de 1960 se inició la investigación en inteligencia artificial (IA), cuyo objetivo inicial era crear sistemas que pudieran imitar la inteligencia humana22 ). Los sistemas expertos, que utilizaban el conocimiento de especialistas humanos para brindar asistencia en la toma de decisiones para el diagnóstico médico y la planificación del tratamiento, fueron el foco principal de las primeras aplicaciones de IA en la atención médica. Los sistemas expertos seguían siendo el foco principal de la investigación de IA en el sector de la atención médica en las décadas de 1980 y 1990, pero también se estaban investigando el aprendizaje automático y el procesamiento del lenguaje natural 23 ). Los investigadores pudieron comenzar a explorar el potencial de la IA en dominios como el diagnóstico médico, el descubrimiento de fármacos y la vigilancia de la salud pública como resultado de la disponibilidad de enormes bases de datos de información médica y sofisticados sistemas informáticos.

En la década de 2000 se produjeron avances en la visión artificial, el procesamiento del lenguaje natural y el aprendizaje automático que permitieron a los investigadores crear sistemas de IA cada vez más complejos que podían evaluar grandes cantidades de datos y anticipar resultados futuros ( 24 ). Debido a esto, se crearon sistemas de diagnóstico basados ​​en IA, como los que analizan imágenes médicas y ayudan a identificar enfermedades como el cáncer. Además, las mejoras en la minería de texto y los métodos de procesamiento del lenguaje natural permitieron a los académicos utilizar la IA para evaluar grandes cantidades de datos no estructurados, como los registros médicos electrónicos, y extraer conclusiones reveladoras.

En los últimos años ha aumentado el interés por el uso de la IA en la salud pública, en particular en los campos de la modelización predictiva y la vigilancia de la salud pública. Los algoritmos de IA, por ejemplo, se han utilizado para pronosticar la propagación de enfermedades infecciosas como la COVID-19 o la gripe ( 25 ), lo que permite a los funcionarios de salud pública tomar medidas preventivas. También se han utilizado para analizar grandes cantidades de datos de las redes sociales y otras fuentes para detectar posibles brotes y monitorear la propagación de enfermedades. Además, la aplicación de la IA en la salud pública ha crecido para incluir nuevos campos como el desarrollo de medicamentos y el tratamiento personalizado ( 26 ) debido a la mayor accesibilidad a datos masivos y recursos informáticos sofisticados. En general, ha habido un crecimiento en la historia de la IA en la salud pública desde sistemas expertos primitivos a sistemas más avanzados que pueden examinar grandes volúmenes de datos y hacer predicciones.

El uso de IA en la atención sanitaria tiene una serie de ventajas potenciales para la salud pública, pero también existen preocupaciones éticas y legales como la privacidad y vigilancia de los datos, la seguridad, la transparencia, la imparcialidad y los sesgos de los algoritmos, así como el posible enigma filosófico de la función del juicio humano ( 27 – 29 ) que deben tenerse en cuenta para integrar esta tecnología en los sistemas de atención sanitaria.

2.2. Modelado predictivo

Para examinar los datos y pronosticar resultados futuros, el modelado predictivo combina modelos estadísticos y técnicas de aprendizaje automático. El modelado predictivo se ha utilizado en salud pública para prever la propagación de enfermedades infecciosas como COVID-19 y la gripe ( 30 , 31 ). Los modelos predictivos pueden encontrar patrones y tendencias que pueden guiar las medidas de salud pública examinando datos sobre epidemias anteriores y otros elementos pertinentes, como la demografía de la población y los patrones climáticos ( 32 ). Como el modelado predictivo tiene el potencial de mejorar nuestra capacidad para pronosticar la propagación de enfermedades infecciosas y guiar los tratamientos de salud pública, el modelado predictivo es una aplicación clave de la IA para la salud pública ( 25 ). La figura 1 ilustra un marco de modelado predictivo de la IA en la salud pública.FIGURA 1

Figura 1. Modelado predictivo de IA en salud pública.

El problema central que se debe resolver con el uso de la IA para el modelado predictivo, que abarca el pronóstico de enfermedades, la predicción de riesgos y el modelado espacial, es la mejora de la precisión, la eficiencia y la información procesable en la toma de decisiones de salud pública33 , 34 ). Los métodos tradicionales en estos dominios a menudo enfrentan limitaciones para manejar la complejidad de los datos, identificar patrones y hacer predicciones precisas. Aquí es donde la IA surge como una solución transformadora para abordar estos desafíos y lograr resultados más efectivos.

La ausencia de una categorización y un resumen claros de los métodos tradicionales y de IA para el modelado predictivo, como el pronóstico de enfermedades, la predicción de riesgos y el modelado espacial, obstaculiza la toma de decisiones informada, la eficiencia, la accesibilidad y la colaboración en la investigación en el campo de la salud pública. La falta de una clasificación estructurada dificulta la selección de métodos, retrasa la implementación y disuade una adopción más amplia. Desarrollar una taxonomía estandarizada y resúmenes concisos para cada enfoque es crucial para mejorar el progreso del campo, lo que permite a los profesionales navegar por los métodos de manera eficiente, acelerar la toma de decisiones y facilitar la colaboración en la investigación ( 35 , 36 ).

2.2.1. Pronóstico de enfermedades

La previsión de enfermedades es una aplicación importante de la IA en la salud pública ( 37 ), ya que tiene el potencial de mejorar nuestra capacidad de anticipar la propagación de enfermedades infecciosas y, posteriormente, informar y dirigir las medidas de salud pública. Este es un componente crucial de la salud pública porque permite a los funcionarios prevenir brotes y actuar rápidamente si ocurren. Históricamente, el análisis de series de tiempo y otras técnicas estadísticas convencionales se utilizaban en la previsión de enfermedades ( 38 ). Sin embargo, con el desarrollo de la IA, ahora es posible utilizar algoritmos más complejos y evaluar una mayor variedad de datos para producir predicciones más precisas. La aplicación de algoritmos de aprendizaje automático es una de las principales tendencias en IA para la predicción de enfermedades ( 39 , 40 ). Estos algoritmos pueden examinar una variedad de fuentes de datos, incluidas las redes sociales y los registros médicos electrónicos, para encontrar patrones y pronosticar la propagación de enfermedades ( 41 ).

Otro avance en la IA para la predicción de enfermedades es la creciente accesibilidad a enormes cantidades de datos y recursos informáticos de última generación ( 42 ). Esto permite analizar conjuntos de datos masivos y variados, como registros médicos electrónicos, redes sociales y datos de sensores, para anticipar con mayor precisión el futuro y detectar patrones que antes eran difíciles de detectar. La capacidad de evaluar grandes volúmenes de datos, identificar patrones y tendencias y estimar resultados futuros son algunas de las posibles ventajas de la IA para la predicción de enfermedades en la salud pública. Esto puede servir para orientar las iniciativas de salud pública y detener o reducir la propagación de enfermedades infecciosas. Además, la aplicación de la IA a la predicción de enfermedades puede aumentar la eficacia y precisión de las predicciones, lo que en última instancia podría dar como resultado mejores resultados de salud para las personas y las comunidades. Sin embargo, existen limitaciones para utilizar la IA en la salud pública para la predicción de enfermedades ( 43 ). Como la precisión de las predicciones depende de la calidad y la integridad de los datos utilizados para entrenar los algoritmos, encontrar datos de alta calidad es un desafío clave. Además, al aplicar la IA en la salud pública, también hay que tener en cuenta consideraciones éticas y legales, en particular en lo que respecta a la seguridad y la privacidad de los datos.

Se prevé que el uso de la IA en la salud pública para la previsión de enfermedades se desarrolle aún más. La integración de la IA con otras tecnologías, como la Internet de las cosas (IoT) y los dispositivos portátiles, que pueden proporcionar datos en tiempo real y aumentar la precisión y la puntualidad de las predicciones, es un área que tiene el potencial de florecer. Además, se están desarrollando técnicas de IA explicable (XAI), que pueden aumentar la rendición de cuentas y la transparencia de los sistemas de previsión de enfermedades basados ​​en IA al revelar cómo los algoritmos producen predicciones. La aplicación de la IA para la previsión personalizada de enfermedades, donde los algoritmos pueden examinar la información de los registros médicos electrónicos y otras fuentes para predecir el riesgo de enfermedad para pacientes particulares y guiar las decisiones de tratamiento, es otro campo con potencial de crecimiento. Además, la combinación de datos espaciales con la tecnología SIG (sistema de información geográfica) puede mejorar las predicciones a nivel local y guiar las intervenciones centradas en la previsión de enfermedades ( 44 ).

El problema central en la previsión de enfermedades es predecir con precisión la propagación y el impacto futuros de las enfermedades. Los métodos tradicionales basados ​​en datos históricos y técnicas estadísticas pueden tener dificultades para capturar dinámicas complejas y patrones en evolución. La IA, en particular los algoritmos de aprendizaje automático y de aprendizaje profundo, abordan este problema analizando de manera eficiente grandes conjuntos de datos, identificando relaciones ocultas y detectando tendencias intrincadas ( 36 ). El objetivo es proporcionar alertas tempranas, información procesable y estrategias para mitigar los brotes de enfermedades. La IA se está utilizando para pronosticar la propagación de enfermedades como la COVID-19. Por ejemplo, Google AI ha desarrollado un modelo que puede predecir el número de casos de COVID-19 en una región determinada con hasta dos semanas de anticipación ( 45 , 46 ).

2.2.2. Predicción de riesgos

Un componente crucial de la salud pública es la predicción de riesgos, ya que permite acciones específicas de prevención o gestión de enfermedades. Las técnicas tradicionales de predicción de riesgos, como los cálculos manuales basados ​​en datos clínicos y demográficos, pueden llevar tiempo y no siempre arrojar resultados fiables ( 47 ). La IA tiene el potencial de aumentar la eficacia y precisión de las predicciones de riesgos, lo que se traduce en mejores resultados para la salud pública. Grandes cantidades de datos, como los registros médicos electrónicos, pueden analizarse mediante algoritmos de aprendizaje automático para encontrar patrones y predecir la probabilidad de enfermedades. Además, estos algoritmos pueden examinar datos intrincados, incluida la genómica y las imágenes médicas, para encontrar patrones que puedan evaluar la probabilidad de una enfermedad.

Es probable que la predicción de riesgos mediante IA en el ámbito de la salud pública siga desarrollándose. La integración de la IA con otras tecnologías, como los dispositivos portátiles y la genómica, tiene el potencial de ofrecer predicciones más precisas al proporcionar datos más precisos y en tiempo real. Además, las herramientas de IA explicable (XAI) pueden ayudar a aumentar la rendición de cuentas y la apertura de los sistemas basados ​​en IA al revelar cómo los algoritmos hacen predicciones y, de ese modo, promover la confianza en el uso de la IA en el ámbito de la atención sanitaria.

Para la predicción de riesgos, el problema central es identificar a las personas que tienen un riesgo elevado de desarrollar enfermedades específicas. Los enfoques tradicionales se basan en el análisis de datos demográficos y clínicos, que pueden no capturar por completo los factores de riesgo sutiles o las condiciones en evolución. Los métodos de IA, incluido el aprendizaje automático y el procesamiento del lenguaje natural, mejoran la predicción de riesgos al integrar diversas fuentes de datos, detectar relaciones no lineales e identificar patrones latentes ( 48 ). El objetivo es adaptar las intervenciones, asignar recursos y mejorar las estrategias de atención médica personalizadas. La IA se está utilizando para predecir el riesgo de eventos como ataques cardíacos, accidentes cerebrovasculares y accidentes automovilísticos. Por ejemplo, IBM Watson Health ha desarrollado un modelo que puede predecir el riesgo de ataque cardíaco con un 90% de precisión ( 49 ).

2.2.3. Modelado espacial

El modelado espacial (el análisis de información geográfica para reconocer patrones y tendencias en los resultados de salud) es un componente esencial de la salud pública, ya que permite localizar intervenciones en áreas con la mayor carga de enfermedades. Las técnicas de modelado espacial convencionales, como la recopilación y el análisis manual de datos, no siempre producen resultados precisos y pueden llevar mucho tiempo completarlas ( 50 ). La IA puede aumentar la eficacia y la precisión del modelado geográfico, mejorando los resultados de salud pública.

Los datos geográficos a gran escala, como las imágenes satelitales, pueden analizarse mediante algoritmos de aprendizaje automático para encontrar tendencias y pronosticar dónde se propagarán las enfermedades. Por ejemplo, estas técnicas se han utilizado para pronosticar el riesgo de dengue, incluidos los casos de dengue, la tasa, el momento pico y la intensidad máxima, así como los predictores del riesgo de dengue, incluida la tasa de picaduras de mosquitos ( 51-53 . La integración de los sistemas de información geográfica (SIG) con la IA es un avance más en el modelado espacial en salud pública. Esto permite el examen de conjuntos de datos masivos y variados, como datos de redes sociales y registros médicos electrónicos, en un contexto geográfico para generar pronósticos más precisos e identificar tendencias que antes eran difíciles de detectar. El uso de algoritmos de aprendizaje profundo para el modelado espacial en salud pública es otra tendencia emergente en IA. Estos algoritmos pueden examinar datos complicados, incluida la genética y las imágenes médicas, para encontrar patrones que puedan señalar el peligro de enfermedad en regiones específicas. Por ejemplo, un estudio utilizó esto para considerar cómo ciertas regiones cerebrales particulares están conectadas con trastornos neurológicos específicos ( 54 ). Otro estudio de trabajo lo utilizó para mejorar el diagnóstico de trastornos respiratorios tomando grabaciones de audio de la tos de los pacientes además de los informes de síntomas ( 55 ).

Gunasekeran et al. ( 56 ) realizaron una revisión sistemática de alcance centrada en las aplicaciones de salud digital para las respuestas de salud pública al COVID-19. Su revisión enfatiza el papel de la IA en el modelado predictivo. Al aprovechar los algoritmos de IA, los modelos predictivos pueden analizar grandes cantidades de datos, incluidos datos demográficos, registros de salud y factores ambientales. Estos modelos permiten pronosticar la propagación de enfermedades, identificar poblaciones de alto riesgo y desarrollar intervenciones específicas.

En el modelado espacial, el problema central gira en torno a descubrir patrones geográficos y tendencias en los resultados de salud. Los métodos tradicionales a menudo carecen de la capacidad de manejar la complejidad de los datos espaciales, identificar interacciones y hacer predicciones precisas a niveles locales. La IA, junto con los sistemas de información geográfica (SIG), ofrece soluciones mediante el uso de técnicas de aprendizaje automático y aprendizaje profundo. Esto permite la identificación de patrones espaciales intrincados, como grupos de enfermedades, y respalda la toma de decisiones basada en datos para intervenciones específicas (Bolus et al., 2019). La IA se está utilizando para modelar la propagación de enfermedades y otros fenómenos en el espacio. Por ejemplo, la Universidad de California, Berkeley, ha desarrollado un modelo que puede predecir la propagación de incendios forestales ( 57 ).

2.3 Historias clínicas electrónicas

La investigación y la práctica en salud pública se benefician enormemente de la información contenida en los registros médicos electrónicos (EHR, por sus siglas en inglés). Los registros digitales de información de salud del paciente, como el historial médico, el uso de recetas, los resultados de laboratorio y otra información pertinente, se guardan en EHR. Son más comunes en los entornos de atención médica, pero ofrecen una gran cantidad de información para la investigación y la práctica en salud pública. Sin embargo, la gran cantidad de datos en EHR puede dificultar el análisis manual, lo que requiere el desarrollo de nueva tecnología para extraer conclusiones de los datos. La IA tiene la capacidad de mejorar la eficacia y la precisión del procesamiento de datos de EHR, mejorando los resultados para la salud pública. Por ejemplo, para extraer datos clínicos del paciente, como signos vitales, resultados de laboratorio y prescripciones de medicamentos ( 58 , 59 ).

La aplicación de algoritmos de aprendizaje automático es uno de los temas principales de la IA para los registros médicos electrónicos en el ámbito de la salud pública. Estos algoritmos pueden analizar grandes cantidades de datos, como los registros médicos electrónicos, y detectar tendencias y anticipar cómo se propagarán las enfermedades. Los métodos de procesamiento del lenguaje natural (PLN) son otro desarrollo de la IA para los registros médicos electrónicos en el ámbito de la salud pública. Estos métodos pueden extraer datos de fuentes de texto no estructuradas, como las notas de los médicos, para comprender mejor el estado de salud de un paciente. El análisis de los registros médicos electrónicos utiliza cada vez más algoritmos de aprendizaje profundo, que pueden evaluar datos complejos y producir predicciones muy precisas. Estas fórmulas se han aplicado para pronosticar los resultados de los pacientes, incluidas las readmisiones en los hospitales, y pueden utilizarse para ayudar a desarrollar políticas de salud pública, por ejemplo, para determinar si grupos de población específicos se beneficiarían de intervenciones específicas (como las vacunas para grupos más vulnerables a enfermedades específicas prevenibles mediante vacunas). El uso de la IA en los registros médicos electrónicos puede aumentar la eficacia y la precisión de las predicciones, lo que en última instancia podría dar como resultado mejores resultados de salud tanto para las personas como para las comunidades.

Los algoritmos de IA son capaces de procesar grandes volúmenes de datos de EHR para extraer información valiosa. Esta información ayuda a identificar patrones de enfermedades, enfoques de tratamiento personalizados y detección temprana de brotes. Al aprovechar la IA en el análisis de EHR, los profesionales de la salud pueden tomar decisiones más informadas y brindar una atención optimizada ( 56 ).

Sin embargo, la aplicación de la IA en los registros médicos electrónicos en el ámbito de la salud pública no está exenta de desafíos. Como la precisión de las predicciones depende de la calidad y la integridad de los datos utilizados para entrenar los algoritmos, encontrar datos de alta calidad es una cuestión clave. Es esencial proteger la seguridad y la privacidad de los datos de los pacientes, y el uso de la IA en los registros médicos electrónicos debe cumplir leyes como la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA) en los EE. UU. La falta de uniformidad en los sistemas de registros médicos electrónicos también puede dificultar la interpretación de datos de diversas fuentes. Además, puede resultar complicado construir algoritmos de IA fiables para el análisis debido a la profundidad y diversidad de los datos de los registros médicos electrónicos, que incluyen texto no estructurado, fotografías y datos de series temporales.

Las predicciones futuras exigen que la IA para los registros médicos electrónicos en el sector de la salud pública se desarrolle aún más y alcance nuevas fronteras ( 60 ). El uso de la IA para la medicina personalizada, donde los algoritmos pueden examinar información de los registros médicos electrónicos y otras fuentes para pronosticar el riesgo de enfermedades y orientar las decisiones de tratamiento para pacientes específicos, es un campo con potencial de crecimiento.

La IA para los registros médicos electrónicos en el ámbito de la salud pública tiene el potencial de aumentar la eficacia y la precisión del análisis de datos, lo que se traduce en mejores resultados en materia de salud pública. Si bien el uso de la IA en el ámbito de la salud pública sigue presentando dificultades, como la necesidad de disponer de datos de alta calidad y cuestiones éticas, esta tecnología también presenta muchas ventajas potenciales. Los estudios futuros en este campo deberían centrarse en mejorar la precisión y la eficiencia de los algoritmos, abordar las cuestiones morales y legales y estandarizar las plataformas de registros médicos electrónicos.

La investigación que involucra registros médicos electrónicos (EHRs) combinados con técnicas de procesamiento del lenguaje natural (NLP) e inteligencia artificial (IA) ha ganado fuerza en los últimos años, con el objetivo de extraer información valiosa de los datos textuales no estructurados dentro de los EHR. Los métodos de NLP abarcan técnicas como el reconocimiento de entidades nombradas (NER) para identificar términos médicos, análisis de sentimientos para la retroalimentación del paciente y clasificación de texto para diagnósticos ( 61 ). Los métodos de IA, como el aprendizaje automático y el aprendizaje profundo, se emplean para predecir los resultados de las enfermedades, recomendar tratamientos y permitir la medicina personalizada mediante la integración de datos estructurados de EHR con información textual procesada por NLP. En particular, los modelos de aprendizaje profundo como las redes neuronales recurrentes (RNN) y las arquitecturas basadas en transformadores (por ejemplo, BERT) se destacan en el manejo de datos secuenciales y la captura de relaciones contextuales intrincadas dentro de las narrativas de EHR ( 62 , 63 ). Estos modelos facilitan la extracción precisa de información y la comprensión semántica del texto médico, lo cual es esencial para un análisis significativo.

La Tabla 2 incluye una lista recomendada de bases de datos públicas sobre registros médicos electrónicos. Estas bases de datos públicas proporcionan una base para que los investigadores apliquen técnicas de procesamiento del lenguaje natural (PLN) e inteligencia artificial a los registros médicos electrónicos, lo que permite avances en la predicción de enfermedades, recomendaciones de tratamientos, análisis de resultados de pacientes y más. Sin embargo, se deben respetar las consideraciones éticas y la privacidad de los datos cuando se trabaja con registros médicos electrónicos, lo que garantiza el manejo seguro de la información confidencial de los pacientes.CUADRO 2

Tabla 2. Listado recomendado de bases de datos públicas sobre HCE.

3. Diagnóstico

El diagnóstico es un componente crucial de la salud pública, ya que el diagnóstico rápido y preciso de las enfermedades es necesario para su tratamiento y gestión eficientes. Las técnicas de diagnóstico tradicionales, como las pruebas de laboratorio, pueden ser costosas y requerir mucho tiempo, y sus resultados pueden no ser siempre fiables. La IA tiene la capacidad de aumentar la velocidad y la precisión de los procedimientos de diagnóstico, mejorando los resultados para la salud pública.

Los algoritmos de aprendizaje automático pueden examinar e integrar volúmenes masivos de datos, incluidos resultados de pruebas de laboratorio e imágenes médicas, para encontrar patrones y pronosticar enfermedades. Los algoritmos de aprendizaje profundo, que pueden evaluar datos complejos y producir predicciones con alta precisión, son especialmente útiles para descifrar patrones en imágenes médicas como radiografías y tomografías computarizadas que podrían indicar la presencia de una enfermedad. El uso de métodos de procesamiento del lenguaje natural también se puede utilizar para extraer datos de textos médicos no estructurados, como notas médicas e informes médicos, para revelar patrones de datos que puedan predecir enfermedades.

La IA puede mejorar la velocidad y precisión de los procedimientos de diagnóstico, mejorando tanto la salud del individuo como de la comunidad en su conjunto ( 64 ). El costo de las pruebas de laboratorio y otros procedimientos de diagnóstico también se puede reducir mediante el uso de la IA en el diagnóstico, con la supervisión de expertos humanos. La aplicación de la IA para el diagnóstico en la salud pública no está exenta de inconvenientes. Como la precisión de las predicciones depende de la calidad y la integridad de los datos utilizados para entrenar los algoritmos, encontrar datos de alta calidad puede ser un desafío. Además, las pruebas de rendimiento, la validación y las comparaciones con las técnicas de diagnóstico convencionales deben compararse con las extraídas de los sistemas de diagnóstico basados ​​en IA. Otra dificultad es el requisito de un volumen considerable de datos etiquetados, que podrían no estar siempre disponibles. Los médicos también pueden necesitar capacitación para comprender cómo los algoritmos de diagnóstico basados ​​en IA obtienen sus resultados para explicar sus pronósticos a los pacientes o a los responsables de las políticas.

El diagnóstico médico ha experimentado un cambio transformador con la integración de métodos de IA, como las redes neuronales convolucionales (CNN), los modelos basados ​​en transformadores, los enfoques basados ​​en procesamiento del lenguaje natural (PLN) y más, para analizar diversas modalidades de datos como ecografías, rayos X, tomografías computarizadas, resonancias magnéticas e imágenes fisiológicas. Esta convergencia de técnicas avanzadas de IA y datos médicos multimodales ha mejorado significativamente la precisión y la velocidad del diagnóstico y las recomendaciones de tratamientos personalizados ( 56 ).

Los métodos basados ​​en CNN se destacan en el análisis de imágenes y han revolucionado el diagnóstico por imágenes médicas. Al aprender automáticamente las características jerárquicas de las imágenes, las CNN permiten la identificación de patrones, anomalías y anormalidades en radiografías, tomografías computarizadas y resonancias magnéticas 65 ). La capacidad de capturar relaciones espaciales dentro de las imágenes ha permitido mejorar la detección, localización y clasificación de enfermedades. Originalmente diseñados para el procesamiento del lenguaje natural, los modelos basados ​​en transformadores como BERT y sus variantes se han adaptado para el diagnóstico médico ( 63 ).

Estos modelos se destacan en la captura de relaciones contextuales, lo que permite una comprensión integral de informes de texto médicos, notas clínicas e informes radiológicos. Su aplicación mejora la toma de decisiones y ayuda a diagnosticar enfermedades complejas. Los métodos basados ​​en PNL desempeñan un papel crucial en la extracción de información valiosa de los datos textuales en registros médicos, historias de pacientes y artículos de investigación. El reconocimiento de entidades nombradas (NER) y el análisis de sentimientos ayudan a comprender las experiencias de los pacientes e identificar términos médicos críticos, lo que facilita un diagnóstico preciso y recomendaciones de tratamiento.

El uso de la IA en el diagnóstico de salud pública tiene el potencial de aumentar la velocidad y precisión de los procedimientos de diagnóstico, mejorando los resultados para la salud de la población. Si bien existen ciertas limitaciones en el uso de la IA en la salud pública, como la necesidad de datos de alta calidad y cuestiones éticas, también existen muchas ventajas potenciales para esta tecnología. La investigación futura en este campo debería concentrarse en la creación de algoritmos más precisos y efectivos, la resolución de problemas morales y legales y la ampliación de la accesibilidad de los datos etiquetados para el entrenamiento de modelos de IA. El desarrollo de metodologías de IA explicables para sistemas de diagnóstico puede contribuir a aumentar la confianza pública en el uso de la IA en la atención médica y para el desarrollo de políticas de salud pública, y en la mejora de la precisión de los sistemas.

3.1 Vigilancia de la salud pública

La vigilancia de la salud pública siempre ha dependido de la recopilación e interpretación manual de datos, que requiere mucho trabajo y es propensa a errores ( 66 ). La IA se ha convertido en una potente herramienta para la vigilancia de la salud pública ( 67 , 68 ) debido al aumento de la cantidad de datos relacionados con la salud que se producen, incluidos los de los registros médicos electrónicos (EHR), las redes sociales y los datos de los sensores ( 69 , 70 ). En comparación con los enfoques convencionales, los sistemas de IA pueden evaluar grandes cantidades de datos y con mayor rapidez, e identificar tendencias y dar una advertencia anticipada de posibles brotes y epidemias de enfermedades ( 71 ).

Los Centros para el Control y la Prevención de Enfermedades (CDC) están utilizando IA para rastrear la propagación de COVID-19. Los CDC han desarrollado un sistema que utiliza IA para analizar datos de una variedad de fuentes, incluidos registros médicos electrónicos, redes sociales y datos de viajes. Este sistema se puede utilizar para identificar posibles brotes y rastrear la propagación del virus en tiempo real 72 , 73 ).

La infodemiología y la infovigilancia, basadas en técnicas de inteligencia artificial y minería de datos, permiten analizar el comportamiento de búsqueda, los patrones de comunicación en las redes sociales y las tendencias de publicación. Estos métodos basados ​​en inteligencia artificial brindan información en tiempo real sobre las tendencias de las enfermedades, los sentimientos del público y la desinformación. Las autoridades de salud pública pueden aprovechar esta información para la detección temprana, la planificación de la respuesta y las estrategias de comunicación efectivas ( 74–76 ) .

La capacidad de evaluar cantidades masivas de datos, reconocer patrones y tendencias y pronosticar son algunas de las ventajas potenciales de la IA para la vigilancia de la salud pública ( 49 , 77 ). Esto puede servir para guiar las iniciativas de salud pública y detener o reducir la propagación de enfermedades infecciosas ( 23 ). Además, la aplicación de la IA a la vigilancia de la salud pública puede aumentar la eficacia y precisión de las predicciones ( 78 ), lo que en última instancia podría resultar en mejores resultados de salud tanto para las personas como para las comunidades. Como los datos para la vigilancia de la salud pública con frecuencia provienen de numerosas fuentes y pueden tener diferentes formatos, la integración y la gestión de los datos pueden ser complejas ( 79-81 ) . La precisión de las predicciones puede verse afectada como resultado , ya que puede ser difícil combinar los datos y verificar su consistencia. Además, pueden surgir problemas de sesgo y discriminación de la aplicación de la IA en la vigilancia de la salud pública ( 82 , 83 ). Por ejemplo, si los datos utilizados para entrenar algoritmos están sesgados, es probable que las predicciones del algoritmo también lo estén. Esto es especialmente problemático para la vigilancia de la salud pública ( 84 ), ya que las proyecciones inexactas pueden dar lugar a una distribución desigual de los recursos y tener efectos perjudiciales en las comunidades marginadas.

3.2. Desafíos de la IA para la salud pública

Para permitir la aplicación segura y exitosa de esta IA en la salud pública, se deben resolver varias dificultades. Estas incluyen preocupaciones éticas y legales, particularmente en relación con la seguridad y privacidad de los datos ( 26 , 68 , 85 ). Si bien HIPAA en los Estados Unidos establece pautas para el uso y distribución de información médica protegida (PHI)86 ), con pautas similares en funcionamiento en la Unión Europea (Reglamento General de Protección de Datos, GDPR) y el Reino Unido (Ley de Protección de Datos de 2018) con garantizar la privacidad de los datos es crucial para establecer la confianza en el uso de IA para apoyar el desarrollo de políticas y prácticas de atención médica ( 87 ). Las implicaciones éticas de preocupaciones que incluyen sesgo y discriminación en sistemas basados ​​​​en IA, que pueden dañar desproporcionadamente a las personas vulnerables, también son una preocupación.

Por otra parte, la precisión y la eficiencia de los sistemas basados ​​en IA dependen de la precisión y la integridad de los datos utilizados para entrenar los algoritmos ( 88 ). La ausencia de transparencia y comprensibilidad en los sistemas basados ​​en IA es uno de los principales problemas que enfrentan las aplicaciones de IA en la salud pública. A los responsables de las políticas les puede resultar difícil comprender cómo el algoritmo llegó a sus conclusiones como resultado ( 89 , 90 ), y esto también podría fomentar el escepticismo sobre el uso de IA en la salud pública ( 91 , 92 ).

No obstante, a raíz de la COVID-19 surgieron varias directrices que podrían considerarse un recurso para la aplicación de la IA en la salud pública. Entre ellas, se incluye el documento Pilares de la OMS ( 93 ) para la planificación y orientación operativas, que proporciona un marco para que los países se preparen y respondan ante una emergencia de salud pública. Incluye varias secciones sobre el uso de la IA en la salud pública. Entre ellas, se incluye el

Pilar 1: Coordinación, planificación y seguimiento a nivel de país, que propone el uso de la IA para rastrear la propagación de enfermedades, identificar posibles brotes y coordinar la respuesta a una emergencia de salud pública.

El Pilar 2, centrado en la vigilancia, los equipos de respuesta rápida y la investigación de casos, explora el uso de la IA para recopilar datos sobre brotes de enfermedades, identificar e investigar casos y rastrear la eficacia de las intervenciones.

En la Cumbre Mundial sobre IA para la Salud de 2021 se analizaron consideraciones similares. En ella se formularon una serie de recomendaciones para el uso de la IA en la salud pública, entre ellas la creación de capacidad para el uso de la IA en la salud pública y la promoción de un uso ético y responsable de la IA en la salud pública. Estas estrategias deben estar en consonancia con el documento de pilares de la OMS y basarse en investigaciones basadas en pruebas. Estas son solo algunas de las numerosas directrices que han surgido a raíz de la COVID-19 y que podrían considerarse un recurso para la aplicación de la IA en la salud pública. Estas directrices proporcionan un marco que los países pueden utilizar para prepararse y responder a una emergencia de salud pública y destacan el potencial de la IA para mejorar la salud pública.

Abordar la seguridad de los datos y la protección de la privacidad es primordial para la aplicación exitosa de la IA en la salud pública. Si bien el uso de datos de pacientes de múltiples centros es inevitable para modelos de IA robustos y generalizables, garantizar la privacidad del paciente y la seguridad de los datos sigue siendo fundamental. Los esfuerzos colaborativos que involucran la colaboración y el intercambio de datos a través de técnicas como el aprendizaje federado ofrecen soluciones potenciales a estos desafíos ( 94 , 95 ). La utilización de datos de pacientes de múltiples centros mejora la diversidad y la exhaustividad de los modelos de IA, lo que da como resultado algoritmos más precisos y adaptables. Sin embargo, esta práctica debe ir acompañada de rigurosos protocolos de desidentificación, agregación y anonimización de datos para salvaguardar la privacidad del paciente. El cumplimiento de regulaciones como HIPAA (Ley de Portabilidad y Responsabilidad del Seguro Médico) garantiza que la información confidencial del paciente esté protegida adecuadamente ( 86 ). La colaboración y el intercambio de datos permiten la puesta en común de conocimientos de múltiples fuentes sin centralizar los datos confidenciales. El aprendizaje federado, un enfoque descentralizado, permite que los modelos de IA se entrenen en varios centros sin compartir datos sin procesar. En cambio, los modelos se actualizan de forma colaborativa utilizando datos almacenados localmente, lo que minimiza los riesgos de privacidad. Esta técnica garantiza que los datos permanezcan dentro de su institución de origen y, al mismo tiempo, contribuye al desarrollo de un modelo de IA colectivo y potente ( 95 ). A pesar de sus beneficios, el aprendizaje federado enfrenta desafíos, como lidiar con la heterogeneidad entre conjuntos de datos, ineficiencias de comunicación y garantizar la convergencia de modelos. Los investigadores están trabajando activamente para superar estos obstáculos mediante avances algorítmicos.

4. Implicaciones de la IA para el desarrollo de políticas de salud pública

La IA puede ser una herramienta valiosa para el desarrollo de políticas de salud pública. La capacidad de reunir diversos conjuntos de datos permite obtener información que de otro modo sería difícil de obtener con los métodos tradicionales. Los algoritmos se pueden emplear de manera iterativa, con lo que se pueden monitorear los resultados de las políticas y, posteriormente, fundamentar y mejorar las políticas futuras.

El aprovechamiento de esta información permitirá desarrollar políticas más específicas, impactantes y oportunas. La IA tiene mucho que ofrecer a los responsables de las políticas, pero, como todas las tecnologías nuevas, la confianza y la educación sobre cómo usarla de manera eficaz y responsable son fundamentales para su futura adopción y utilidad.

La próxima generación de medicina basada en evidencia

Principal

En los últimos 30 años hemos presenciado avances asombrosos e incomparables en la investigación científica, desde una mejor comprensión de la fisiopatología de los procesos patológicos básicos y el desentrañar la maquinaria celular con resolución atómica hasta el desarrollo de terapias que alteran el curso y el resultado de las enfermedades en todas las áreas de la medicina. Además, los avances exponenciales en genómica, inmunología, proteómica, metabolómica, microbiomas intestinales, epigenética y virología en paralelo con la ciencia de big data, la biología computacional y la inteligencia artificial (IA) han impulsado estos avances. Además, el surgimiento de las tecnologías CRISPR–Cas9 ha abierto una tentadora variedad de oportunidades en la medicina personalizada.

A pesar de estos avances, su rápida traducción del laboratorio a la práctica clínica está retrasada en la mayoría de las áreas de la medicina y la investigación clínica sigue superada. El panorama del desarrollo de fármacos y los ensayos clínicos sigue siendo costoso para todas las partes interesadas, con una tasa de fracaso muy alta. En particular, la tasa de deserción de las terapias de desarrollo en etapa temprana es bastante alta, ya que más de dos tercios de los compuestos sucumben en el «valle de la muerte» entre el laboratorio y la práctica clínica 1 , 2 . Llevar un fármaco con éxito a través de todas las fases de desarrollo de fármacos hasta la clínica cuesta más de 1.500 a 2.500 millones de dólares (refs. 3 , 4 ). Esto, combinado con las ineficiencias y deficiencias inherentes que plagan el sistema de atención médica, está llevando a una crisis en la investigación clínica. Por lo tanto, se necesitan estrategias innovadoras para involucrar a los pacientes y generar la evidencia necesaria para impulsar nuevos avances en la clínica, de modo que puedan mejorar la salud pública. Para lograrlo, los modelos de investigación clínica tradicionales deben dar paso a ideas y diseños de ensayos de vanguardia.

Antes de la pandemia de COVID-19, la realización de investigaciones clínicas se había mantenido prácticamente sin cambios durante 30 años y algunas de las normas y reglas de realización de ensayos, aunque arcaicas, no se cuestionaban. La pandemia expuso muchas de las limitaciones sistémicas inherentes a la realización de ensayos 5 y obligó a la empresa de investigación de ensayos clínicos a reevaluar todos los procesos; por lo tanto, ha alterado, catalizado y acelerado la innovación en este ámbito 6 , 7 . Las lecciones aprendidas deberían ayudar a los investigadores a diseñar e implementar ensayos clínicos de próxima generación «centrados en el paciente».

Las enfermedades crónicas siguen afectando a millones de vidas y causando una gran presión financiera a la sociedad 8 , pero la investigación se ve obstaculizada por el hecho de que la mayoría de los datos residen en silos de datos. La subespecialización de la profesión clínica ha dado lugar a silos dentro y entre las especialidades; cada área de enfermedad importante parece funcionar de forma completamente independiente.

Sin embargo, la mejor atención clínica se proporciona de manera multidisciplinaria con toda la información relevante disponible y accesible. Una mejor investigación clínica debe aprovechar el conocimiento adquirido de cada una de las especialidades para lograr un modelo colaborativo que permita una atención multidisciplinaria de alta calidad y una innovación continua en medicina. Debido a que muchas disciplinas en medicina ven las mismas enfermedades de manera diferente (por ejemplo, los especialistas en enfermedades infecciosas ven la COVID-19 como una enfermedad viral, mientras que los expertos en cardiología la ven como una enfermedad inflamatoria), los enfoques interdisciplinarios deberán respetar los enfoques de otras disciplinas. Aunque un modelo único puede no ser apropiado para todas las enfermedades, la colaboración interdisciplinaria hará que el sistema sea más eficiente para generar la mejor evidencia.

En la próxima década, la aplicación del aprendizaje automático, las redes neuronales profundas y la IA biomédica multimodal están preparadas para revitalizar la investigación clínica desde todos los ángulos, incluido el descubrimiento de fármacos, la interpretación de imágenes, la agilización de los registros médicos electrónicos, la mejora del flujo de trabajo y, con el tiempo, el avance de la salud pública (Fig. 1 ). Además, las innovaciones en wearables, tecnología de sensores y arquitecturas de Internet de las cosas médicas (IoMT) ofrecen muchas oportunidades (y desafíos) para adquirir datos 9 . En esta Perspectiva, comparto mi visión heurística del futuro de los ensayos clínicos y la generación de evidencia y delibero sobre las principales áreas que necesitan mejoras en los dominios del diseño de ensayos clínicos, la realización de ensayos clínicos y la generación de evidencia.

Figura 1
Fig. 1: Cronología del desarrollo de fármacos desde el presente hasta el futuro.

Diseño de ensayos clínicos

El diseño de los ensayos es uno de los pasos más importantes de la investigación clínica: un mejor diseño de los protocolos conduce a una mejor realización de los ensayos clínicos y a decisiones más rápidas de «seguir adelante o no». Además, las pérdidas derivadas de ensayos mal diseñados y fallidos no son solo financieras, sino también sociales.

Desafíos de los ensayos controlados aleatorios

Los ensayos controlados aleatorizados (ECA) han sido el estándar de oro para la generación de evidencia en todas las áreas de la medicina, ya que permiten estimaciones imparciales del efecto del tratamiento sin factores de confusión. Idealmente, cada tratamiento o intervención médica debería probarse mediante un ECA bien controlado y con potencia estadística. Sin embargo, la realización de ECA no siempre es factible debido a los desafíos para generar evidencia de manera oportuna, el costo, el diseño en poblaciones limitadas que impiden la generalización, las barreras éticas y el tiempo que lleva realizar estos ensayos. Cuando se completan y publican, los ECA se vuelven rápidamente obsoletos y, en algunos casos, irrelevantes para el contexto actual. Solo en el campo de la cardiología, 30.000 ECA no se han completado debido a los desafíos de reclutamiento 10 . Además, los ensayos se están diseñando de forma aislada y dentro de silos, y muchas preguntas clínicas quedan sin respuesta. Por lo tanto, los paradigmas de diseño de ensayos tradicionales deben adaptarse a los rápidos avances contemporáneos en genómica, inmunología y medicina de precisión 11 .

Avances en el diseño de ensayos clínicos

Se necesita evidencia de alta calidad para la práctica clínica, que tradicionalmente se ha logrado con ECA 12 . En la última década, se ha logrado un progreso sustancial en el diseño, la realización y la implementación de protocolos «maestros» (protocolos generales que se aplican a varios subestudios), lo que ha llevado a muchos cambios en la práctica que han mejorado sustancialmente el estancamiento de los ECA. Además, los protocolos maestros pueden implicar estudios intervencionistas paralelos en una sola enfermedad o múltiples enfermedades definidas por un biomarcador o entidad patológica 12 . Se incluyen cuatro clases diferentes de estudios en los protocolos maestros: el estudio paraguas, el estudio cesta, el estudio plataforma y el ensayo observacional maestro (MOT) (Fig. 2 ). Cada uno de estos es un diseño de ensayo único que puede incluir brazos independientes con intervenciones de control y puede analizarse individual y/o colectivamente, con mayor flexibilidad 13 , 14 . El campo de la oncología ha liderado estos esfuerzos más que cualquier otro campo, debido a los avances en genómica (para identificar alteraciones moleculares), el descubrimiento de terapias y la rápida traducción clínica, marcando así el comienzo de la era de la oncología de precisión.

Figura 2
Fig. 2: Clases de protocolos maestros.

Estudio de paraguas

Los ensayos paraguas son diseños de estudio que evalúan múltiples terapias dirigidas para la misma entidad patológica, estratificadas por alteración molecular. Algunos ejemplos incluyen el ensayo de cáncer de mama I-SPY (Investigación de estudios seriados para predecir su respuesta terapéutica con imágenes y análisis molecular) y Lung-MAP (Protocolo maestro de cáncer de pulmón) 15 , 16 .

Prueba de canasta (o cubo)

Los ensayos de canasta son estudios independientes de la histología o agnósticos en los que se evalúa la terapia dirigida en múltiples tipos de enfermedades que albergan todas la misma aberración molecular subyacente. Por ejemplo, el estudio VE-Basket (en el que VE denota vemurafenib) 17 , el estudio Rare Oncology Agnostic Research (ROAR) 18 , el ensayo ARROW 19 y los ensayos LIBRETTO-001 20 , 21 han llevado a varias aprobaciones de medicamentos en poblaciones específicas impulsadas por biomarcadores de una manera dependiente e independiente de la histología.

Estudio de plataforma

Se trata de diseños de estudios multibrazo y multietapa que comparan varios grupos de intervención con un grupo de control común en el contexto del mismo protocolo maestro. Además, pueden ser diseños de estudios perpetuos/inmortales (sin fecha de finalización definida) y son más eficientes que los ensayos tradicionales debido al brazo de control compartido, que garantiza que una mayor proporción de pacientes se inscriban en los brazos intervencionistas/experimentales que en el brazo de control. El estudio de plataforma de evaluación aleatoria de la terapia de COVID-19 (RECOVERY) es un ejemplo destacado; este ensayo que cambió la práctica estableció la dexametasona como un tratamiento eficaz para COVID-19 (ref. 22 ) y también mostró que la hidroxicloroquina era ineficaz. Los estudios de plataforma son flexibles por diseño y no necesariamente necesitan tener un brazo de control compartido; la idea principal es que los brazos de intervención se pueden agregar a un ensayo en curso, por ejemplo, como en el ensayo de plataforma The UK Plasma Based Molecular Profiling of Advanced Breast Cancer to Inform Therapeutic CHoices (plasmaMATCH) 23 . Aunque los ensayos mencionados anteriormente se diseñaron en el contexto del desarrollo de fármacos en oncología y enfermedades infecciosas, el alcance de los ensayos de plataformas podría aprovecharse en otras áreas diversas, como la psicología clínica y la neurología 24 . Dichos ensayos también podrían utilizarse para intervenciones de salud mental digital y podrían implementarse fácilmente en entornos con recursos limitados 24 .

AGUDEZA

El MOT es un diseño de estudio observacional prospectivo que acepta ampliamente a los pacientes independientemente de la firma del biomarcador y recopila datos completos sobre cada participante 14 , 25 . El MOT es una combinación de los diseños de ensayo intervencionista maestro y ensayo observacional prospectivo e intenta hibridar el poder de los protocolos intervencionistas maestros basados ​​en biomarcadores con la amplitud de los datos del mundo real (RWD) 14 , 25 . Este enfoque podría ser adecuado para recopilar RWD prospectivos en muchas especialidades; el Registro de resultados oncológicos asociados con pruebas y tratamiento (ROOT) MOT es un ejemplo 14 .

Desarrollo de biomarcadores y definición de puntos finales

El desarrollo de biomarcadores ha facilitado el progreso en el diseño de ensayos clínicos, con avances sin precedentes en genómica e inmunología que han dado lugar a varias aprobaciones de terapias dirigidas basadas en biomarcadores e inmunoterapia en la última década. De hecho, la evidencia genética humana brindó respaldo a más de dos tercios de las aprobaciones de medicamentos en 2021 (ref. 26 ). Los campos de la oncología y la genética se han beneficiado enormemente de estos avances, pero campos como la cardiología, la nefrología y la neumología aún están rezagados en las aprobaciones de medicamentos basados ​​en biomarcadores.

Para acelerar el desarrollo de fármacos y los ensayos clínicos en todas las enfermedades importantes, tendremos que definir biomarcadores (ya sean clínicos, patológicos o fisiológicos) y su contexto de uso para cada proceso patológico y delinear puntos finales claros para los estudios 27 . Los biomarcadores pueden ser diagnósticos, pronósticos o predictivos y pueden informar el desarrollo temprano de fármacos, la selección de dosis y el diseño de ensayos. Además, los biomarcadores pueden ayudar a acelerar la ciencia básica y el descubrimiento de fármacos, todo ello con el objetivo final de mejorar la salud del paciente 28 . Sin embargo, el nivel de evidencia de un biomarcador depende en gran medida del contexto de uso.

Además de los biomarcadores, cada campo necesita definir áreas de máxima prioridad para la investigación e identificar los puntos finales más relevantes para responder a las preguntas de investigación prioritarias. Los puntos finales son medidas de salud y/o enfermedad y sirven para diferentes propósitos según la fase del ensayo 28 , 29 . Más allá de los puntos finales clínicos y regulatorios, los resultados informados por los pacientes y los puntos finales digitales también están surgiendo rápidamente.

Puntos finales digitales

Los puntos finales digitales son datos generados por sensores recopilados fuera del entorno clínico en el contexto de la vida cotidiana de los pacientes, como el uso de micrófonos de teléfonos inteligentes para monitorear el deterioro cognitivo en personas con enfermedad de Alzheimer o monitores de relojes inteligentes para evaluar el efecto de los medicamentos en personas con anemia de células falciformes 29 . Este es un área de considerable entusiasmo en medicina, ya que podría permitir un seguimiento más realista en el mundo real de la experiencia del paciente. Además, con el aumento de la realización de ensayos descentralizados en muchas especialidades, el monitoreo remoto está a punto de aumentar. Por ejemplo, un estudio reciente desarrolló un modelo de IA para detectar y rastrear la progresión de la enfermedad de Parkinson (para la que no hay biomarcadores) sobre la base de señales de respiración nocturna utilizando una evaluación no invasiva en el hogar, proporcionando evidencia de que la IA puede ser útil en la evaluación de riesgos antes del diagnóstico clínico de la afección 29 , 30 . Además, la detección digital de la fibrilación auricular mediante dispositivos inteligentes se ha evaluado ampliamente en estudios a gran escala, incluidos los estudios cardíacos de Apple 31 , Huawei 32 y Fitbit 33 . En total, estos estudios observacionales sin sedentarismo reclutaron a más de un millón de participantes, una hazaña asombrosa, y un estudio aleatorio mostró la superioridad de la detección digital de la fibrilación auricular sobre la atención habitual 34 .

La caracterización y evaluación digital del estado clínico debe estandarizarse y armonizarse, con la colaboración interdisciplinaria y el aporte de los reguladores. También se necesita consenso para identificar y caracterizar los puntos finales intermedios y sustitutos de las principales enfermedades crónicas. Esto requiere la incorporación específica de la especialidad de múltiples niveles de datos, como datos clínicos genómicos, proteómicos y basados ​​en genotipo-fenotipo y mediciones específicas de la enfermedad, además de una capa de datos funcionales 26 . Los Institutos Nacionales de Salud (NIH) y la Administración de Alimentos y Medicamentos (FDA) han desarrollado recursos BEST (Biomarkers, EndpointS and other Tools) para aclarar la ambigüedad en los biomarcadores y los puntos finales. Este es un «documento vivo» que se actualiza continuamente a medida que cambian los estándares y la evidencia 35 y que aclara definiciones importantes y describe algunas de las relaciones jerárquicas, conexiones y dependencias entre los términos.

Realización de ensayos clínicos

Los componentes de la realización de ensayos clínicos son la implementación de protocolos; la selección, reclutamiento, monitoreo y retención de pacientes; la garantía del cumplimiento de los informes de seguridad; y la revisión y análisis continuos de datos. La industria farmacéutica y el sector de la atención médica invierten recursos sustanciales en la realización de ensayos clínicos, pero se necesitan cambios urgentemente para que el proceso sea más fluido. Además, el ritmo al que se realizan los ensayos clínicos es demasiado lento para seguir los avances de la investigación en todos los campos; por lo tanto, se necesita una transformación de alta tecnología de cada componente de manera gradual.

Uno de los aspectos positivos de la pandemia es que obligó al sistema a reorientar los ensayos clínicos para que estuvieran más centrados en el paciente que antes, dando así más importancia al principal sujeto de la investigación clínica: el paciente 36 (Fig. 3 ). Esto ha dado lugar a ensayos descentralizados y ensayos digitales, remotos y «virtuales» (que permiten a los pacientes acceder a los ensayos independientemente de su ubicación geográfica), así como a conceptos de «hospital en casa» y de seguimiento en el hogar 37 . Estos rápidos avances se han visto facilitados por la orientación de las autoridades reguladoras 38 . La adopción de un enfoque basado en la IA para mejorar la experiencia del paciente puede mejorar aún más las evaluaciones de alta fidelidad y garantizar el cumplimiento de los protocolos 39 . Aunque la digitalización, la virtualización y la descentralización no son curas para las crisis de la investigación clínica, pueden crear eficiencias que pueden tener un impacto considerable y a largo plazo.

Figura 3
Fig. 3: El paciente como centro del universo del ensayo clínico en la empresa de investigación clínica.

Los médicos, los miembros del equipo de atención médica y los investigadores clínicos de los centros académicos y otros sitios de inscripción de pacientes contribuyen enormemente al reclutamiento de pacientes. Además, los sitios de alto impacto y alto funcionamiento (como los principales centros académicos de excelencia) a menudo tienen una cartera de ensayos y examinan a los pacientes que se presentan al sistema de manera eficiente. Sin embargo, estos sitios son una minoría y la mayoría de los sitios de ensayos clínicos enfrentan limitaciones de personal y otras barreras.

Empresa de investigación de ensayos clínicos

La eficiencia y la colaboración en la empresa de investigación de ensayos clínicos son componentes importantes para el éxito de los ensayos clínicos. Los principales componentes de la empresa de ensayos clínicos son los pacientes, los centros académicos, los patrocinadores de la industria (grandes y pequeñas empresas farmacéuticas), los patrocinadores gubernamentales/grupos cooperativos, las agencias reguladoras, las organizaciones de defensa de los pacientes y las organizaciones de investigación por contrato (CRO), y todos ellos deben trabajar juntos con el paciente como el centro del universo de los ensayos clínicos (Fig. 3 ). Además, todo este sistema necesita una revisión digital, ya que muchos sitios todavía utilizan carpetas de protocolos, diarios con lápiz y papel, faxes entre sitios, datos no estructurados y sistemas de software con décadas de antigüedad. Los ensayos clínicos de registro deben gestionarse bien día a día con una rigurosa captura y seguimiento electrónico de datos. La integración de la tecnología blockchain en el sistema de gestión de ensayos clínicos podría reforzar la confianza en el proceso de ensayos clínicos y facilitar la supervisión regulatoria 40 .

La participación de los pacientes en los ensayos clínicos es fundamental, ya que no puede haber ensayos sin pacientes. Los organizadores de los ensayos clínicos deben facilitar la participación de los pacientes en los ensayos. Además, las decisiones de tratamiento médico-paciente para las enfermedades importantes deben incluir opciones de ensayos clínicos como estándar. Estos ensayos clínicos deben ser de fácil acceso y deben garantizar que ningún paciente sea excluido innecesariamente; esto se puede lograr con servicios de búsqueda y emparejamiento de ensayos clínicos independientes del sitio. Además, la capacitación en ensayos clínicos debe ser parte de la educación médica para que un grupo diverso de investigadores y personal capacitado de toda la empresa de atención médica pueda estar disponible para la investigación clínica.

Ya era hora

Los plazos de desarrollo clínico de los fármacos candidatos son una carrera contra el tiempo desde que se presentan las patentes hasta la aprobación final de la FDA 41 . Los plazos de desarrollo de fármacos, en promedio, son de aproximadamente 10 años (Fig. 1 ). La rapidez del desarrollo de las vacunas de ARNm de COVID-19 y el tratamiento oral COVID-19 en tabletas de nirmatrelvir/ritonavir, ambos desarrollados en un año utilizando un «enfoque de velocidad de la luz», no debería ser una excepción 42 . Las lecciones aprendidas deberían proporcionar un modelo para múltiples áreas terapéuticas de necesidades no satisfechas. Las dos pequeñas moléculas que tienen el récord del plazo más corto en el desarrollo de fármacos, osimertinib para el cáncer de pulmón de células no pequeñas (CPCNP) con mutación de EGFR (984 días mediante aprobación acelerada) y elexacaftor para la fibrosis quística (1.043 días mediante la vía regular) 41 , en tiempos no pandémicos demuestran que esto es posible.

Los obstáculos regulatorios que ralentizan el desarrollo de medicamentos hicieron necesaria la creación de programas como el programa de aprobación acelerada de la FDA, que se introdujo en 1992 para abordar la crisis del VIH y el SIDA y que desde entonces ha beneficiado a áreas altamente especializadas como la oncología de precisión 43 . Se han creado múltiples programas para acortar los plazos del proceso previo a la comercialización, incluidos los de revisión prioritaria, designación de vía rápida, designación de medicamento innovador y designación de medicamento huérfano 44 . Sin embargo, más allá de estos programas, los plazos siguen siendo lentos y existe una necesidad urgente de abordar este problema para todas las enfermedades, ya que la velocidad del desarrollo de medicamentos es crucial tanto para los pacientes como para los médicos y las partes interesadas en el desarrollo de medicamentos.

Globalización del desarrollo, la armonización y la transportabilidad de medicamentos

Aunque el mandato de la FDA se dirige a la población estadounidense, su influencia es global y, funcionalmente, la FDA es el regulador de facto para el mundo. Otras autoridades reguladoras como la Agencia Europea de Medicamentos, la Administración Nacional de Productos Médicos en China y la Organización Central de Control de Estándares de Medicamentos en la India, que en total atienden a más de 3 mil millones de la población mundial, también están evolucionando como actores clave en el sector farmacéutico global. Además, la recién establecida Agencia Africana de Medicamentos se creó (en 2019) para acelerar los plazos de aprobación de vacunas y medicamentos y mejorar el acceso a los medicamentos, especialmente para enfermedades infecciosas emergentes endémicas del continente 45 . Todas estas agencias deben poder valerse por sí solas. Además, existe una necesidad urgente de armonización global entre las autoridades reguladoras para abordar las desigualdades sustanciales en el acceso a los medicamentos. Idealmente, los ensayos clínicos para nuevas terapias deberían realizarse a nivel mundial, para el acceso y la generalización 46 . Sin embargo, la realidad es que los ensayos clínicos, incluidos los ECA, no se pueden realizar en todos los países para generar evidencia específica para la población de ese país. La generación de evidencia mediante el análisis de transportabilidad está ganando terreno y se refiere a la capacidad de generalizar inferencias de una muestra de estudio en un país a una población objetivo en otro país donde no se realizó el estudio 47 , 48. Los análisis de transportabilidad pueden ofrecer cierta evidencia de validez externa con implicaciones para las evaluaciones regulatorias y de tecnología sanitaria locales 48 .

Generación de evidencia en la investigación clínica

Estudios clínicos de enfermedades raras

A medida que los avances científicos impulsan los ensayos clínicos, se están diseñando y llevando a cabo ensayos sobre cánceres y muchas enfermedades raras en pequeños subconjuntos definidos genéticamente o definidos por biomarcadores. Además, los nuevos métodos para generar evidencia de beneficio clínico pueden acelerar la realización de ensayos clínicos y proporcionar a las personas con enfermedades raras acceso a nuevos compuestos terapéuticos. Se estima que las enfermedades raras afectan a un estimado de 263 millones a 446 millones de personas en todo el mundo en un momento dado y se están convirtiendo cada vez más en una enorme carga de salud pública 49 . Los ensayos clínicos en este contexto vienen con sus propios desafíos derivados de la rareza de las condiciones y los datos incompletos de la historia natural 50 . Sin embargo, los avances notables en biología molecular junto con la legislación para estimular el desarrollo de terapias para enfermedades huérfanas han llevado al progreso. Existe una creciente flexibilidad regulatoria para utilizar programas como el programa de aprobación acelerada, y hay casos en los que los ensayos han utilizado brazos de control externos basados ​​en RWD.

Como ejemplo, la FDA otorgó la aprobación acelerada a alpelisib (Vijoice, Novartis) para adultos y niños mayores de 2 años que requieren terapia sistémica para el espectro de sobrecrecimiento relacionado con PIK3CA, que incluye un grupo de trastornos raros vinculados a mutaciones en el gen PIK3CA 51 . Curiosamente, la eficacia se evaluó utilizando una revisión retrospectiva de historias clínicas de RWD de EPIK-P1 ( NCT04285723 ), un estudio clínico de un solo brazo en el que individuos con espectro de sobrecrecimiento relacionado con PIK3CA recibieron alpelisib como parte de un programa de acceso ampliado para uso compasivo. La solicitud para esta aprobación utilizó el programa piloto de Revisión Oncológica en Tiempo Real 52 , que agilizó el envío de datos antes de presentar la solicitud clínica completa, y la Ayuda de Evaluación 53 , una presentación voluntaria del solicitante para facilitar la evaluación por parte de la FDA. Como resultado, a esta solicitud se le otorgó revisión prioritaria, designación innovadora y designación de medicamento huérfano 51 .

Ensayos N de 1

En la era de la medicina genómica individualizada, los ensayos N-of-1 están surgiendo como una herramienta para estudiar enfermedades raras potencialmente fatales. El ensayo N-of-1 es un ensayo clínico de un solo paciente que utiliza a la persona individual como una unidad de investigación para evaluar la eficacia y/o los eventos adversos de diferentes intervenciones a través de criterios objetivos basados ​​en datos 54 . Por ejemplo, se diseñó y evaluó una terapia con oligonucleótidos antisentido para un solo paciente que tenía un trastorno neurodegenerativo genético fatal conocido como lipofuscinosis ceroidea neuronal CLN7 (una forma de la enfermedad de Batten) 55 . Otro paciente (que resultó ser médico) con enfermedad de Castleman idiopática refractaria a la terapia con bloqueo de IL-6 identificó la alteración molecular causal en su propia enfermedad para desarrollar una terapia personalizada 56 . En otro ejemplo, se evaluó la escalada rápida de dosis con un inhibidor selectivo de RET en un solo paciente con carcinoma medular de tiroides altamente refractario, para superar un mecanismo de resistencia específico de ese paciente 57 .

Estos nuevos y sensacionales paradigmas de descubrimiento y traducción de fármacos plantean preguntas importantes, como qué nivel de evidencia se necesita antes de exponer a un ser humano a un nuevo fármaco, qué evidencia podría generar este enfoque para el próximo paciente y qué desafíos podrían existir con la generalización 58 . El concepto de «gemelos digitales» específicos del paciente análogos médicos es un área emergente de investigación que tiene el potencial de combinar datos polinómicos (datos mecanicistas, historial médico, con el poder de la IA) y tal vez sirva para mejorar los ensayos N-de-1 en el futuro, para personalizar aún más la medicina 37 , 59 , 60 .

RWD y evidencia del mundo real

Una de las principales críticas a toda la investigación de ensayos clínicos es que los ensayos clínicos no representan a la población del «mundo real»; a menudo, los criterios restrictivos de los ensayos clínicos y los análisis limitados enmarcados para responder preguntas específicas pueden no ser aplicables a los pacientes del mundo real. Por lo tanto, existe una gran brecha entre el mundo de los ensayos y el mundo real, y se han hecho intentos para cerrar esta brecha 61 . Los ensayos convencionales se han diseñado sobre la base de la idea errónea de que los organismos reguladores pueden no dar cabida a evidencia más moderna y diversa de los datos de los ensayos clínicos, lo que ya no es el caso 61 , 62 .

Es importante distinguir entre RWD, que se refiere a los datos generados a partir de la atención rutinaria y estándar de los pacientes 62 , y la «evidencia» del mundo real (RWE), que es la evidencia generada a partir de RWD con respecto al uso potencial de un producto. La RWE se genera mediante diseños de ensayos o análisis y no se limita a ensayos aleatorios; en cambio, proviene de ensayos pragmáticos y estudios observacionales prospectivos y/o retrospectivos 62 , 63 .

En este ámbito de los datos de salud y medicinas, todas las partes interesadas buscan la orientación de los reguladores. En consecuencia, los reguladores han adoptado un enfoque práctico y han proporcionado orientación y un marco integral lanzado a través de la Ley de Curas del Siglo XXI 62 , 64 . Además, la FDA utiliza los datos de salud y medicinas para el monitoreo de seguridad posterior a la comercialización, y las agencias de seguros han comenzado a utilizar dichos datos para las decisiones de cobertura 62 . Esto ha sido necesario debido a la rápida aceleración de la entrada de datos de múltiples flujos y capas en los registros médicos electrónicos, así como en los dispositivos portátiles y los biosensores, en paralelo con nuevas capacidades analíticas (IA multimodal) para analizar la enorme cantidad de datos.

Evidencia de brazos de control sintéticos o externos

Los RCT se consideran el estándar de oro para el desarrollo de fármacos y la evidencia, ya que permiten la estimación de los efectos del tratamiento que se pueden asignar al brazo experimental de interés. La aleatorización en estos estudios reduce la preocupación por el sesgo de confusión al eliminar los desequilibrios sistemáticos entre los brazos en los factores pronósticos medidos y no medidos 65 . Sin embargo, los avances en la genómica de las enfermedades raras y el descubrimiento de cánceres raros impulsados ​​por oncogenes han llevado a terapias dirigidas específicas, para las cuales la evaluación en RCT puede no ser factible o ética y puede retrasar el acceso de los pacientes a terapias prometedoras o que salvan vidas.

En tales casos, los brazos de control sintéticos están surgiendo como opciones para generar brazos de comparación que puedan «imitar» los brazos de comparación de los RCT. Los brazos de control sintéticos son externos al estudio en cuestión, y la mayoría se derivan de RWD 65 . Además, los RWD se obtienen de registros médicos electrónicos, datos de reclamaciones administrativas, registros de historia natural y datos generados por pacientes de muchas fuentes, incluidos los dispositivos portátiles 65 . Los brazos de control sintéticos también pueden generarse a partir de datos de ensayos clínicos anteriores (ensayos individuales o agrupados). Esta es un área emergente preparada para la innovación, ya que ahora hay muchos datos disponibles de múltiples fuentes.

El CPCNP se divide cada vez más en pequeños subconjuntos impulsados ​​por oncogenes, lo que dificulta la realización de ensayos aleatorizados 66 , y los desarrollos recientes en el panorama de los ensayos de CPCNP ilustran la utilidad de los brazos de control sintéticos. Por ejemplo, las fusiones de RET son impulsores genómicos en el 1-2% de los CPCNP, y el pralsetinib es una terapia selectiva dirigida a RET que muestra respuestas prometedoras incluso en individuos con enfermedad avanzada. El estudio ARROW ( NCT03037385 ) fue un ensayo de registro de un solo brazo, realizado a nivel mundial, para evaluar el pralsetinib en individuos con fusión de RET positiva con CPCNP 67 , 68 . Este ensayo mostró un beneficio relativo de supervivencia con el fármaco en comparación con un brazo de control externo de estándar de atención que consistía en cohortes de RWD derivadas de dos bases de datos de Flatiron Health 66 . Una plantilla para futuros estudios de esta naturaleza que utilicen análisis de sesgo cuantitativo mostró que las comparaciones entre el grupo de control externo y el grupo de prueba son sólidas y capaces de soportar problemas como la falta de datos, resultados potencialmente peores en RWD y confusión residual 66 . En general, el estudio proporcionó evidencia a favor de pralsetinib como tratamiento de primera línea para el CPNM con fusión RET positiva.

El uso de brazos de control sintéticos puede acelerar el desarrollo de fármacos, y el escepticismo inicial sobre ellos surgió principalmente de una falta de precedentes y dirección de las autoridades regulatorias. Estas preocupaciones ahora se están disipando a medida que los brazos de control sintéticos se han utilizado recientemente para aprobaciones de fármacos para enfermedades ultra raras. Por ejemplo, la neurofibromatosis es una enfermedad rara que se observa en 1 de cada 3000 nacimientos. Los pacientes desarrollan lesiones de neurofibroma plexiforme que son dolorosas y debilitantes, y causan disfunción motora y neuronal. El inhibidor de MEK selumetinib fue aprobado para pacientes pediátricos con neurofibromas plexiformes sintomáticos e inoperables sobre la base de un conjunto de datos de 50 pacientes del Selumetinib en el ensayo de neurofibroma pediátrico (SPRINT), un ensayo de fase 2 de un solo brazo que muestra una tasa de respuesta objetiva duradera y mejoras en los síntomas funcionales 65 , 69 , 70 . Los brazos de comparación de dos ensayos realizados previamente proporcionaron evidencia de la historia natural de la enfermedad y se presentaron como un brazo de control externo, lo que ayudó a confirmar que las regresiones espontáneas eran poco comunes y que las respuestas observadas y la mejoría de los síntomas representaban un efecto genuino del tratamiento 69 .

A pesar de este progreso, los brazos de control externo siguen siendo un concepto emergente y se han utilizado principalmente para investigar la historia natural de la enfermedad y, por lo general, no se han incluido como evidencia primaria o en las etiquetas de los productos. Sin embargo, en el futuro, puedo imaginar este análisis de efectividad comparativa y los brazos de comparación como evidencia primaria para respaldar la aprobación de medicamentos. Los desafíos surgen principalmente de la calidad de los datos y la falta de datos, así como de la incertidumbre sobre si los datos de control externo son adecuados para el propósito. Sin embargo, algunas de estas preocupaciones se pueden mitigar mediante el análisis de sesgo cuantitativo y otras metodologías 66 , 71 .

Ensayos clínicos pediátricos

Aunque la investigación pediátrica ha estado a la vanguardia de los principales avances en medicina (la oxigenación por membrana extracorpórea 72 es un ejemplo notable) y ha ampliado los límites de la oncología moderna (por ejemplo, en el tratamiento de la leucemia pediátrica), las innovaciones en el desarrollo de nuevos fármacos a menudo se retrasan. Muchas enfermedades raras y huérfanas ocurren principalmente en la población pediátrica, y el desarrollo de fármacos en esta población siempre ha sido un desafío operativo, ético, estadístico y metodológico 73 , 74 . Esto se ve agravado por la comprensión limitada de la biología básica, la ontología de las manifestaciones de la enfermedad y la seguridad aguda y a largo plazo de los productos 73 , 74 . Además, existe un uso considerable fuera de etiqueta de productos en niños muy pequeños, lactantes y neonatos donde los ensayos clínicos no han sido factibles, y es imperativo que se genere evidencia de alto nivel mediante métodos creativos. Programas como la Ley de Mejores Medicamentos para Niños (en 2002) y la Ley de Equidad en la Investigación Pediátrica (en 2003), que se hicieron permanentes en 2012 bajo la Ley de Seguridad e Innovación de la FDA, han incentivado y mejorado el desarrollo de terapias pediátricas 73 . Los diseños de ensayos innovadores, los datos de investigación y el aprovechamiento de datos de otros recursos pueden ayudar con la evaluación de riesgos y beneficios y la aprobación de medicamentos, como la aprobación para la neurofibromatosis tipo 1 (NF1) 73 .

Reimaginando el futuro de los ensayos clínicos

AI

El panorama de la IA en medicina se ha transformado recientemente y está a punto de volverse omnipresente. Varios RCT han cuantificado los beneficios de la IA en especialidades que utilizan el reconocimiento de patrones y la interpretación de imágenes, como radiología (mamografía y detección de cáncer de pulmón), cardiología (interpretación de electrocardiogramas (ECG), evaluación funcional cardíaca y detección de fibrilación auricular), gastroenterología (interpretación de colonoscopias), patología (diagnóstico de cáncer), neurología (seguimiento de la evolución de la esclerosis lateral amiotrófica y la enfermedad de Parkinson), dermatología (diagnóstico de lesiones) y oftalmología (detección de enfermedades oculares) 75 . Sin embargo, la mayoría de la investigación de IA se centra en aplicaciones de «prestación de atención clínica» y no en «investigación de ensayos clínicos» 76 .

La integración de la IA en la investigación de ensayos clínicos ha sido más lenta de lo esperado, debido principalmente a la fricción (percibida) entre la IA y la inteligencia humana. Sin embargo, se deben realizar ensayos de generación e interpretación de datos, y la IA se debe utilizar para aumentar la inteligencia humana, no como algo que la reemplace 77 . Los ensayos clínicos de próxima generación que utilicen IA deben considerar escenarios de IA + humanos en lugar de IA versus humanos 75 , 78 . Las pautas de ensayos clínicos para protocolos (extensión de Elementos de protocolo estándar: Recomendaciones para ensayos intervencionistas – Inteligencia artificial (SPIRIT-AI)) y publicaciones (extensión de Estándares consolidados para la presentación de informes de ensayos – Inteligencia artificial (CONSORT-AI)) 79 , 80 tienen como objetivo lograr informes estandarizados y transparentes para ensayos clínicos aleatorizados que involucran IA, y estos son solo el comienzo de una nueva fase de modernización de la investigación clínica.

Teniendo en cuenta el tiempo y el coste que supone desarrollar un fármaco, cada fármaco que fracasa en el mercado representa una pérdida considerable para el ecosistema de desarrollo de fármacos. Además, los diseños de ensayos de mala calidad, el reclutamiento de pacientes subóptimo, la infraestructura deficiente para realizar ensayos y la ineficiencia en la realización y el seguimiento de los ensayos han plagado el sistema durante décadas. La IA tiene el potencial de mejorar todas las fases del desarrollo de fármacos, desde el diseño del fármaco hasta el ciclo completo de desarrollo del fármaco (Fig. 1 ).

La realización de ensayos clínicos todavía es rudimentaria en muchos sentidos. Por ejemplo, en los ensayos oncológicos, se miden y se siguen a lo largo del tiempo algunos aspectos de las lesiones bidimensionales y se evalúa la eficacia del fármaco mediante la reducción de estas lesiones. Las evaluaciones cuantitativas automatizadas y las redes neuronales artificiales pueden ayudar en el procesamiento rápido y automatizado de múltiples lesiones 81 . En los ensayos de cardiología, los signos vitales se miden una vez a la semana en la clínica y, en neurología, se administran cuestionarios a los pacientes en la clínica. Ahora, todos estos datos se pueden rastrear de forma dinámica en tiempo real utilizando tecnología de sensores portátiles. La aplicación de IA a dichas áreas puede tener un impacto transformador a corto plazo. Además, el reconocimiento de patrones mediante redes neuronales profundas puede ayudar con la lectura de exploraciones, imágenes patológicas y electrocardiogramas, entre otros 37 , 78 .

La pirámide actual de la medicina basada en la evidencia representa la punta del iceberg y apenas proporciona evidencia superficial para atender a un paciente genérico (Fig. 4 ). Por lo tanto, se necesita una síntesis y amalgama profunda de todos los datos disponibles para lograr una medicina basada en la evidencia «profunda» de próxima generación. El principal desafío en las próximas dos décadas será aprovechar el potencial de la generación de evidencia multidimensional 82 mediante la extracción, cotejo y minería de grandes conjuntos de datos de historia natural, genómica y todos los demás análisis ómicos, todos los estudios clínicos publicados, RWD, datos de dispositivos inteligentes ubicuos y datos acumulados del IoMT para proporcionar evidencia de próxima generación para la medicina profunda.

figura 4
Fig. 4: Iceberg de la medicina profunda basada en evidencia.

Alianzas para el desarrollo de medicamentos

En la actualidad, la industria farmacéutica es el principal impulsor del desarrollo de fármacos, y sus gastos superan con creces las inversiones de cualquier agencia nacional como los Institutos Nacionales de Salud 61 . Hay dos dominios de ensayos clínicos. El primero de ellos es el de las «grandes farmacéuticas», que utilizan CRO para realizar ensayos; dichos ensayos son muy a menudo aprobados para registro por la FDA. El segundo dominio abarca los ensayos clínicos académicos, que a menudo operan con un presupuesto muy limitado, no suelen evaluar nuevos compuestos y, por lo tanto, rara vez dan lugar al registro de la FDA. En esta era de reducción de la financiación federal para la investigación, se necesitan más asociaciones para el desarrollo de fármacos. Los centros académicos y los sitios comunitarios son cruciales para la inscripción de pacientes; sin embargo, una mentalidad compartimentada ha afectado al desarrollo de fármacos y ha retrasado el acceso a terapias que salvan vidas. Por lo tanto, las colaboraciones entre organizaciones de enfermedades específicas, instituciones académicas, agencias federales y grupos de defensa de los pacientes son cruciales para mejorar la salud de las poblaciones (Fig. 3 ). Debido a que la industria farmacéutica duda en invertir grandes cantidades con un rendimiento financiero limitado, especialmente en enfermedades raras, las agencias federales han desarrollado programas para incentivar el desarrollo de medicamentos para enfermedades raras 1 . Además, las organizaciones centradas en enfermedades han colaborado con la industria farmacéutica, las agencias federales y la academia para formar «filantropía de riesgo» con modelos financieros de reparto de riesgos para reducir el riesgo del desarrollo de medicamentos 1 . Muchas instituciones académicas están entrando en alianzas estratégicas de reparto de riesgos con la industria farmacéutica para colaborar en las fases de desarrollo preclínico y clínico. Estos modelos de asociación innovadores y exitosos han sentado un precedente en enfermedades como la fibrosis quística, el mieloma múltiple, la diabetes mellitus tipo 1 y otras enfermedades raras 1 . Estas colaboraciones han catalizado eficazmente la innovación a través de todas las fases del desarrollo de medicamentos y han proporcionado una razón convincente para sostener y fomentar más programas de este tipo.

Investigación sobre redes sociales y comunidades en línea

Las redes sociales (Twitter, Facebook, etc.) pueden influir en la incorporación de pacientes a los ensayos clínicos. Pueden influir en gran medida y abordar los desafíos históricos de los ensayos clínicos, incluida la falta de conocimiento entre los pacientes y los médicos sobre los ensayos disponibles y la falta de participación de la comunidad. Más de 4.480 millones de personas utilizan las redes sociales en todo el mundo, y se prevé que esta cifra aumente a casi 6.000 millones en 2027 (ref. 83 ). Más del 70% de los estadounidenses están en las redes sociales, incluidos los habitantes rurales y las poblaciones de adolescentes y adultos jóvenes que siempre han estado subrepresentados en los ensayos clínicos. Aunque muchos adultos mayores no utilizan las redes sociales, es probable que sus cuidadores sí lo hagan.

Las personas con enfermedades terminales suelen experimentar por sí mismas con medicamentos, y las comunidades de pacientes en línea pueden proporcionar entornos para compartir y monitorear el uso de dichos medicamentos. Esto puede permitir que se planifiquen estudios observacionales en torno a datos de resultados cuantitativos basados ​​en Internet. Por ejemplo, los investigadores desarrollaron un algoritmo para diseccionar los datos informados en el sitio web PatientsLikeMe por personas con esclerosis lateral amiotrófica que experimentaron con el tratamiento con carbonato de litio 84 . Este análisis llegó a la misma conclusión que un RCT posterior, lo que sugiere que los datos del comportamiento de los pacientes en línea pueden ayudar a acelerar el desarrollo de medicamentos y evaluar la efectividad de los medicamentos que ya se utilizan.

Un aumento de la participación de los pacientes y de los grupos de apoyo a los pacientes puede ayudar a la educación y la divulgación de los pacientes y puede facilitar la investigación en colaboración con los pacientes, además de permitir la incorporación de las perspectivas de los pacientes en el diseño de la investigación clínica, generando en última instancia una investigación impulsada por las necesidades de personas reales con la enfermedad en investigación. Además, las redes sociales rompen los silos que dividen a los investigadores y los médicos, creando un enorme potencial para influir en todas las áreas de la medicina 85 .

Conclusión

El éxito de los ensayos clínicos futuros requiere una transformación fundamental en la forma en que se diseñan, realizan, monitorean, adaptan, informan y regulan los ensayos para generar la mejor evidencia. El modelo del statu quo es insostenible. En cambio, se necesita una medicina preventiva, personalizada, pragmática y participativa del paciente, y se requieren cambios de paradigma para llegar a ella mediante un crecimiento sostenible. Es necesario romper los silos. Los estándares de atención y los ensayos clínicos se consideran actualmente en ámbitos diferentes; sin embargo, el objetivo general de ambos es mejorar los resultados de salud. La pandemia de COVID-19 creó una oportunidad para observar cómo la atención clínica de rutina y los ensayos clínicos pueden trabajar sinérgicamente para generar evidencia 86 . Los ensayos de plataforma pragmática como el ensayo RECOVERY deben ser un modelo y una guía para la eficiencia de los ensayos y el impacto en tiempo real.

Los paradigmas actuales deben ser desafiados continuamente por la tecnología emergente y por todas las partes interesadas (las nuevas generaciones de científicos, médicos, la industria farmacéutica, las autoridades regulatorias y, lo más importante, los pacientes). La innovación disruptiva debe llevar a que cada sitio clínico sea un sitio de investigación, con todos los controles de calidad necesarios y la investigación como parte del estándar de atención. El sistema de atención médica debe integrarse en un sistema intuitivo de generación de RWE, con la investigación clínica y la atención clínica yendo de la mano. Más allá de un destello creativo ad hoc (necesario por una pandemia), se necesitará un impulso sostenido para aprovechar el conocimiento adquirido de programas como «Operación Warp Speed» (iniciada por el gobierno de EE. UU. para acelerar el desarrollo de la vacuna COVID-19). Mi opinión personal es que cada enfermedad importante necesita un programa «Moonshot» y cada enfermedad rara debería tener una «Operación Warp Speed», ambos con objetivos claramente identificados y sostenibles para mejorar la salud de la población y abordar la equidad, la diversidad y el acceso global a las terapias. Los avances metodológicos y los futuros análisis de todos los datos basados ​​en inteligencia artificial proporcionarán evidencia profunda para lograr el objetivo de la medicina personalizada, es decir, ofrecer el tratamiento adecuado al paciente adecuado en el momento adecuado.

Desafíos de la sustentabilidad de las obras sociales en Argentina

La sustentabilidad de las obras sociales está en su etapa agonal por eso a un sistema que cubrió la salud de 17 Millones de personas, desde 1967 hasta la fecha, corresponde despedirlo con todos los honores.


Agonizando por la baja recaudación, la falta de un liderazgo con legitimidad para su defensa sectorial, por el desprestigio en muchos casos con sus afiliados, la falta de mancomunación de fondos que atenúe las diferencias recaudatorias, el consumo del fondo solidario de la superintendencia, por los costos y la cantidad de beneficiarios con discapacidad, (que no permite cubrir los gastos de las prestaciones de alto costo), por el agregado de coberturas impulsadas por las leyes de enfermedad, de cápitas bajas del monotributo, (que no cubre un 20 % del PMO, 9.000 de 35.000) el aumento de los costos de las nuevas tecnologías, por el envejecimiento poblacional, por el encarecimiento de los tratamientos y por la falta de interés de los que fueron sus líderes en los años 70 hasta la actualidad, hoy ya con muchas batallas libradas, con desprestigio en la opinión periodística, con una pérdida de representatividad manifiesta, quedan las banderas pisoteadas en el suelo, destinadas injustamente al olvido. Quedarán en pie unas pocas, tal vez, las que se han adecuado, modernizado, y son austeras en los gastos, compradoras transparentes. esta en curso una depuración sin estrategia por parte de las autoridades, haciéndole perder oportunidades a muchos seres humanos. Quedarán las obras sociales provinciales, las de derechos especiales, y el PAMI. Esto es lo peligroso. Que esta pelea por el poder en ese sistema , nuevamente GENERE victimas inocentes, que tienen cáncer, infartos, accidentes cerebrovasculares, que verán pasar la oportunidad. Los hospitales públicos con muy baja productividad, estancados en la gestión, la gran mayoría tiene aún historia clínica en papel, y los datos son muy pobres. La facturación inexistente. En un país de alta presión tributaria y baja cobertura social: de educación, salud y seguridad, necesita de las obras sociales para darle salud a un porcentaje importante de la población


La seguridad social en salud en Argentina se inicia en el año 1967 durante un gobierno militar, que sirvió para dar servicios de atención médica a los beneficiarios titulares y su familia, con una base solidaria, que brinda servicios relacionados con la necesidad y no con la capacidad de pago o de afrontar dichos gastos. Este acceso mejoro las condiciones de salud de un grupo de la población importante. En 1973 también durante el mismo gobierno militar se crea el Instituto de Jubilados y Pensionados. Que generó una obra social para la clase pasiva para que tengan cobertura generando un seguro de salud con un grupo poblacional con una importante carga mórbida.

Luego en la década del 90 acontece la libre elección de obras sociales, y algunas de estas, para pasarse a planes de salud prepagas, esto llevó a que el mercado de prepagos creciera a 6.300.000 afiliados, desde 1.800.000 que eran los contratos individuales.

El decreto lo único que modifica es que las personas puedan elegir obras sociales o prepagos directamente y desde el momento que ingresan a un empleo formal. Pero la recesión económica, la perdida de empleo, la baja del salario, lleva a que esta libre elección no se produzca, porque los prepagos se incrementaron más que la inflación y esto aleja la posibilidad en la modificación de los hábitos de consumo que se invierta más en salud.


Relación entre las obras sociales y el desempeño económico

Existen diversas perspectivas y resultados de investigaciones en torno a la relación entre el seguro de salud y el desempeño económico, pero ninguna investigación ha aclarado estas variaciones. Revisando un metaanálisis para evaluar la relación general entre ambos, revelando una correlación fuertemente positiva. Indica que el seguro de salud influye positivamente en el desempeño económico, lo que respalda la primera perspectiva y aclara el debate sobre la dirección de la relación y la magnitud. Este estudio contradice la visión de una correlación inexistente o negativa entre el seguro de salud y el desempeño económico, y subraya la relación estadísticamente significativa que no debe ignorarse ni exagerarse en la práctica.

En concreto, el seguro de salud influye positivamente en el crecimiento económico, alivia las cargas económicas y mejora las capacidades de consumo en el proceso de promoción del rendimiento económico. Un aspecto crucial de la relación entre el seguro de salud y el rendimiento económico es el factor de la productividad de los trabajadores.

La mala salud individual puede conducir a la pérdida de mano de obra y productividad. El sistema de seguro de salud, al mejorar la salud de los residentes, mejora las capacidades laborales, la eficiencia y la calidad de vida, asegurando eficazmente la calidad del capital humano y mejorando posteriormente el rendimiento económico.

 Con el desarrollo del seguro de salud, se asignan más fondos a la atención y el desarrollo de nuevas tecnologías médicas, equipos y métodos de tratamiento.

Estas innovaciones aumentan la productividad en la industria de la salud, reducen los costos médicos, mejoran la calidad de los servicios médicos y, en consecuencia, impulsan el desarrollo del sector de la salud, contribuyendo al crecimiento económico.

Además, el seguro de salud, a través de su función de transferencia de riesgos, reduce la incertidumbre, fomenta el consumo individual y promueve mayores inversiones empresariales, lo que conduce al crecimiento económico. Además, a través de su función de compensación económica, el seguro de salud reduce los gastos médicos de bolsillo de los asegurados, aliviando así su carga económica. Mediante la adopción y promoción generalizada del seguro de salud y la orientación que éste proporciona a las personas, las personas pueden hacer un uso más racional de los recursos de atención de la salud, evitando el derroche y el consumo excesivo. Esto no sólo ayuda a reducir los costos de la atención de la salud, sino que también mejora la eficiencia de la utilización de los recursos de atención de la salud, mitigando aún más la carga económica. Además, el seguro de salud estabiliza las expectativas al aliviar las preocupaciones sobre los gastos médicos, reduciendo la necesidad de ahorros preventivos. Esto permite redirigir fondos hacia un consumo de mayor nivel, mejorando la calidad de vida de las personas e impulsando las industrias relacionadas, contribuyendo al crecimiento económico.

Al reducir su gasto en atención de la salud, las personas tienen más ingresos disponibles para otros consumos. Este aumento de los ingresos disponibles mejora la capacidad de consumo de las personas, impulsando el crecimiento de las ventas de bienes y servicios y estimulando aún más el crecimiento económico.

A medida que los patrones de enfermedad evolucionan y el envejecimiento de la población se intensifica, es crucial considerar la cuestión de la pobreza causada por la enfermedad.

Las obras sociales, son un instrumento vital para abordar el problema de la pobreza inducida por la enfermedad, mejorar la salud de los trabajadores, fortalecer la fuerza laboral y aumentar la productividad. En la continua evolución y mejora del sistema de seguro de salud, la cuestión fundamental de si el seguro de salud protege la salud de los residentes y al mismo tiempo promueve el desempeño económico ha surgido como un enfoque crítico para optimizar la eficacia institucional. Además, evaluar el desempeño económico del seguro de salud es esencial para mejorar la coordinación del sistema de seguridad médica y lograr un desarrollo sostenible de la economía y la sociedad.

Pero por el camino que se está transitando se lleva a la desaparición del sistema de obras sociales, por otros que no han demostrado ser mejores.

Causas de la Disminución de la Productividad en Hospitales Públicos: Análisis Detallado

Abstract: The content provides a thorough analysis of the causes and effects of decreased productivity in public hospitals. It is important to highlight the need for addressing issues like irregular work hours and complex administrative processes. Additionally, emphasizing the impact on patient care and the overall healthcare system is crucial. Consider incorporating specific examples or case studies to illustrate these points and engage the audience further. Including practical solutions or success stories from other healthcare systems could also inspire hope and action. Lastly, enhancing the visual appeal of the content with relevant images or infographics may help convey the message more effectively.

Cuando uno analiza los problemas de los hospitales públicos, que atienden a la población que no tiene obra social asignada, ni organizada mediante una red multihospitalaria, a pesar de esfuerzos de Ministros provinciales bien formados que no pueden modificar nada, absorbidos por las estructuras sociotécnicas que se resisten a cualquier modificación que modernice las organizaciones, se origina una letanía caracteriza por una oferta rígida, funcionarial, con listas de esperas ocultas, con barreras de accesibilidad, entonces se muestra este análisis lógico de causas de la baja productividad y los efectos que estos originan. Esto es en defensa de los hospitales públicos. Un por favor tomemos conciencia. Un se puede hacer. No es una cuestión de privatizar, sino de jerarquizar el hospital público y sus trabajadores.

Causas de la disminución de la productividad:

Bajo cumplimiento horario de los profesionales, que usan los nombramientos para lograr un salario más digno. Las horas son ajustes. No referencias a los contratos. Esto esta mal y exige una normalización puesto que genera una falta de los trabajadores, que genera abusos, que si son revisados por otras áreas de gobierno afecta mucho la imagen de los profesionales.

Problemas organizativos: poca presencia de los decisores, todos los médicos en el mismo horario.

Pacientes complejos por multimorbilidad, polipatologías, con determinantes sociales muy graves.

Problemas logísticos y tramites muy complejo de las compras.

No incentivos salariales de variación de los horarios de trabajo y de los esfuerzos, de las prestaciones. Regímenes funcionariales. Cargos sin concursos. Ni legalización.

Salarios poco competitivos. Remuneraciones básicas que afectan la jubilación posterior. No importa como hace unas décadas tener nombramiento hospitalario.

No tienen población asignada. bajo su responsabilidad.

No tienen compromisos de gestión, para alinear objetivos institucionales con los de su servicio.

Demora de estudios complementarios para suministrar información a los profesionales que están haciendo gestión clínica.

Carencia de historia clínica electrónica.

Compartimentalización excesiva de los servicios. No resolución de las zonas grises, entre las especialidades.

Pacientes sociales. Con problemas insolubles para la reinserción social.

Carencia de establecimientos con estancias prolongadas para contener pacientes en recuperación

Pocos anestesistas.

Pocos turnos disponibles para las intervenciones quirúrgicas programadas. Fundamentalmente por no tener anestesiólogos suficientes para la programación habitual.

Efectos:

Estancia prolongada en las patologías trazadoras.

No tener historia clínica única, carencia de información sobre los pacientes para el seguimiento.

No aumento de los ingresos, rechazo de pacientes, demora en el paso de la guardia a la sala común.

Aumento de la incidencia de eventos adversos por prolongación de la estancias.

dificultades para realizar las transiciones entre los servicios.

los problemas logísticos traen demora en el inicio de los tratamientos. La demora en el traslado de los pacientes para realizar estudios les hace perder turnos, y prolongar más la estancia.

Derivación de los pacientes de obras sociales. Disminución de la facturación y recupero de costos por tener las camas ocupadas.

Menos recambio de pacientes, estancias prolongadas, menos quirófanos, no tener anestesiólogos suficientes, lleva a tener menos cirugías, a peor formación de los residentes.

Mayor espera de pacientes con urgencias en las guardias, por las barreras en los quirófanos, y la anestesia.

Conclusiones:

La evolución de los hospitales públicos mejora por competencia con los otros prestadores, teniendo la precaución que no se genere una competencia desleal, sino una evolución de todo el sistema de salud, un aumento en los ingresos hospitalarios, menor espera y una disminución de la perdida de años vividos con calidad de los pacientes.

Ley Medicare para todos en USA.

Encontrar una publicación como «Improving the prognosis of health care in the USA», Galvani AP et al, del Lancet, que sustente ese propósito estratégico, basado en la efectividad y la eficiencia, en la universalidad y en reducir la fragmentación, es muy disruptivo, sin dudas puede ser algo que naufrague por los intereses de los proveedores, prestadores y la industria farmacéutica, pero si es impulsado por un gobierno con una gran proposición transformadora, tiene muchas ventajas, que obviamente tendremos que someterlas a todas las revisiones necesarias que se requieren, pero en una lectura inicial las hipótesis parecen posibles, en la constelación de la complejidad esto puede ser una utopía. Pero alguna vez podemos pensar que la principal potencia piense en la importancia de su capital social, sin afectar las libertades, siguiendo a Amartya Sen. Este es un artículo fundamental para discutir cuestiones de la economía de la salud, y sobre la importancia de la fijación de precios, el seguro universal.

Resumen

Aunque el gasto en atención médica per cápita es mayor en los Estados Unidos que en cualquier otro país, más de 37 millones de estadounidenses no tienen seguro médico y 41 millones más tienen un acceso inadecuado a la atención. Se están realizando esfuerzos para derogar la Ley de Atención Médica Asequible, que exacerbaría las desigualdades en materia de atención médica. En cambio, un sistema universal, como el propuesto en la Ley de Medicare para Todos, tiene el potencial de transformar la disponibilidad y eficiencia de los servicios de atención médica estadounidenses. Si se tienen en cuenta tanto los costos de la expansión de la cobertura como los ahorros que se lograrían mediante la Ley de Medicare para Todos, calculamos que un sistema de atención médica universal de pagador único probablemente generaría un ahorro del 13% en el gasto nacional en atención médica, equivalente a más de 450.000 millones de dólares anuales (según el valor del dólar estadounidense en 2017). Todo el sistema podría financiarse con un desembolso financiero menor que el que incurren los empleadores y los hogares para pagar las primas de atención médica combinadas con las asignaciones gubernamentales existentes. Este cambio a una atención médica de pagador único proporcionaría el mayor alivio a los hogares de menores ingresos. Además, estimamos que garantizar el acceso a la atención sanitaria para todos los estadounidenses salvaría más de 68.000 vidas y 1,73 millones de años de vida cada año, en comparación con el statu quo.

Introducción

Más de 78 millones de estadounidenses no tienen seguro médico adecuado,123Y millones más corren el riesgo de perder su cobertura. El 24% de los estadounidenses que no tienen un seguro adecuado incluye a personas que no tienen ningún tipo de seguro y a aquellas para quienes los costos de bolsillo y los deducibles son desproporcionadamente altos en relación con sus ingresos.1Para agravar la crisis, se han presentado en el Congreso más de 70 proyectos de ley que pretenden socavar las mejoras en el acceso a la atención sanitaria que se han logrado gracias a la Ley de Atención Médica Asequible. La decisión de la administración Trump de derogar la Ley de Atención Médica Asequible pondrá aún más en peligro la atención sanitaria de 21 millones de estadounidenses.4A pesar de que el gasto nacional en atención sanitaria es mayor que el de cualquier otro país, y representa el 18% del producto interno bruto,56Estados Unidos se sitúa por debajo de 30 países en muchos indicadores de salud pública, incluidas las muertes evitables,7supervivencia infantil,8mortalidad materna,9y la esperanza de vida en general.10Para abordar esta desconexión, el senador Bernard Sanders presentó la Ley de Medicare para Todos, que propone un sistema de pagador único de atención médica universal para todos los estadounidenses.11, 12En este artículo, proyectamos los efectos económicos y de salvamento que probablemente generará la Ley de Medicare para Todos en relación con el sistema estadounidense actual. Observamos que los ahorros esperados de un sistema universal de pagador único compensarían con creces el aumento del gasto asociado con la cobertura sanitaria universal. Además, la atención sanitaria universal salvaría vidas y, al mismo tiempo, mejoraría la calidad y la productividad de esas vidas, como se detalla aquí. En concreto, calculamos que la Ley de Medicare para Todos reduciría el gasto sanitario nacional en más de 458.000 millones de dólares, lo que corresponde al 13,1% del gasto sanitario en 2017. También proyectamos que la Ley de Medicare para Todos salvaría más de 68.500 vidas cada año, en comparación con el statu quo. Si se derogara la Ley de Atención Médica Asequible, esperaríamos una pérdida anual adicional de más de 38.500 vidas. En comparación con el acceso a la atención sanitaria antes de la Ley de Atención Médica Asequible, la legislación propuesta por el senador Sanders salvaría 107.000 vidas al año. Para informar las deliberaciones en curso de los responsables de las políticas, también presentamos una herramienta interactiva en línea a través de la cual los usuarios pueden explorar cómo los supuestos de entrada influyen en las proyecciones de gasto y adaptar un plan para financiar el gasto previsto.13

Proyecciones presupuestarias para una atención sanitaria universal de pagador único

Desde hace tiempo, en Estados Unidos se considera que la atención sanitaria universal con un único pagador es política y económicamente impracticable. Sin embargo, el programa nacional de seguro de salud Medicare es una prueba real, de 54 años de antigüedad, de la viabilidad de la atención sanitaria con un único pagador y financiada por el gobierno. En 1965, Medicare se creó en respuesta a la negativa generalizada de las empresas del sector privado a proporcionar seguros a los pacientes mayores (≥65 años), y ha mejorado significativamente y de manera rentable la salud de las personas mayores.14 15 16La opinión pública es clara: la gran mayoría de los estadounidenses considera que Medicare es un programa importante que funciona bien.17Si Medicare logra tener éxito en el grupo de edad que utiliza los servicios de salud con mayor frecuencia, es razonable esperar que extender la cobertura a todos los estadounidenses sea más factible y menos costoso per cápita. Estimaciones anteriores del costo nacional de la atención médica bajo la Ley de Medicare para Todos varían desde un aumento del 16,9% a una disminución del 27%. 18  192021 22 2324En este estudio, estimamos el gasto nacional en atención de salud en el marco del sistema de atención de salud universal de pagador único detallado en la Ley de Medicare para Todos. Además, consideramos la solidez de nuestras proyecciones presupuestarias alterando sistemáticamente los valores de los parámetros clave que subyacen a los costos del sistema de atención de salud en nuestro modelo. Como se destaca por las conclusiones divergentes de las evaluaciones anteriores de la Ley de Medicare para Todos,18 19 2021 22 23Estos datos pueden variar como resultado de las diferentes opiniones de los expertos o de las incertidumbres empíricas. Por consiguiente, desarrollamos la 

Herramienta de Financiación Interactiva de la Atención Sanitaria de Pagador Único (SHIFT, por sus siglas en inglés) en la que se pueden ajustar estos parámetros ( figura 1 ).también permite la personalización de un plan de financiación nacional en el que las primas de seguro pagadas por los empleadores y los individuos se reemplazarían por otras opciones, como un impuesto sobre la nómina. Las proyecciones de SHIFT indican que la Ley de Medicare para Todos produciría ahorros netos para el sistema de atención sanitaria en una amplia gama de supuestos relacionados con la expansión de los seguros, las mejoras de los servicios, la eficiencia administrativa y los precios de los productos farmacéuticos ( figura 2 ; panel ).

Figura miniatura gr1
Figura 1 Interfaz de la herramienta de financiación interactiva de atención sanitaria de pagador único (SHIFT)Mostrar subtítulo completoVer imagen grandeVisor de figurasDescargar imagen en alta resoluciónDescargar (PPT)
Figura miniatura gr2
Figura 2 Influencia de los parámetros clave en el gasto sanitario nacionalMostrar subtítulo completoVer imagen grandeVisor de figurasDescargar imagen en alta resoluciónDescargar (PPT)

Panel

Valores predeterminados y límites de los parámetros de la herramienta de financiación interactiva de atención sanitaria de pagador único (SHIFT)Los siguientes parámetros se pueden ajustar en nuestra herramienta fácil de usar, SHIFT. Ofrecemos una justificación de los valores predeterminados, que corresponden a nuestro análisis de caso base (predeterminado) y a los límites inferior (valor mínimo del parámetro) y superior (valor máximo del parámetro). En el apéndice, páginas 1 a 13, se ofrecen más detalles sobre los parámetros de entrada y las suposiciones .

Presupuesto de atención sanitaria

Reducción de las tasas de reembolso para los hospitales

Si todos los honorarios hospitalarios se reembolsaran a los montos de Medicare de 2017, los honorarios en general serían un 5,54 % más bajos (valor predeterminado); sin embargo, si se reembolsaran a las tarifas de Medicaid, los honorarios se reducirían en un 18,74 % (límite superior).

Reducción de las tasas de reembolso de los servicios médicos y clínicos

Si todos los servicios médicos y clínicos se reembolsaran a las tarifas actuales de Medicare, los honorarios serían un 7,38 % más bajos (valor predeterminado), y si se reembolsaran a las tarifas de Medicaid, los honorarios se reducirían un 19,23 % (límite superior).

Reducción de los precios de los productos farmacéuticos mediante la negociación

El Departamento de Asuntos de Veteranos tiene la autoridad de negociar precios de acuerdo al valor terapéutico, logrando precios que son 40% más bajos que los que paga el esquema Medicare (por defecto).25

Reducción de gastos generales

Dentro del sistema de salud de Estados Unidos, los costos generales de seguros varían entre el 2,2% para Medicare (límite inferior; valor predeterminado) y el 12,4% para el sector privado (límite superior).26

Mejorar la detección de fraudes

Considerando que se estima que el 4% del gasto en atención de salud (valor predeterminado) podría eliminarse mediante la detección de fraudes dentro de los primeros dos años de implementación de un sistema de pagador único,27Permitimos que la reducción del fraude oscile entre el 0% (límite inferior) y el 10% (límite superior) tras la promulgación de la Ley de Medicare para Todos.

Expansión en el uso del servicio

Se espera que el uso de los servicios de atención de salud por parte de personas no aseguradas o con seguro insuficiente esté entre los niveles actuales (límite inferior) y un uso acorde con el de quienes están totalmente asegurados (límite superior predeterminado).

Generación de ingresos

Impuesto sobre la nómina

Los 536.000 millones de dólares que gastan los empleadores en primas de atención médica equivalen a un impuesto sobre la nómina del 12,29% (límite superior). Cualquier impuesto sobre la nómina que genere ingresos por debajo del nivel de gasto del 12,29% representaría ahorros, incluido nuestro valor predeterminado del 10%.

Impuesto sobre la renta de los hogares

En la actualidad, los hogares pagan 738.000 millones de dólares en primas y gastos de bolsillo. Solo 64.000 millones de dólares de gastos de bolsillo quedarían cubiertos por la Ley de Medicare para Todos. Si los 674.000 millones de dólares restantes en gastos se sustituyeran por un impuesto sobre la renta de los hogares del 5% (por defecto) sobre los ingresos que excedan la deducción estándar, el impuesto rendiría 375.000 millones de dólares anuales.28Los 674 mil millones de dólares reemplazados por la Ley de Medicare para Todos equivaldrían a una tasa impositiva del 9% (límite superior).

El impuesto sobre el patrimonio neto de Sanders

Un impuesto del 1% sobre el patrimonio neto de los hogares superior a 21 millones de dólares, aplicado al 0,1% de todos los hogares de Estados Unidos, generaría 109.000 millones de dólares anuales.28Esta tasa impositiva se puede modificar para variar desde el 0% (límite inferior, predeterminado) hasta el 2% (límite superior).

Tarifas reducidas para servicios hospitalarios y clínicos

El primer conjunto de ahorros podría lograrse aplicando la actual escala de tarifas de Medicare a todos los servicios hospitalarios y clínicos. Los servicios hospitalarios y clínicos representan más de un tercio del gasto en atención médica en los Estados Unidos.29Las tarifas cobradas a las aseguradoras privadas suelen ser inconsistentes y desproporcionadas con la calidad de los servicios. 30 31Por ejemplo, los costos de un parto vaginal sin complicaciones pueden ser diez veces más caros en algunas áreas de California, EE. UU., en comparación con otras, y menos de un tercio de esta variación es atribuible a la ubicación o a la población de pacientes.32Además, los honorarios hospitalarios no se correlacionan con los resultados maternos y neonatales.33La incongruencia es aún más pronunciada cuando se comparan los resultados clínicos y los costos en los EE. UU. con los de otros países. El costo promedio de dar a luz en España es de 2.333 dólares, en comparación con los 14.910 dólares en los EE. UU., pero la prevalencia de mortalidad neonatal en los EE. UU. es el doble que en España.34 35 36De manera similar, los costos de una apendicectomía en los Estados Unidos varían entre 9.332 y 33.250 dólares, con una correlación inversa entre el costo y los resultados clínicos. Por ejemplo, California tiene el costo medio más alto de las apendicectomías, pero también tiene tasas más altas de morbilidad y perforación asociadas que cualquier otro estado.37En cambio, Medicare reembolsa a los hospitales y médicos los servicios a tasas fijas. Si se aplican las tarifas negociadas por Medicare a todos los servicios para todos los individuos ( apéndice, págs. 2, 3 y 13 ),38 39 40Calculamos que los gastos hospitalarios se reducirían en un 5,54% y los gastos de servicios clínicos en un 7,38%, lo que representaría un ahorro anual de 100.000 millones de dólares.Desde la perspectiva de los proveedores de servicios de salud, las tarifas más bajas por servicio se compensarían con los ahorros derivados de la reducción de las tareas administrativas y de facturación, que representan un costo de 768 mil millones de dólares para los proveedores de servicios de salud. Se estima que la consolidación de la facturación en un sistema unificado tiene el potencial de reducir este gasto en 284 mil millones de dólares.26lo que sería más del doble del cambio propuesto en las tarifas. Otro beneficio de un sistema de facturación de pagador único para los proveedores es la eliminación de facturas impagas, que pueden superar los 35 mil millones de dólares anuales solo para los hospitales.41Además, la sobrecarga de papeleo es un factor primordial en el agotamiento médico.42 43A medida que los proveedores reducen su carga de trabajo administrativo, liberan tiempo para la atención al paciente, lo que aumentará la satisfacción profesional.42y aumentar sus ingresos. Además, el tiempo adicional del proveedor será demandado debido al aumento esperado en el uso del servicio. Reconociendo los beneficios para los proveedores y los pacientes, National Nurses United y Physicians for a National Health Program son ambos defensores de la Ley Medicare para Todos. Por el contrario, la Asociación Estadounidense de Hospitales se opone a la ley. La Asociación Estadounidense de Hospitales ha argumentado que depende de los pacientes privados para subsidiar la atención de los pacientes cubiertos por los planes Medicare y Medicaid. Sin embargo, las tarifas más bajas de Medicaid serán reemplazadas por reembolsos más altos de Medicare, y se eliminará la carga de las facturas impagas. Este ajuste mejoraría particularmente las dificultades financieras de los hospitales que atienden a comunidades de bajos ingresos. Del mismo modo, el alivio financiero que se derivaría de la reducción de las tareas administrativas y la eliminación de las facturas impagas podría aún no ser considerado de manera rutinaria por las partes interesadas.

Sistema unificado de facturación y administración

Los costos administrativos generales asociados con la prestación de seguros de salud representan el 12,4% del gasto de las compañías de seguros, en comparación con el 2,2% del plan Medicare. 26Aunque existe el riesgo inherente de que esa eficiencia de gastos generales no se mantenga después de que se haya ampliado el sistema, la ampliación de Medicare a una población mayor podría facilitar una mayor eficiencia. Por lo tanto, aplicando la tasa actual de gastos generales, calculamos que se podrían ahorrar otros 219.000 millones de dólares anuales consolidando todos los sistemas de seguros en el marco de Medicare. Los componentes de esta reducción de los gastos generales incluyen la eliminación de funciones corporativas redundantes y el truncamiento de la arquitectura salarial de las corporaciones de seguros de salud, en la que los altos ejecutivos están muy sobrecargados. El salario del jefe del sistema de pagador único propuesto se limitaría a 210.700 dólares, el salario del Secretario de Salud y Servicios Humanos. 44Este límite eliminaría la compensación excesiva de los ejecutivos de las compañías de seguros de salud, algunos de los cuales ganan más de 20 millones de dólares al año. 45Además de los ahorros en gastos generales, una base de datos completa de los gastos de atención médica facilitaría la detección del fraude, que extrae 85,7 mil millones de dólares cada año.46Tras la transición a un sistema de pagador único en Taiwán, una reducción del 8% en el gasto nacional total se atribuyó a la reducción del fraude.27

 47Al pasar de un sistema de pago de atención médica fragmentado a un sistema unificado, las irregularidades en las reclamaciones de los proveedores se pueden detectar más fácilmente.27Por ejemplo, en el marco de un sistema fragmentado, las reclamaciones excesivas por tiempo de dedicación de médicos pueden distribuirse entre pacientes con distintas aseguradoras. Sin embargo, si reconocemos que se han logrado mejoras en la detección de fraudes desde la transición de Taiwán, suponemos, de manera conservadora, que la mejora en la detección de fraudes generaría ahorros equivalentes a la mitad de los observados en Taiwán, lo que corresponde al 4% del gasto total en atención de salud.27 47Además, el análisis de sensibilidad que examinó la contribución de la variación en este parámetro mostró que una transición al sistema propuesto por la Ley de Medicare para Todos seguiría ahorrando costos incluso sin los ahorros provenientes de una mejor detección del fraude ( figura 2B ).

Negociación de precios de productos farmacéuticos

En 2017, se gastaron 469 mil millones de dólares en productos farmacéuticos en Estados Unidos.40impulsado por precios más altos que en cualquier otro país y que siguen aumentando más rápidamente que la inflación.34 48Por ejemplo, un frasco de insulina cuesta aproximadamente 300 dólares en Estados Unidos.49En comparación con $30 en Canadá.50La legislación que prohíbe la negociación de precios de productos farmacéuticos, suministros o equipos ha dejado al sistema Medicare sin capacidad para regular los precios. El imperativo del control de precios se ve rivalizado por el poder político de las corporaciones farmacéuticas, envalentonadas por la decisión de la Corte Suprema en el caso Citizens United que levantó las restricciones a los gastos políticos de las corporaciones. En cambio, la autoridad negociadora (que puede controlar los precios de los medicamentos y equipos médicos) es un componente fundamental de la Ley Medicare para Todos. Al representar a todo el mercado estadounidense, el Departamento de Salud y Servicios Humanos de Estados Unidos tendría un poder de negociación considerable. El Departamento de Asuntos de Veteranos de Estados Unidos tiene la capacidad de negociar precios que se alineen con el valor terapéutico de los medicamentos farmacéuticos y podría ser un modelo potencial para el sistema federal de atención médica de pagador único. Este poder de negociación da como resultado precios farmacéuticos que son un 40% más bajos en el sistema de VA que en Medicare.25Permitir la negociación de precios de medicamentos con un formulario similar al que utiliza el Departamento de Asuntos de los Veteranos aumentaría los ahorros en más de 180.000 millones de dólares. Estos ahorros anuales son similares a los propuestos por la senadora Elizabeth Warren a través de mecanismos alternativos para la reducción de precios de medicamentos.24Se han expresado preocupaciones de que la reducción de las ganancias de las corporaciones farmacéuticas frenaría la innovación biomédica.51Sin embargo, la disminución observada en la inversión científica,52que ha acompañado consistentemente márgenes de beneficio considerables para la industria farmacéutica,53Esto sugiere que las suposiciones de mercado que subyacen a estas preocupaciones podrían no ser correctas. No obstante, dado que los precios óptimos o alcanzables podrían ser diferentes de los negociados por el VA, la herramienta interactiva SHIFT permite que la reducción de precios varíe entre 0 y 60%. Incluso si los precios de los productos farmacéuticos no se vieran afectados, la Ley de Medicare para Todos reduciría los costos generales del sistema de atención de la salud ( figura 2C ).

Ampliación de cobertura y servicios

La prestación de servicios de salud universal implicaría un mayor uso de los servicios de salud por parte de quienes actualmente no tienen seguro y de quienes lo tienen pero para quienes el costo, como los copagos, impone una barrera para acceder a la atención médica. Empíricamente, los 38 millones de estadounidenses que no tienen seguro tienden a prescindir de los tratamientos y medidas profilácticas necesarios.2En concreto, las personas sin seguro utilizan los servicios de atención sanitaria en un 50,1% de la tasa de quienes tienen un seguro adecuado.39También hay 41 millones de estadounidenses con seguro insuficiente que tienen planes de seguro con deducibles y copagos prohibitivamente altos.1Las personas con seguro insuficiente utilizan los servicios de atención sanitaria en un 86% de la tasa de las personas con seguro adecuado.54En nuestro caso base, asumimos que el uso de la atención médica tanto por parte de las personas sin seguro como de las que tienen un seguro insuficiente aumentaría hasta llegar a las personas con un seguro adecuado para quienes el costo no desalienta el uso de los servicios de atención médica. Un análisis anterior supuso que las personas sin seguro habían optado por no pagar el seguro médico porque lo necesitaban menos.23lo cual está respaldado empíricamente por el número desproporcionadamente alto de personas jóvenes que no tienen seguro.55Sin embargo, otros estudios han indicado que las personas sin seguro podrían tener más probabilidades de tener comorbilidades y afecciones no diagnosticadas.56

  57que podrían requerir mayores recursos de atención sanitaria en comparación con las personas aseguradas.

El resultado final de Medicare para todos

A través de los mecanismos detallados anteriormente, predecimos que un sistema de salud de pagador único requeriría 3,034 billones de dólares anuales ( 

figura 3 ; 

apéndice p. 5 ), 458 mil millones de dólares menos que el gasto nacional en salud en 2017.

40Incluso después de tener en cuenta los mayores costos de la expansión de la cobertura, nuestro caso base basado en datos incluye ahorros de $59 mil millones en atención hospitalaria, $23 mil millones en servicios médicos y clínicos, $217 mil millones en gastos generales y $177 mil millones en medicamentos recetados ( 

figura 3 ; 

apéndice pág. 11 ). En consecuencia, el gasto anual per cápita disminuiría de $10 739

6a $9330, equivalente a una reducción del 13,1%. La expectativa de ahorro es sólida y se mantiene tras la variación de los parámetros de entrada. Por ejemplo, si los costos generales sólo cayeran al 6% del gasto total en salud (en lugar del 2,2% actual de Medicare), la Ley Medicare para Todos reduciría los costos en un 10,3%. Por el contrario, los ahorros aumentarían más allá de nuestro caso base si nuestro modelo sobreestima la demanda no satisfecha de las personas que no tienen seguro o están subaseguradas. Dado que ya se han asignado $2261 mil millones a la atención de salud por fuentes gubernamentales y filantrópicas existentes ( 

apéndice p. 5 ), el gobierno debe recaudar otros $773 mil millones para financiar completamente la Ley Medicare para Todos.

Figura miniatura gr3
Figura 3 Descripción general de los cálculos de la herramienta de financiamiento interactivo de atención médica de pagador único (SHIFT)Mostrar subtítulo completoVer imagen grandeVisor de figurasDescargar imagen en alta resoluciónDescargar (PPT)

Reestructuración del gasto en atención sanitaria por parte de los empleadores, los individuos y el país

La eliminación de los subsidios federales para los hogares de bajos ingresos y la consiguiente disminución de la inscripción en la Ley de Atención Médica Asequible han impulsado un aumento de las primas de seguro para todos, incluidos aquellos con planes patrocinados por el empleador. Esta tensión financiera podría aliviarse con los ahorros que surgen de un sistema de atención médica de pagador único. Una opción de financiamiento propuesta implicaría reemplazar las primas de seguro del empleador por un impuesto sobre la nómina y las primas de seguro del hogar por un impuesto sobre la renta.28La tributación podría fijarse de tal manera que se generen ahorros en ambos casos ( cuadro ; apéndice pág. 6 ). La redirección de las primas hacia los impuestos también equivaldría a una transferencia de capital de las empresas privadas al sector público, con efectos económicos redistributivos.

Tabla El efecto de un sistema de atención sanitaria universal para los empleadores y los hogares

EmpleadoresHogares
Primas del empleadorPropuesta de impuesto sobre la nóminaPrimas promedio de los hogares y gastos de bolsilloPropuesta de impuesto a los hogares y gasto de bolsillo
Gasto anual536 mil millones de dólares436 mil millones de dólares$5847$3478
Tasa impositiva equivalente12,29%10%9%5%

Gastos de los empleadores y de los hogares en primas de atención médica en comparación con los impuestos propuestos sobre la nómina y los hogares, respectivamente. Estos gastos y tasas impositivas se derivan de Sanders y colegas28 40y los Centros de Servicios de Medicare y Medicaid, y se detallan en el apéndice pág . 6. Para los hogares, la tasa impositiva se aplica a los ingresos superiores a $29 000, según lo estipulado por Sanders y sus colegas,28 40y se sumó a un gasto de bolsillo promedio proyectado de $507

Las contribuciones de los empleadores al seguro de salud actualmente promedian $10 446 por empleado y cubren el 71% de la prima de un hogar.58 61Estas primas para los empleadores equivalen a un impuesto del 12,29% sobre las nóminas que exceden los primeros 2 millones de dólares ( tabla ; apéndice pág. 6 ), extrapolado de Sanders y colegas.28Por lo tanto, cualquier impuesto sobre la nómina inferior al 12,29%, nuestro límite superior en la interfaz SHIFT, resultaría en ahorros para los empleadores. Un impuesto sobre la nómina del 10% generaría 436.000 millones de dólares anuales, lo que supondría un ahorro de 100.000 millones de dólares para los empleadores. Además, se aliviaría el importante coste de gestionar los beneficios de atención sanitaria de los empleados, un factor que, por nuestra parte, no incluimos en nuestros cálculos. Aunque los impuestos suelen asociarse con una pérdida irrecuperable de eficiencia, ya que los precios más altos pueden frenar las transacciones dentro de un mercado, es probable que la sustitución de la obligación legal de proporcionar atención sanitaria por un impuesto que lo haga a un coste reducido actúe como un estímulo económico para los empleadores.59Los 337 mil millones de dólares restantes que se necesitarían podrían generarse mediante un impuesto del 5% sobre los ingresos de los hogares que excedan la deducción estándar, lo que generaría 375 mil millones de dólares ( 

apéndice pág. 6 ).28El superávit de 38.000 millones de dólares podría contribuir a los costos de transición o constituir un fondo para pagar eventos imprevistos. Extrapolando nuevamente a Sanders y sus colegas,28La sustitución de las primas que se pagan actualmente por un impuesto del 5% permitiría a los hogares ahorrar un promedio de 2.369 dólares ( apéndice, pág. 6 ). Esta estructura impositiva redistribuye la carga de los costos de la atención médica para brindar el mayor alivio a los hogares de menores ingresos.23Por ejemplo, los actuales beneficiarios de Medicaid seguirán pagando pocos o ningún impuesto sobre la renta por su atención médica porque sus ingresos familiares suelen estar por debajo de la deducción fiscal estándar. Además, la Ley de Medicare para Todos elimina los deducibles y copagos que son especialmente onerosos para los hogares de bajos ingresos. Pollin y sus colegas

23Proporcionar un análisis exhaustivo de los efectos redistributivos para los hogares y las empresas.

23Las mejoras en la eficiencia del sistema, como la reducción de las tareas de facturación, implicarán una contracción de la fuerza laboral. Aunque el país se beneficiará de menores costos, se estima que 936.000 puestos administrativos y 746.600 puestos en el sector de seguros de salud se volverán redundantes.

23Sin embargo, los planes de transición detallados han sugerido financiación para opciones de jubilación anticipada, indemnizaciones extensas, programas de capacitación y gastos de reubicación para todos los trabajadores de estos sectores.

23Se estima que la implementación de un plan de este tipo costaría 61.500 millones de dólares anuales durante dos años.

23una suma que se recuperaría en el primer año gracias a los ahorros en atención sanitaria estimados aquí. Aunque existen múltiples vías para financiar la transición, una solución sencilla podría consistir en fijar el impuesto sobre la renta de los hogares en un 6% durante los dos primeros años, seguido de una estabilización en un 5%.

El potencial de salvar vidas de Medicare para todos

Más allá de las consideraciones económicas, el objetivo primordial de un sistema de atención de la salud es salvar vidas. Proyectamos el efecto salvador de vidas que lograría la Ley de Medicare para Todos mediante la provisión de seguro de salud para quienes actualmente no tienen seguro ( 

figura 4 ). A partir de la prevalencia de personas sin seguro en cada grupo de edad (0-18, 19-24, 25-34, 35-64 y ≥65 años)

55

 

60y la población por edad dentro de ella,

2Calculamos el número de personas sin seguro, que en total asciende a más de 37 977 297 estadounidenses. Dado que las personas sin seguro experimentan un aumento del 40% en el riesgo de mortalidad específica por edad,

62Calculamos el número esperado de muertes en cada cohorte de edad si todos los estadounidenses obtuvieran seguro. Estimamos que, sobre una base anual, la cobertura universal salvaría 68 531 vidas en los EE. UU. Se trata predominantemente de vidas de jóvenes, dado que la mayoría de las personas mayores de 64 años ya están cubiertas por Medicare. Los adultos de entre 25 y 35 años están representados desproporcionadamente, representando más de 9 millones de los no asegurados. Con base en la distribución por edad de estas muertes prematuras que se evitarían y sus correspondientes expectativas de vida específicas por edad, calculamos que la cobertura universal salvaría 1,73 millones de años de vida anualmente. Si se deroga la Ley de Atención Médica Asequible, se prevé que 21 millones de estadounidenses perderán la cobertura del seguro médico.

4Suponiendo que esta población se distribuye por edad de manera proporcional a aquellos que actualmente no tienen seguro, la eliminación de la Ley de Atención Médica Asequible resultaría en la pérdida de 38.557 vidas y 980.103 años de vida anualmente.

Figura miniatura gr4
Figura 4 El potencial anual de salvar vidas de la Ley de Medicare para Todos en comparación con el sistema actualVer imagen grandeVisor de figurasDescargar imagen en alta resoluciónDescargar (PPT)

Los estudios que evalúan la relación entre el estado de seguro y la mortalidad se han visto limitados por las dificultades de alcanzar suficiente poder estadístico y de lograr una verdadera aleatorización prospectiva.

63Por lo tanto, también presentamos el número estimado de vidas salvadas por la atención médica universal como una función del mayor riesgo de mortalidad para las personas sin seguro ( 

figura 5 ). Nuestro cálculo del potencial de salvar vidas de la Ley de Medicare para Todos es muy conservador en varios aspectos. Es probable que se salven más vidas a través de las mejoras en la continuidad de la atención facilitadas por un sistema de pagador único. Además, este cálculo no incorpora las mejoras en la supervivencia derivadas de asegurar completamente a los 41 millones de personas que están subaseguradas y, por lo tanto, actualmente renuncian a la atención necesaria.

1

Figura miniatura gr5
Figura 5 Número de vidas salvadas gracias a la Ley de Medicare para TodosMostrar subtítulo completoVer imagen grandeVisor de figurasDescargar imagen en alta resoluciónDescargar (PPT)

Sinergias entre salud y prosperidad

Además de evitar la mortalidad, se aliviaría una morbilidad sustancial mediante los mecanismos de cobertura sanitaria universal y financiación de pagador único. La cobertura universal elimina las barreras para acceder a la atención primaria y preventiva existente, y un sistema de pagador único incentiva la expansión de los programas preventivos. La atención preventiva reduce la incidencia de una gran cantidad de enfermedades, incluida la diabetes tipo 2,70cardiopatía,71y osteoporosis,72Todo esto afecta negativamente la calidad de vida, incluso en casos que no resultan en la muerte. Por ejemplo, el diagnóstico rápido de prediabetes combinado con recomendaciones del médico sobre dieta y ejercicio puede reducir el riesgo de progresión a diabetes tipo 2.70Dado que un sistema de pagador único sería responsable financieramente de la atención médica durante toda la vida de todos los estadounidenses, resulta eficiente incurrir en un pequeño costo en el presente con el propósito de evitar condiciones de salud más graves y costosas en el futuro. En cambio, las compañías de seguros privadas, en las que los pacientes suelen estar inscritos transitoriamente, maximizan las ganancias al minimizar los costos a corto plazo. Esta práctica refleja la responsabilidad fiduciaria de las corporaciones de seguros de salud hacia sus accionistas; también desincentiva inherentemente la priorización de la salud a largo plazo. La reducción de costos miope puede catalizar una cascada de repercusiones financieras y de salud a largo plazo a lo largo de la vida de un paciente. El sistema de atención médica de pagador único en Canadá gasta más per cápita en prevención (6,2%), asignando más del doble de fondos a la prevención como proporción del gasto nacional total en salud que los Estados Unidos (2,8%).73Esto es especialmente sorprendente a la luz de la elevada prevalencia de enfermedades crónicas en los EE. UU. (por ejemplo, los hombres en los EE. UU. tienen una tasa de mortalidad por enfermedad cardiovascular un 28% mayor en comparación con los hombres canadienses).74Las repercusiones de la reducción de gastos en Estados Unidos van más allá de las enfermedades crónicas. Por ejemplo, a pesar de la epidemia sin precedentes de dependencia de opiáceos en Estados Unidos, muchas compañías de seguros siguen negándose a reembolsar los medicamentos menos adictivos, pero más caros, y las alternativas de fisioterapia.75A lo largo de la vida de un paciente, es probable que los precios más elevados de los medicamentos alternativos para el dolor crónico sean eclipsados ​​por los beneficios para la salud y la calidad de vida que se derivan de la prevención de la adicción y los costos posteriores del tratamiento del abuso de sustancias. Además, el seguro de salud proporcionado por el empleador favorece el uso de fármacos adictivos para el tratamiento del dolor en lugar de opciones más costosas, incluida la fisioterapia.76Para agravar la crisis, los fabricantes de opioides han llevado a cabo campañas de marketing agresivas durante las últimas tres décadas tras el levantamiento de las regulaciones de la Administración de Alimentos y Medicamentos de los Estados Unidos sobre la publicidad directa de productos farmacéuticos, incluidos los narcóticos, dirigidas a los consumidores. Además, los fabricantes de opioides se dirigieron a los médicos en formación para promover la prescripción de opioides y financiaron programas de apoyo, que argumentaban que la prescripción excesivamente juiciosa de narcóticos había provocado un sufrimiento innecesario a los pacientes.77En consecuencia, la epidemia de dependencia de opioides se disparó en los Estados Unidos y ahora supera a la de cualquier otro país. Por ejemplo, en Canadá la mortalidad atribuible a sobredosis de opioides es un 32% menor que en los Estados Unidos.78Para abordar la epidemia de opioides en los EE. UU., la Ley de Medicare para Todos incluye el tratamiento de los trastornos relacionados con el uso de drogas, incluido el tratamiento asistido con medicamentos, terapias conductuales y atención hospitalaria. El seguro de salud universal también generaría externalidades económicas positivas al mejorar la productividad de la fuerza laboral. Por ejemplo, el cáncer de próstata causa una pérdida de productividad de 5,4 mil millones de dólares, una cifra que se agrava aún más por la pérdida de productividad de 3,0 mil millones de dólares de los cónyuges de estos pacientes.79La pérdida de productividad atribuible a la diabetes es aún mayor: el ausentismo, la discapacidad y la mortalidad prematura resultantes de esta afección son responsables de pérdidas anuales de 73,7 mil millones de dólares en todo Estados Unidos.80Al ampliar el acceso a los exámenes de detección y la atención preventiva, la Ley de Medicare para Todos ayudaría a evitar estas enfermedades y, de esa manera, impulsaría la prosperidad estadounidense.

Mejorar la continuidad de la atención sanitaria

Contrariamente a la idea errónea popular de que un sistema de atención de salud federal restringiría la selección de proveedores por parte de los pacientes, un sistema de pagador único integra a todos los proveedores bajo un marco financiero unificado. Esta reestructuración borra las distinciones entre dentro y fuera de la red y el problema de los proveedores de atención de salud que se niegan a aceptar a personas en función de su condición de asegurado. La elección del paciente se ampliará drásticamente si se adopta un sistema de atención de salud universal. Con la disociación de la condición de empleo de los planes de seguro, un sistema de pagador único también resolvería la fragmentación del sistema que surge durante la transición laboral (por ejemplo, el antiguo médico de un paciente se considera fuera de la red en virtud del nuevo plan de seguro del empleador). Esta fragmentación disminuye la eficacia del tratamiento de enfermedades crónicas y retrasa la atención de las afecciones agudas. La cobertura universal de pagador único elimina el peligro de perder la atención de salud cuando más se necesita. Para muchos estadounidenses, una enfermedad grave precipita la pérdida simultánea de ingresos y seguro médico basado en el empleo. La Ley de Estadounidenses con Discapacidades no protege a los empleados cuyas necesidades médicas imponen una «dificultad excesiva».81a su empleador. Por ejemplo, el 19% de las mujeres a las que se les diagnostica cáncer de mama quedan desempleadas dentro de los cuatro meses posteriores al tratamiento.82Esta combinación de desempleo y pérdida de seguro médico afecta gravemente la situación sanitaria. Las personas con cáncer que no tienen seguro tienen un riesgo 17% mayor de metástasis y un 30% mayor de morir que los pacientes asegurados.83

La fragmentación es particularmente problemática en el tratamiento de enfermedades crónicas, como las enfermedades mentales. El 57% de los 50 millones de estadounidenses que padecen enfermedades mentales no reciben tratamiento.84La razón más común es el coste prohibitivo.8687Incluso los planes que aparentemente cubren las enfermedades mentales y los trastornos por consumo de sustancias a menudo niegan el tratamiento y autorizan un número insuficiente de profesionales.87De manera precaria, abandonar la protección para las personas con afecciones preexistentes conducirá a primas cada vez mayores para las personas con antecedentes de enfermedad mental o trastorno por consumo de sustancias. Al eliminar las barreras de costos para los pacientes y consolidar a los profesionales de la salud mental en una sola red, la Ley de Medicare para Todos ayudaría a cerrar la brecha cada vez mayor entre las necesidades de salud mental y el acceso a los servicios.

Es hora de actuar

A medida que aumenta el apoyo público a la reforma de la atención sanitaria en los Estados Unidos, los legisladores están preparados para transformar el sistema de atención sanitaria y salvar miles de vidas cada año.

La atención sanitaria universal de pagador único tiene el potencial de mejorar la calidad, la relación coste-eficacia y la accesibilidad de los servicios médicos.

Nuestras proyecciones indican que la aplicación de la Ley de Medicare para Todos generaría ahorros netos en una amplia gama de posibles opciones de gasto y financiación. Las objeciones a la Ley de Medicare para Todos basadas en la expectativa de un aumento de los costes son erróneas.

Algunos estadounidenses expresan su preocupación por el control del gobierno federal de este gran sector de la economía o por la violación de los principios capitalistas. Sin embargo, el sector de la atención sanitaria ya está muy regulado en muchos aspectos y se aparta de los ideales capitalistas a través de una fijación de precios opacos y a menudo monopolistas. Cabe esperar una fuerte oposición de poderosos intereses creados, incluidas las industrias farmacéutica y de seguros sanitarios. Para contrarrestar estas preocupaciones está el imperativo moral de proporcionar atención sanitaria como un derecho humano, que no depende del empleo o la riqueza. La comunidad médica debería aprovechar esta oportunidad para promover el bienestar, mejorar la prosperidad y establecer un sistema de atención médica más equitativo para todos los estadounidenses.

Prioridades de salud para Kamala Harris

La Convención Nacional Demócrata comienza el 19 de agosto tras la trascendental decisión del presidente Joe Biden de abandonar la carrera presidencial. La administración Biden, incluida Kamala Harris, merece un gran reconocimiento por haber aportado estabilidad al país después del ataque al Capitolio de Estados Unidos instigado por Donald Trump, así como por una agenda de salud que incluyó el restablecimiento tanto de la financiación para la OMS y el Fondo de Población de las Naciones Unidas como del papel de Estados Unidos en el Acuerdo Climático de París, la introducción de un crédito fiscal ampliado por hijos y la ampliación de la Ley de Atención Médica Asequible. Al dimitir, Biden advirtió que «Estados Unidos se encuentra en un punto de inflexión… en el que las decisiones que tomemos ahora determinarán el destino de nuestra nación y del mundo en las próximas décadas». Harris, junto con el gobernador de Minnesota Tim Walz, elegido vicepresidente, tiene ahora la oportunidad de desarrollar una agenda audaz para mejorar la salud de la nación y su posición en la diplomacia sanitaria mundial. ¿Qué debería priorizar una administración Harris-Walz?En primer lugar, Harris debería hacer de la reversión de la caída de la expectativa de vida en Estados Unidos una parte definitoria de su administración. Estados Unidos tiene la 

expectativa de vida más baja (77,4 años en 2022, por debajo de los 78,8 años de 2019) en comparación con otros países de altos ingresos y ocupa el puesto 53 entre todos los países y territorios. Para lograr un ambicioso objetivo de cuatro años, la reducción de la brecha en las disparidades de salud sería una piedra angular necesaria de ese plan, especialmente entre las personas negras y los nativos americanos, que se vieron desproporcionadamente afectados por las muertes por 

COVID-19 . El estado de Mississippi tiene una expectativa de vida de 71,9 años, menor que la de Mongolia (72,6 años) o Siria (72,3 años). 

Estados Unidos también gasta más per cápita en salud que cualquier otra nación (es decir, US$4,5 billones o US$13 493 por persona), pero ese gasto no se traduce en mejores resultados en materia de salud. Para revertir esta tendencia, Harris debe combatir las causas que llevaron a más de un millón de muertes por COVID-19, como el acceso deficiente a la atención médica, la escasez de equipos, la deficiente vigilancia de la salud pública en todo Estados Unidos y afecciones como la obesidad, la diabetes y las enfermedades cardiovasculares.La campaña de Harris también tendrá que incentivar a los estados que tienen los peores indicadores de salud. Harris debería tratar de encontrar puntos en común en materia de enfermedades no transmisibles, adicción a los opioides y programas de salud mental en los estados liderados por los republicanos. Harris también tendrá que explicar cómo hará realidad el plan de salud universal, 

Medicare para todos , que ella apoya: su implementación probablemente contribuiría en gran medida a reducir las disparidades en materia de salud del país. Un artículo de The Lancet

 de 2020 estimó que Medicare para todos podría ahorrar a los EE. UU. más de 450 mil millones de dólares y evitar más de 68 000 muertes cada año.Harris también debe lidiar con la falta de confianza en la ciencia, que afecta negativamente la adopción de recomendaciones de salud pública. En 2023, más de una cuarta parte (es decir, el 27%) de los estadounidenses declaró no tener mucha o ninguna 

confianza en que los científicos actúen en el mejor interés del público. 

El Nature Index informó que, en 2022, 77 de las 100 principales instituciones de EE. UU. registraron un crecimiento negativo en la producción de investigación. Los Institutos Nacionales de Salud de EE. UU. ahora ocupan el puesto 18 entre las 20 principales instituciones mundiales con la mayor proporción de artículos publicados en revistas revisadas por pares. La plataforma de salud de Harris podría mostrar su apoyo a los Institutos Nacionales de Salud financiando su agenda. ¿Qué está en juego? Continuar los avances en inmunoterapia, el objetivo de Cancer Moonshot de prevenir más de 4 millones de muertes por cáncer para 2047, poner fin a la epidemia del VIH y apoyar la investigación sobre salud mental y salud de la mujer. La anemia de células falciformes y la investigación de nuevas vacunas también son prioridades principales, con beneficios no solo para los estadounidenses.Aunque la política interna puede resultar atractiva para los votantes, la política exterior es importante para reconfigurar la imagen de Estados Unidos como un país inventivo, rico en inmigrantes, cuyo compromiso con la innovación científica conducirá a un planeta más sano para todos. Una presidencia de Harris debería defender el papel de Estados Unidos en la diplomacia sanitaria mundial de una manera que permita a los opositores en el Congreso ampliar el Plan de Emergencia del Presidente para el Alivio del SIDA y garantizar el liderazgo estadounidense en la reposición de fondos del Fondo Mundial en 2025. Mientras tanto, se debe mantener la presión para alentar a otros países donantes a que se comprometan a aportar más fondos para la salud mundial. No es una estrategia de gestión de riesgos acertada tener un único contribuyente principal.El punto de inflexión de Biden está cerca. Por ello, 

The Lancet dedica un número especial a la salud en Estados Unidos. El número, que se publicará a principios de diciembre, servirá como libro de información presidencial para la próxima administración, ya sea demócrata o republicana. Todo el mundo tiene interés en la agenda sanitaria del próximo presidente de Estados Unidos.

Aunque el gasto en atención médica per cápita es mayor en los Estados Unidos que en cualquier otro país, más de 37 millones de estadounidenses no tienen seguro médico y 41 millones más tienen un acceso inadecuado a la atención. Se están realizando esfuerzos para derogar la Ley de Atención Médica Asequible, que exacerbaría las desigualdades en materia de atención médica. En cambio, un sistema universal, como el propuesto en la Ley de Medicare para Todos, tiene el potencial de transformar la disponibilidad y eficiencia de los servicios de atención médica estadounidenses.

Si se tienen en cuenta tanto los costos de la expansión de la cobertura como los ahorros que se lograrían mediante la Ley de Medicare para Todos, calculamos que un sistema de atención médica universal de pagador único probablemente generaría un ahorro del 13% en el gasto nacional en atención médica, equivalente a más de 450.000 millones de dólares anuales (según el valor del dólar estadounidense en 2017).

Todo el sistema podría financiarse con un desembolso financiero menor que el que incurren los empleadores y los hogares para pagar las primas de atención médica combinadas con las asignaciones gubernamentales existentes. Este cambio a una atención médica de pagador único proporcionaría el mayor alivio a los hogares de menores ingresos. Además, estimamos que garantizar el acceso a la atención sanitaria para todos los estadounidenses salvaría más de 68.000 vidas y 1,73 millones de años de vida cada año, en comparación con el statu quo.

La evaluación de la tecnología sanitaria en la era de la inteligencia artificial: el departamento quirúrgico de IA

Bellini V, Panizzi M, Bignami EG. The health technology assessment in the artificial intelligence era: the AI surgical department. Art Int Surg 2024;4:44-7. http://dx.doi.org/10.20517/ais.2024.10

Los datos están desempeñando un papel sin precedentes en la atención sanitaria. El libro blanco de Schnelldorfer et al. es la guía largamente esperada que sienta las bases para una implementación rutinaria segura y factible de la recopilación continua de datos de salud durante nuestras actividades clínicas [ 1 ] .

Los datos en el quirófano (OR) son particularmente complejos de gestionar, tanto en términos de cantidad como de calidad. Están representados por datos de múltiples fuentes de varios tipos (estructurados y no estructurados), recopilados en tiempo real durante horas para cada paciente. Una lista de verificación de requisitos comunes es muy útil para el diseño y la implementación de una estrategia de archivo, así como para la validación de una existente. También define un marco para el establecimiento de estándares comunes, que son esenciales para la interoperabilidad. Además de esto, la fortaleza de la lista de verificación es que podría adaptarse a entornos no quirúrgicos y extenderse a toda la vía perioperatoria. Si tuviéramos que recopilar todos los datos de monitoreo de los parámetros vitales posoperatorios de forma continua en lugar de solo imágenes, podrían surgir problemas similares a los del contexto intraoperatorio.

El valor de los datos sanitarios es hoy ampliamente reconocido: la idea de “desperdiciar” toda la información que podríamos recoger en los quirófanos y a lo largo del perioperatorio porque no sabemos cómo utilizarla adecuadamente suena anacrónica. De hecho, hoy en día, tenemos a nuestra disposición sistemas inteligentes de recogida y análisis de datos que nos dan la oportunidad de explotar esta “mina de oro” y proporcionan potentes herramientas capaces de mejorar la práctica clínica, así como la optimización de los recursos y la calidad de los servicios prestados, apuntando a una verdadera medicina de precisión [ 2 ] .

El uso de datos de salud plantea muchos problemas, especialmente éticos y legales, donde incluso la definición de responsabilidad aún no está bien definida 3 , 4 ] . No tener un programa de gestión de datos puede resultar en graves violaciones de la privacidad y la normativa. Para garantizar la máxima transparencia y confiabilidad en la implementación de la lista de verificación proporcionada por los autores, es esencial una aplicación multidisciplinaria. La complejidad de los datos y las canalizaciones de datos, junto con la creciente importancia del cumplimiento de la privacidad y la ciberseguridad, está aumentando y tanto los médicos como los administradores pueden no estar siempre adecuadamente preparados para gestionar todos los datos generados en la práctica sanitaria. La gestión de datos, la privacidad, la seguridad y el consentimiento informado son requisitos previos tanto para la usabilidad de la información recopilada como para su explotación dentro de sistemas inteligentes que inherentemente requieren grandes cantidades de datos como combustible para su desarrollo: las tecnologías de big data e inteligencia artificial (IA) tienen características únicas, y se necesita un enfoque flexible pero estandarizado para gestionarlas correctamente 5 ] .

Intentamos dar una solución a este reto sugiriendo la creación de un Departamento Quirúrgico de IA capaz de identificar, analizar y gestionar la mayoría de los problemas relacionados con la gestión de datos y la implementación de nuevas tecnologías en el entorno quirúrgico y perioperatorio. La composición propuesta inicialmente se representó de la siguiente manera: profesionales sanitarios, ingenieros y científicos de datos. Sin embargo, es evidente a partir del trabajo de Schnelldorfer que para la implementación adecuada y estandarizada de estas nuevas tecnologías, el conocimiento clínico y técnico-informático no es suficiente. Aunque algunos autores 4 ] argumentan que los clínicos necesitan ser plenamente conscientes de cómo cumplir con los requisitos de la normativa, creemos que es más importante que estén respaldados por el personal legal, incluidos los delegados de la unidad forense y del comité de ética, para que los clínicos puedan centrarse en el uso correcto desde una perspectiva clínica, centrándose en los pacientes. Por el contrario, dejar la evaluación completa solo al clínico conduciría una vez más al riesgo de sobrecargar la actividad clínica y retrasar la implementación de estas nuevas tecnologías [ Figura 1

Figura 1. El Departamento Quirúrgico de IA es el lugar donde los profesionales sanitarios evalúan, implementan y supervisan el uso de los sistemas de IA en el período perioperatorio. Por un lado, los profesionales sanitarios actúan como vínculo entre la realidad clínica y la tecnología; por otro lado, las figuras técnicas y jurídicas brindan apoyo a los médicos para el uso correcto y garantizan el cumplimiento de las regulaciones vigentes durante la implementación de la tecnología. De particular importancia es el personal médico-legal, que incluye tanto la unidad médico-legal como los miembros del comité de ética, quienes son responsables de proporcionar pautas sobre la correcta observancia del consentimiento informado, la protección de datos más amplia y el apoyo a los litigios médico-legales

INTRODUCCIÓN

Para entrenar, probar y validar adecuadamente cualquier sistema que utilice inteligencia artificial (IA) en cirugía, es fundamental la existencia de grandes conjuntos de datos de alta calidad 1 , 2 ] . Algunos de los datos pueden provenir del entorno preclínico, pero se espera que gran parte de ellos deriven de entornos de atención clínica de rutina, como el quirófano. Por lo tanto, ahora más que nunca, existe un gran interés en el registro rutinario de datos en el quirófano. Esto conlleva una amplia gama de posibles beneficios, como revisiones retrospectivas de hallazgos intraoperatorios para guiar la atención posoperatoria, el desarrollo de nuevas tecnologías complementarias, como los sistemas de IA, una mayor transparencia en la identificación de áreas de necesidad y herramientas inteligentes para la capacitación y la provisión de retroalimentación 3 ] . Sin embargo, estos posibles beneficios también conllevan enormes preocupaciones y barreras éticas, que en el pasado han sido el principal obstáculo para una adopción e implementación más generalizadas de la IA en la atención médica. El objetivo de este manuscrito es identificar los requisitos comunes necesarios para abordar estas barreras e implementar métodos para el registro confiable de datos útiles en el quirófano y así crear un camino realista para una implementación más amplia.

Cuando se trata de registrar datos en el quirófano, es importante separar los datos que se crean como parte del estándar de atención de los datos que no son un producto de esta atención de rutina [ Tabla 1 ]. Estos últimos caen dentro de las regulaciones bien establecidas de la investigación y no se abordarán en este manuscrito. Este manuscrito se centrará principalmente en los datos creados como parte del estándar de atención de los pacientes, pero que no se registran de manera rutinaria. Los datos registrados de manera rutinaria creados como parte del estándar de atención, como el registro de anestesia, con frecuencia pueden delinear una vía viable y podrían considerarse como un ejemplo de caso que se puede replicar para los datos que no se recopilan de manera rutinaria. Una revisión de la literatura revela que la mayoría de los autores se han centrado en la grabación rutinaria de videos endoscópicos. Sin embargo, los mismos procesos se aplican igualmente a los demás datos que se producen comúnmente en el quirófano.

tabla 1

Ejemplos de tipos de datos disponibles en el quirófano (los ejemplos pueden variar según la práctica)

Datos creados como parte del estándar de atenciónDatos que NO se crean de forma rutinaria como parte del estándar de atención
Datos registrados rutinariamente● Signos vitales
● La mayoría de las imágenes radiográficas
● Datos seleccionados del dispositivo (por ejemplo, ventilación)
● Administrativos (por ejemplo, suministros)
● Investigación
Datos que NO se registran de forma rutinaria● Datos del paciente (p. ej., imágenes, video, audio)
● Datos del dispositivo (p. ej., posición de la mesa, medidas de resistencia eléctrica del dispositivo de energía, medidas de presión de la grapadora, etc. )
● Datos del cirujano (p. ej., cinemática, seguimiento ocular)
● Interacciones del equipo de atención médica (p. ej., “caja negra” del quirófano)
● Investigación

Es importante mencionar que este manuscrito no pretende ser una “receta” global sobre cómo implementar el registro de rutina en el quirófano. El objetivo de este manuscrito es identificar los requisitos comunes que deben abordarse (es decir, el “qué”), pero no proporciona soluciones concretas (es decir, el “cómo”). Es fundamental reconocer que las reglas de implementación legítima del registro de rutina pueden diferir entre varias jurisdicciones o incluso entornos culturales. Las soluciones reales para la implementación pueden variar aún más según el tipo de datos que se registrarán, el propósito del registro, el entorno institucional, la cultura geográfica y los estándares locales de atención.

MÉTODOS

Los miembros del Comité Editorial de Artificial Intelligence Surgery se encargaron de identificar los principales requisitos para el registro rutinario de datos en el quirófano y redactar un Libro Blanco de directrices. Este Grupo de Trabajo de Registro de Datos de Quirófano estaba formado por TS, AAG y SVG. Los temas se dividieron en nueve categorías principales: (1) Proceso de consentimiento; (2) Requisitos técnicos; (3) Uso y acceso a los datos (clínicos, investigación e innovación, educación, mejora de la calidad y acceso); (4) Privacidad y seguridad de los datos (privacidad y confidencialidad y ciberseguridad); (5) Retención de datos; (6) Propiedad de los datos; (7) Gobernanza; (8) Costo financiero; y (9) Impacto en las reclamaciones por mala praxis médica. Los miembros del Grupo de Trabajo identificaron a expertos en el campo del registro de datos de quirófano y también se les pidió que escribieran algunas de las secciones. El Grupo de Trabajo extrajo declaraciones de cada sección. Todos los autores (Grupo de Trabajo de Registro de Datos de Quirófano y Expertos Invitados) del Libro Blanco aprobaron las declaraciones antes de enviar el manuscrito para su publicación.

Proceso de consentimiento

El consentimiento del paciente es un aspecto importante de la grabación de rutina en el quirófano y, por defecto, debe obtenerse antes de la grabación. El formato del proceso de consentimiento puede variar según la jurisdicción y las políticas institucionales, pero también según el propósito de la grabación. Si bien en determinadas circunstancias se puede permitir una exención del consentimiento por escrito, en la mayoría de las situaciones, la incorporación del consentimiento para la grabación va a ser parte del consentimiento para la operación planificada o parte del consentimiento para un estudio de investigación específico. Pueden aplicarse raras excepciones al consentimiento informado, como los pacientes que no son competentes para dar su consentimiento en ausencia de un apoderado o tutor, emergencias potencialmente mortales con tiempo inadecuado para obtener el consentimiento o pacientes que renuncian voluntariamente a su derecho a dar su consentimiento 4 ] . Se debe tener cuidado al obtener el consentimiento de poblaciones vulnerables, como pacientes sometidos a operaciones de emergencia o urgentes, personas con discapacidad intelectual, niños, ancianos, mujeres embarazadas, personas con desventajas socioeconómicas o educativas y prisioneros.

En cuanto al formato del consentimiento, este debe ser “informado” y seguir estándares típicos como estándares subjetivos, estándares razonables para el paciente o estándares razonables para el médico, que generalmente son determinados por la jurisdicción local 4 ] . Debe incluir explicaciones sobre el tipo de datos que se registrarán, lo que los datos capturarán y lo que no, el manejo y almacenamiento de los datos, el alcance del uso de los datos, el acceso a los datos y el intercambio de datos, el riesgo y beneficio asociados y las opciones alternativas. Debe abordar posibles conflictos, como la presión de la atención médica sobre el paciente que desea una operación y teme no molestar al equipo de atención o cualquier beneficio que el médico que otorga el consentimiento pueda obtener del registro, etc. Debe incluir si los datos se compartirán con el paciente de manera rutinaria, por solicitud o no. Este consentimiento debe ser una presentación aceptable para un paciente que enfrenta un evento importante en la vida. Por lo tanto, se debe considerar cuidadosamente el nivel de detalle incluido en el consentimiento. Además, también puede tener en cuenta las incógnitas imprevisibles con respecto a las posibles aplicaciones de la IA en el futuro.

En particular, la decisión de si se compartirán o no los datos con el paciente es una cuestión compleja. Si se comparten los datos, ya sea de manera rutinaria o por solicitud, es beneficioso establecer las expectativas de los pacientes sobre lo que probablemente encontrarán cuando vean los datos. Por ejemplo, si los datos son un video de la operación, sería importante explicar al paciente antes de la operación que el video puede mostrar sangrado, errores menores, otras imperfecciones y la participación de todo el equipo, incluidos los practicantes. Por lo general, existe una gran desconexión entre las expectativas del paciente y la realidad quirúrgica. Después de la operación, es necesario un proceso de explicación de los datos al paciente antes de compartirlos. Por ejemplo, en el caso de un video operatorio, puede ser útil que un miembro calificado del equipo quirúrgico revise el video con el paciente y esté disponible para cualquier pregunta que surja a partir de entonces. En general, es posible que los pacientes deban estar preparados para la respuesta potencialmente emocional que pueden experimentar cuando se encuentran con dicha información. Por lo tanto, compartir los datos registrados con los pacientes puede implicar un compromiso de tiempo sustancial para el equipo quirúrgico.

Otras consideraciones incluyen si los miembros del equipo quirúrgico necesitan obtener el consentimiento si su participación en la operación es capturada por la grabación 5 ] . Deben revisarse las cuestiones relacionadas con el consentimiento implícito del cirujano y el equipo de atención como parte de su empleo. Deben implementarse opciones de exclusión voluntaria no solo para el paciente sino también para el cirujano y el equipo de atención. El manejo de cualquier dato, si se retirara el consentimiento después de que se realice la grabación, debe estar predeterminado. Además, en caso de que los datos no se desidentifiquen, podría ser necesario un consentimiento más estricto/detallado. Además, debe abordarse el aumento asociado en la carga de trabajo dependiendo de quién esté dando el consentimiento y dirigiendo las discusiones y si existe alguna necesidad potencial de información escrita adicional.

Declaración – Proceso de consentimiento

1. El consentimiento informado del paciente es un aspecto importante de la grabación de rutina en el quirófano y, por defecto, debe obtenerse antes de iniciar la grabación.
2. El consentimiento informado del paciente debe incluir si los datos se compartirán con el paciente de manera rutinaria, a pedido o no.
3. Si los datos son un video de la operación y se comparten, sería importante preparar al paciente para lo que se espera que vea.
4. Si los miembros del equipo quirúrgico necesitan o no dar su consentimiento antes de ser grabados, dado que su participación en la operación también se captura, debe decidirse y definirse claramente antes de cualquier grabación en el quirófano.

Requerimientos técnicos

Los requisitos de cualquier dispositivo de grabación que se utilice en el quirófano dependen en última instancia del tipo de datos que se van a registrar, los objetivos propuestos y los requisitos reglamentarios. Sin embargo, casi siempre incluye la capacidad de recopilar datos digitales sin procesar de varias fuentes de salida. Por lo tanto, los equipos quirúrgicos deben estar familiarizados con los distintos tipos de datos digitales. La captura de datos dentro del quirófano incluye fuentes de datos tanto yuxtaoperatorias como circunoperatorias. El dominio yuxtaoperatorio incluye el foco de la actividad quirúrgica representada por el propio procedimiento quirúrgico. El dominio circunoperatorio está representado por toda la actividad fuera del foco directo de la actividad quirúrgica, es decir, el espacio físico ocupado por el personal quirúrgico que permitiría la captura de datos visuales, auditivos y ambientales. Estos datos se dividen en lo que se está grabando físicamente y sus metadatos. Los metadatos se refieren a un conjunto de datos que proporciona información relacionada con el conjunto de datos real y normalmente se almacena dentro del conjunto de datos real. Por ejemplo, los metadatos de un vídeo quirúrgico pueden incluir información como el nombre del paciente, el nombre del cirujano, la fecha del servicio y el tipo de procedimiento quirúrgico realizado.

Las interfaces y la conectividad necesarias para la grabación de datos generados, como video y audio, suelen estar estandarizadas y divididas entre señales analógicas y digitales. Las interfaces suelen utilizar conectores que son omnipresentes en los dispositivos electrónicos de consumo (por ejemplo, digitales: HDMI, DisplayPort, FireWire, Thunderbolt, USB-C; conectores RCA analógicos, miniconectores TRS de 3,5 mm).

La grabación de vídeo y datos relacionados desde el quirófano ha sido tradicionalmente proporcionada por proveedores relevantes de cámaras de vídeo y equipos quirúrgicos. Dichos proveedores han desarrollado plataformas que permiten características tales como la desidentificación automática de información sanitaria protegida, la creación automática de marcadores, el control por voz para la anotación, la conectividad inalámbrica y los perfiles de usuario preconfigurados con configuraciones estandarizadas. Independientemente de la configuración del proveedor, las características del dispositivo de grabación tendrían que incluir una amplia gama de conectores relevantes. Requiere la capacidad de controlar la grabación, reproducción y anotación de hitos dentro del procedimiento quirúrgico mediante entrada de voz o mediante un control en un instrumento. La identificación o desidentificación del vídeo grabado debería ser configurable dentro de la convención de nombres de archivo establecida. Idealmente, los dispositivos de grabación deberían tener la capacidad de personalizar los nombres de archivo. Las convenciones de nombres de archivo deberían permitir la oportunidad de un reconocimiento de alto nivel del contenido del archivo. Los datos relevantes podrían incluirse dentro de un esquema de base de datos donde un identificador único estaría vinculado a otros datos relevantes de fuentes de registro como el historial médico electrónico. Dejar de lado lo anterior y decidir no utilizar hardware de grabación relacionado con el proveedor permite la oportunidad de configurar un entorno de grabación más personalizado, pero requeriría recursos técnicos que pueden o no estar disponibles incluso para los desarrolladores de software.

En la actualidad, el registro de datos en formato digital es omnipresente, rentable y no requiere habilidades técnicas avanzadas. Sin embargo, la conservación de los datos registrados es un proceso empresarial complejo que requiere compromiso y recursos organizacionales. Los requisitos empresariales incluyen, entre otros, la garantía de que la información sanitaria protegida de los pacientes relacionada con los datos registrados se almacena de forma adecuada de acuerdo con los requisitos de privacidad y seguridad durante toda la vida útil de los datos. La desidentificación basada en IA de cualquier información sanitaria protegida dentro de los datos es una herramienta útil, pero debe examinarse para cada situación y evaluarse su capacidad de reidentificación. Además, la información que incluye el equipo quirúrgico involucrado durante el procedimiento debe gestionarse adecuadamente. También es necesario coordinar o «sellar con fecha y hora» múltiples flujos de datos para establecer conexiones temporales. Los metadatos asociados con los datos registrados deben configurarse de forma programática o manual según un formato estándar acordado. Es necesario abordar y gestionar adecuadamente la cuestión de cómo gestionar la desidentificación de los datos registrados frente a la creación de metadatos relacionados con la grabación. Esto incluiría discusiones sobre las ramificaciones legales que rodean la forma en que se etiquetan, utilizan, manipulan y editan los datos. Sería necesario configurar y gestionar garantías de mantener el archivo de datos original en un estado inalterado para fines que incluyen, entre otros, cuestiones médicas legales. Se deben seguir los estándares de estructura de datos.

Los datos registrados requieren un sistema de almacenamiento que cumpla con el marco regulatorio aplicable a la privacidad y seguridad del paciente [por ejemplo, la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA) en los Estados Unidos o el Reglamento General de Protección de Datos (GDPR) en la Unión Europea]. La utilización de proveedores externos puede requerir acuerdos legales adicionales para garantizar el cumplimiento de este marco regulatorio. El almacenamiento local o el almacenamiento basado en la nube representan sitios potenciales para el almacenamiento y acceso a datos digitales. Por lo general, se requiere un sistema de almacenamiento de gran capacidad. Los problemas económicos y relacionados con la seguridad están involucrados en esta decisión, pero la tendencia en los últimos 10 años ha sido la migración de datos y sistemas de registro de las instalaciones a la nube con protección de firewall validada. La tecnología blockchain proporciona una plataforma prometedora para dicho almacenamiento seguro basado en la nube 6 ] . Dado el gran tamaño esperado de los datos registrados de manera rutinaria, se recomienda identificar cuánto espacio de almacenamiento se necesita para almacenar datos sin procesar sin comprimir y, potencialmente, datos procesados ​​posteriormente bajo el tipo de estructura de almacenamiento requerida y con frecuencia requiere una justificación comercial y de investigación. El acceso a todos los datos relevantes requiere mecanismos de control que generalmente se establecen. Por lo tanto, la transferencia de datos entre los usuarios finales y los sitios de almacenamiento seguiría los protocolos estándar de acceso seguro implementados actualmente y exigidos por las autoridades regulatorias pertinentes. Esto podría incluir la autenticación de dos factores a través de una red privada virtual o VPN. Se requiere una consideración especial cuando los datos registrados se vincularán directamente a los registros médicos electrónicos de los pacientes o a otras fuentes de registros que contienen información del paciente. En la gran mayoría de las situaciones, después de que los datos se anoten, es aconsejable almacenarlos de manera anónima o codificada. Por lo tanto, se debe tomar una decisión cuidadosa sobre si los datos se anonimizarán (no existe un vínculo conocido entre los datos y cualquier información de salud protegida) o se codificarán (los datos no incluyen ninguna información de salud protegida, pero existe una clave separada para vincular los datos con la información de salud protegida). A lo largo de estas transferencias de datos, se debe mantener la interoperabilidad técnica y semántica para permitir el intercambio de datos en el futuro.

Los desafíos que enfrenta la fuerza laboral humana existen siempre que se introduce un nuevo proceso de flujo de trabajo o una nueva responsabilidad empresarial en los flujos de trabajo de la empresa. Esto implica controles de la organización a través de la gerencia, capacitación de la fuerza laboral, autonomía profesional acorde con la dinámica de trabajo entre los médicos y la gerencia, métodos para garantizar las salvaguardas y otros asuntos relacionados. Las discusiones sobre los riesgos personales, profesionales y organizacionales deben abordarse y gestionarse mediante fuentes de información adecuadas, como los miembros del equipo médico legal. Es necesario desarrollar, probar, perfeccionar y publicar conjuntos de instrucciones de capacitación para garantizar que los miembros del personal no solo estén completamente capacitados en el uso del dispositivo de grabación, sino que también reconozcan el valor generado para todas las partes interesadas relevantes, especialmente los pacientes.

Cualquier dispositivo utilizado para grabaciones de rutina debe tener la capacidad de detener la grabación automatizada si no se cumple el consentimiento u otros criterios.

Declaración – Requisitos técnicos

5. El tipo de dispositivo de registro utilizado, su conectividad y su interacción con otros dispositivos y flujos de trabajo deben evaluarse cuidadosamente caso por caso.
6. La desidentificación basada en IA de cualquier información de salud protegida dentro de los datos es una herramienta útil, pero debe examinarse para cada aplicación y evaluarse para el potencial de reidentificación por parte de terceros.
7. Se recomienda mantener los datos en su formato original y en su estado incorrupto antes de los análisis.
8. Los datos registrados requieren un sistema de almacenamiento que cumpla con cualquier marco regulatorio que se aplique a la privacidad y seguridad del paciente (por ejemplo, HIPAA en los Estados Unidos o GDPR en la Unión Europea). La utilización de proveedores externos en este entorno puede requerir acuerdos legales adicionales para garantizar el cumplimiento.
9. Se debe tomar una decisión cuidadosa sobre si los datos se desidentificarán (no existe un vínculo conocido entre los datos y cualquier información de salud protegida) o se codificarán (los datos no incluyen ninguna información de salud protegida, pero existe una clave separada para vincular los datos y la información de salud protegida).
10. Cualquier dispositivo utilizado para grabaciones de rutina debe tener la capacidad de detener la grabación automatizada si no se cumple el consentimiento u otros criterios.

Uso y acceso a los datos

Si bien el uso de datos registrados de manera sistemática puede ser muy variado, la mayoría de los casos de uso pueden enmarcarse en los siguientes cuatro temas: (1) clínico; (2) investigación e innovación; (3) educación; y (4) mejora de la calidad. Identificar el uso propuesto de los datos es crucial, ya que dicta los procesos regulatorios y también guía los procesos para minimizar los sesgos sistémicos en el diseño del registro de datos.

Clínico

Los casos de uso clínico generalmente se realizan con fines de documentación, para permitir una consulta retrospectiva con otros proveedores de atención médica, para guiar la gestión futura (por ejemplo, decisiones futuras guiadas por una revisión retrospectiva de los datos) y con fines educativos.

Investigación e innovación

La mayoría de los datos registrados intraoperatoriamente también se pueden utilizar para diversos fines de investigación e innovación. Dichos datos pueden ayudar a identificar necesidades no satisfechas al evaluar la causa raíz o el mecanismo de una complicación. De manera similar, las grabaciones de datos se pueden utilizar para evaluar si intervenciones particulares (por ejemplo, un nuevo dispositivo, una nueva técnica, un curso educativo) dan lugar a diferencias en las métricas específicas de la operación (por ejemplo, el rendimiento del cirujano, los eventos operatorios, el tiempo operatorio). También es imperativo reconocer que los datos quirúrgicos pueden ser una fuente bastante rica de datos sin procesar. En el caso de los videos operatorios, por ejemplo, a medida que el campo de la ciencia de datos quirúrgicos ha comenzado a florecer, la IA para la visión artificial (CV) ha dado lugar a una nueva generación de algoritmos capaces de realizar tareas de alto nivel como la identificación anatómica, el seguimiento de herramientas y el reconocimiento de escenas 7 , 8 ] . La realidad es que las oportunidades de innovación a partir de los datos registrados parecen infinitas.

Educación

Otro uso común de los datos quirúrgicos es con fines educativos y de mejora de la calidad. En el caso de los vídeos quirúrgicos, esto va desde la formación, el ensayo preoperatorio, la sesión informativa posoperatoria, las presentaciones en conferencias de mejora de la calidad, la autoevaluación, la acreditación o la creación de contenido educativo. En concreto, el uso de vídeos quirúrgicos ha ganado una popularidad significativa en las dos últimas décadas como medio de educación quirúrgica, con sugerencias de que los vídeos podrían ser capaces de evaluar el rendimiento y proporcionar retroalimentación formativa para la mejora de la calidad 9 ] . Aunque la evaluación basada en vídeos ha ganado un impulso significativo como un método más objetivo y relevante para determinar la competencia y la preparación para la práctica y para obtener retroalimentación para la práctica deliberada durante la formación quirúrgica, esto todavía tiene que ser validado o convertirse en algo habitual. Sin embargo, dependiendo de las jurisdicciones geográficas y la subespecialidad quirúrgica, los organismos de acreditación pueden exigir que los miembros graben sus vídeos con fines de evaluación y acreditación. Por ejemplo, en Japón, los cirujanos mínimamente invasivos deben enviar sus videos a través del Sistema de Calificación de Habilidades Quirúrgicas Endoscópicas de la Sociedad Japonesa de Cirujanos Endoscópicos 10 ] . Es muy probable que la evaluación basada en videos, ya sea que se realice con fines formativos o sumativos de alto riesgo, se convierta en un elemento común de la mayoría de las prácticas quirúrgicas en el futuro cercano; esto resalta la necesidad de un registro de datos de rutina.

Mejora de calidad

Además de los beneficios de calidad obtenidos a través de la investigación y la educación, la calidad de la atención se puede mejorar a través de una revisión receptiva de los datos registrados después de que ocurre un evento adverso. Dependiendo de la jurisdicción, si las grabaciones se mantienen para mejorar la calidad y no se revelan al paciente, puede haber vías disponibles para establecer la confidencialidad y el privilegio sobre estas grabaciones (por ejemplo, Organizaciones de Seguridad del Paciente). El acceso a los datos generalmente debe restringirse cuando se utilizan para iniciativas de mejora de la calidad si los datos se mantienen dentro de un marco de revisión por pares.

Acceso

Las decisiones sobre el caso de uso de los datos registrados dan lugar a preguntas sobre el acceso a los datos por parte de las distintas partes interesadas. El acceso a los datos debe determinarse en función de la necesidad de conocerlos, lo que depende claramente del propósito de los datos que se vayan a utilizar. Una pregunta común que debe abordarse es si los pacientes tendrán acceso a los datos de su propia operación o no, y cómo se están divulgando las restricciones de acceso a los pacientes durante el consentimiento o cómo se están compartiendo los datos con el paciente de una manera que le permita comprenderlos (por ejemplo, el cirujano revisa la grabación de vídeo con el paciente). La posible compartición con terceros mediante un acuerdo de transferencia de datos requiere una revisión cuidadosa y necesita la participación de un experto legal o en cumplimiento, dado el alto grado de restricciones legales que suele haber, especialmente si hay algún interés comercial potencial involucrado. Esto requiere una evaluación de si los dispositivos involucrados de proveedores externos (por ejemplo, dispositivos de grabación, plataformas de almacenamiento, etc. ) proporcionan al proveedor acceso a los datos, lo que con frecuencia exige acuerdos comerciales específicos con el proveedor para garantizar el cumplimiento. En ocasiones, el intercambio de datos con terceros es obligatorio por motivos de supervisión regulatoria (por ejemplo, juntas de revisión ética o institucional, funcionarios gubernamentales, etc. ) y, en ocasiones, es deseable (por ejemplo, donación de datos a instituciones de investigación). Se debe tener cuidado de que haya medios seguros disponibles para compartir los datos con terceros, si es necesario. También se debe tener cuidado si el acceso por parte de terceros (por ejemplo, otros centros académicos o la industria) afectaría futuras reclamaciones de propiedad intelectual o licencias.

Dada la importancia de estas determinaciones, generalmente se recomienda una política institucional de uso y acceso a datos.

Declaración – Uso y acceso a los datos

11. El acceso a los datos debe determinarse en función de la necesidad de conocerlos, lo que claramente depende del propósito del uso de los datos.
12. La posible compartición con terceros requiere una revisión cuidadosa y la participación de un experto legal o de cumplimiento, dada la multitud de posibles restricciones e implicaciones legales.
13. Es fundamental evaluar si los dispositivos involucrados de proveedores externos proporcionan al proveedor acceso a los datos.
14. Se debe tener cuidado de que haya medios seguros disponibles para compartir los datos con terceros si es necesario.

Privacidad y seguridad de los datos

Privacidad y confidencialidad

El registro rutinario de datos en el quirófano conlleva posibles desafíos a la hora de proteger la privacidad de cualquier persona presente. Si bien es probable que el paciente sea la parte más vulnerable que requiere protección, también se debe tener cuidado de no olvidar la privacidad de los empleados del hospital. Puede haber diferentes requisitos o consideraciones según el uso de los datos. La investigación, por ejemplo, puede tener un marco diferente al de la atención clínica.

En cuanto a la protección de la privacidad del paciente, las leyes establecidas, como el RGPD en la Unión Europea, la HIPAA en los Estados Unidos y la Ley de Documentos Electrónicos en Canadá, establecen regulaciones para los datos personales recopilados aplicables al ámbito de la atención médica para garantizar que los datos se utilicen de manera legítima, se mantengan de forma segura y solo se almacenen durante un período de tiempo predefinido 5 ] . Estas regulaciones, que pueden variar según la jurisdicción, generalmente exigen que todos los sujetos involucrados sean informados sobre lo que sucede con sus datos personales 5 ] . Es importante minimizar el registro de cualquier información de salud protegida eligiendo el tipo de datos registrados. El consentimiento es una parte importante del proceso de protección de la privacidad. Si bien muchas instituciones han generalizado formularios de consentimiento que permiten la grabación de procedimientos quirúrgicos, algunas no informan al paciente sobre los riesgos que involucran la privacidad. Algunos autores sugieren que los formularios de consentimiento deben informar a los sujetos sobre el propósito de la grabación, los riesgos para su privacidad y durante cuánto tiempo se almacenarán los datos 11 ] .

En lo que respecta a la protección de la privacidad del equipo de quirófano, es necesario tener en cuenta otros factores, como el cumplimiento de las normas de privacidad en el lugar de trabajo y la evaluación de si las grabaciones rutinarias en el lugar de trabajo pueden considerarse una condición de empleo, lo que plantea posibles problemas. De manera similar a la situación de la privacidad del paciente, es necesario tener en cuenta la desidentificación o codificación de cualquier identificador que involucre al equipo de quirófano y, en particular, al cirujano, en particular si existe la preocupación de que se pueda llegar a un juicio injusto mediante una revisión externa de los datos registrados, como la evaluación del desempeño laboral. Con las grabaciones rutinarias, se pueden capturar datos próximos de forma inadvertida. Por ejemplo, en el caso de las grabaciones de vídeo, esto puede incluir audio y vídeo, no solo del procedimiento quirúrgico, sino de todo el entorno del quirófano. Los procesos de captura de datos deben abordar este riesgo.

La desidentificación o codificación automatizada de los datos a través de algoritmos de IA como parte de la privacidad por diseño debe considerarse de gran importancia 5 ] . El riesgo de reidentificación de datos previamente desidentificados o codificados debe evaluarse para cada sistema. Las áreas comunes donde esto debe abordarse son imágenes de rostros u otras características de identificación visual (por ejemplo, tatuajes, cicatrices, etc. ), voces, nombres, fechas o cualquier otra información de salud protegida. Estas cuestiones se vuelven aún más importantes si los datos se comparten con terceros y si los datos se convierten en parte de un sistema de IA introducido en la atención clínica. Las tecnologías conocidas como tecnologías de mejora de la privacidad pueden ayudar aún más a garantizar la privacidad por diseño al obtener grandes cantidades de datos sin comprometer la privacidad 12 ] . Dichos procesos deben describirse en una política de gestión de datos institucional.

La seguridad cibernética

El almacenamiento y el acceso a los datos dan lugar a áreas en las que la seguridad de los datos podría verse comprometida. Los datos solo deben almacenarse y conservarse durante el tiempo que sea necesario para fines de investigación, con un acceso limitado por parte de los usuarios, tal como lo establece la ley en la mayoría de las jurisdicciones (por ejemplo, HIPAA, GDPR). Los datos deben almacenarse de forma segura con cifrado, protección con contraseña y en un servidor seguro que cumpla con los estándares de la industria o en un área físicamente cerrada. Los identificadores y la información de salud protegida solo deben almacenarse si son relevantes para el propósito del uso de los datos, y cualquier identificador debe eliminarse lo antes posible. Si la desidentificación no es posible o práctica, se debe considerar la codificación de los datos con una clave maestra protegida con contraseña separada para separar cualquier identificador del resto de los datos, de modo que la reidentificación por parte de personal capacitado pueda ocurrir para el propósito diseñado del uso de los datos. Nuevamente, las tecnologías que mejoran la privacidad pueden ayudar a garantizar que los datos se desidentifiquen antes del almacenamiento. La inclusión de los datos en los registros médicos de los pacientes debe decidirse caso por caso, pero para muchas aplicaciones, como la investigación, la mejora de la calidad y la educación, podría no ser apropiada 13 ] .

El acceso a los registros de datos debe limitarse lo más posible. Es necesario garantizar un enlace seguro para acceder a los datos que permita editarlos, anotarlos o compartirlos. Muchos avances recientes en los esfuerzos de colaboración entre científicos y médicos solo pueden tener lugar si se intercambian datos y anotaciones entre los equipos de investigación. El aprendizaje federado es una forma novedosa de implementar el aprendizaje automático (ML) al tiempo que se protege la privacidad de los datos de los usuarios 14 ] . El aprendizaje federado permite el entrenamiento de modelos mientras se mantienen los datos locales, lo que permite un análisis de datos que preserva la privacidad 15 ] . Si bien tiene sus propios desafíos, puede ayudar a garantizar que los investigadores cumplan con las regulaciones de privacidad. Además, los dispositivos conectados aparentemente no relacionados con la fuente o el sitio de almacenamiento de datos, pero que forman parte de la Internet de las cosas de la atención médica, pueden representar un riesgo de seguridad.

Dados los enormes desafíos que plantea la ciberseguridad a la hora de gestionar la gran cantidad de datos que proporcionan los registros rutinarios en el quirófano, es fundamental crear una política de gestión de datos que aborde estos desafíos antes de la implementación y que garantice que todos los colaboradores puedan gestionar los datos de forma adecuada y segura. Los cirujanos y los investigadores deben ser conscientes de los riesgos que entraña el almacenamiento y el uso de cualquier dato en relación con la privacidad y la ciberseguridad, ya que las tecnologías seguirán cambiando durante la próxima década. Se podría considerar la posibilidad de contratar un seguro para cubrir cualquier daño. En general, es importante contar con un plan de mantenimiento para hacer frente a futuras amenazas a la seguridad.

Declaración – Privacidad y seguridad de los datos

15. Es fundamental minimizar el registro de cualquier información sanitaria protegida mediante una cuidadosa selección del tipo de datos registrados.
16. Es necesario evaluar el riesgo de reidentificación de datos previamente desidentificados o codificados para cada sistema.
17. Los datos solo deben almacenarse y conservarse durante el tiempo que sea necesario para fines de investigación, con un acceso limitado por parte de los usuarios, tal como lo establece la ley en la mayoría de las jurisdicciones.
18. Es necesario garantizar un enlace seguro para acceder a los datos que permita editarlos, anotarlos o compartirlos.
19. Es importante contar con un plan de mantenimiento para abordar futuras amenazas a la seguridad.

Retención de datos

Todo sistema de registro rutinario de datos debe cumplir con las políticas de retención de datos institucionales existentes y las leyes locales. Esto comienza con un plan sólido de mantenimiento y gestión de datos que describa cómo se almacenan los datos de manera segura con actualizaciones y revisiones periódicas. La duración de la retención requerida o permitida de los datos puede variar según la jurisdicción, el propósito del registro de datos y si los datos se anonimizan de manera segura o no. Es obligatorio estar familiarizado con estas regulaciones. Además de determinar cuándo se eliminan los datos, también es importante establecer un mecanismo para descartarlos física y digitalmente sin ningún medio de recuperación. Esto también implica la decisión sobre la eliminación de datos que se han compartido con otras partes. Además, se debe establecer un plan para el caso poco frecuente de una demanda legal que solicite acceso a datos que se considerarían detectables, ya que la eliminación de datos detectables después de que se haya presentado una demanda podría considerarse destrucción de pruebas. En general, se recomienda una política de retención de datos para consolidar un proceso estandarizado.

Declaración – Retención de datos

20. Además de determinar cuándo se eliminan los datos, también es importante establecer un mecanismo para descartarlos física y digitalmente sin ningún medio de recuperación.

Titularidad de los datos

En lo que respecta a la importante cuestión de quién es el propietario de los datos registrados, en la mayoría de las jurisdicciones esta cuestión no está bien definida legalmente. Si bien las partes interesadas obvias son el cirujano, el paciente, el equipo de investigación, la institución de investigación y el hospital, es posible que sea necesario evaluar a otros, según la situación, como el resto del equipo quirúrgico, la aseguradora, el fabricante del dispositivo y el fabricante de análisis. La reclamación suele estar vinculada al propósito del registro (investigación frente a atención clínica frente a educación). Estas evaluaciones, que suelen ser específicas de cada caso, también deben considerar las consecuencias de la propiedad, como la responsabilidad, la responsabilidad financiera y el deber regulatorio. La cuestión de la propiedad cobra especial importancia si los datos se utilizan para una investigación que da como resultado un producto sanitario comercial en el que la protección de la propiedad intelectual o la concesión de licencias se convierten en una consideración. Esto es especialmente relevante si recordamos cómo las líneas celulares de cáncer de páncreas de Henrietta Lack (HeLa) se utilizaron durante décadas sin que la familia lo supiera ni recibiera compensación alguna. Se requiere una consideración adicional en cuanto a la propiedad de los datos preprocesados. Los datos brutos de los pacientes no suelen utilizarse para fines de IA. En cambio, los datos editados, anonimizados y anotados son los que alimentan los algoritmos de IA y probablemente sean el activo más valioso en este campo. Por lo tanto, se debe determinar qué parte interesada controla este aspecto de los datos. Los acuerdos contractuales proactivos entre las partes interesadas relevantes pueden ser un método para abordar cualquier ambigüedad legal.

Declaración – Titularidad de los datos

21. Lo ideal es que la designación de la propiedad de los datos se defina y determine antes de que se realicen las grabaciones, en particular si los datos se utilizan para investigaciones que podrían dar lugar a un producto sanitario comercial en el que la protección de la propiedad intelectual o la concesión de licencias se convierten en un factor a tener en cuenta.
22. Se deben utilizar acuerdos contractuales proactivos entre las partes interesadas pertinentes para evitar cualquier ambigüedad jurídica en el futuro.

Gobernancia

Una tarea importante y compleja, como la grabación rutinaria en el quirófano, exige una supervisión detallada por parte de personas ajenas al equipo involucrado, con un examen minucioso de los requisitos normativos. La supervisión suele comenzar antes de la implementación, y la entidad supervisora ​​participa activamente en el diseño de la tarea. Incluso después de la implementación, suele exigirse una vigilancia proactiva del cumplimiento normativo por parte de la entidad supervisora ​​(por ejemplo, la supervisión por parte de la oficina de cumplimiento de un hospital).

Es necesario tener en cuenta a las distintas partes interesadas en cuanto a su papel en la revisión y aprobación de la iniciativa antes de su implementación. Sin embargo, incluso después de iniciarse el registro de rutina, estas revisiones suelen continuar durante toda la vida de la iniciativa con revisiones periódicas de sus actividades, políticas y datos. Las partes interesadas habituales en esta supervisión incluyen las oficinas de cumplimiento de los hospitales, las juntas de revisión ética y diversos funcionarios gubernamentales. En raras circunstancias, también puede involucrar a las compañías de seguros de mala praxis, los sindicatos de empleados y los pagadores. Esta supervisión a veces puede ir más allá de la revisión de cumplimiento típica. Dado el uso potencial de los datos registrados para la revisión de eventos centinela, se requiere un proceso formal para determinar cómo se utilizarán los datos para dichas revisiones si el propósito inicial del registro no está directamente dirigido a la mejora de la calidad. Si bien la revisión de rutina de todos los datos para detectar errores quirúrgicos/clínicos normalmente no es obligatoria y con frecuencia no es práctica, estas prácticas pueden volverse más comunes en el futuro. Los procesos sobre cómo revelar el descubrimiento de errores a través de los datos registrados requieren una definición. Además, dependiendo del uso de los datos registrados y de la legislatura local, los datos pueden convertirse en parte de los registros médicos y, en última instancia, requerir la misma supervisión regulatoria.

La responsabilidad de garantizar la competencia en el uso de nuevos dispositivos médicos recae generalmente en la institución y en el usuario 13 ] . Por lo tanto, la capacitación y, a veces, incluso la acreditación de los usuarios de dispositivos de registro de rutina requieren una supervisión institucional.

Declaración – Gobernanza

23. El registro rutinario en el quirófano exige una supervisión detallada por parte de personas ajenas al equipo involucrado, con un examen minucioso de los requisitos reglamentarios.
24. Es necesario definir los procesos para revelar el descubrimiento de errores a través de los datos registrados.
25. La capacitación y, a veces, incluso la acreditación de los usuarios de dispositivos de registro rutinario requieren una supervisión institucional.

Costo financiero

Al considerar los sistemas necesarios para el registro rutinario de datos en el quirófano, se producirán costos adicionales que deberán abordarse con anticipación. La fuente de los costos puede variar según las circunstancias individuales. Por lo general, existen costos fijos para la instalación de sistemas de registro de datos. Esto incluye el costo de instalación del hardware y su software, y la suma total depende de la cantidad de equipos de registro necesarios y de la calidad y la cantidad de funciones del sistema. Los costos de mantenimiento anual para estos sistemas pueden ser significativos. El costo fijo también puede incluir sistemas de almacenamiento y su suma total depende del tamaño y el tipo de almacenamiento. El costo fijo también podría incluir espacio de oficina adicional para personal dedicado. Existen costos operativos relacionados con el trabajo adicional para el personal no clínico para realizar la recopilación, curación, anotación, almacenamiento y gestión/gobernanza de la privacidad de los datos y para el personal clínico para obtener el consentimiento y participar en la recopilación de datos. Dada la infraestructura típicamente presente en un quirófano, los costos indirectos, como la electricidad adicional y la gobernanza requerida, suelen ser mínimos.

Si bien el costo de instalar equipos de registro a pequeña escala puede cubrirse con una subvención de investigación destinada al desarrollo de evaluaciones basadas en IA, los sistemas de registro integrales generalmente deben ser pagados por el hospital como un costo de instalación. Las épocas de ampliación o nuevo desarrollo de quirófanos suelen presentar oportunidades. La financiación menos común de los proveedores de datos que no cumplen con las normas se utiliza principalmente para la mejora de la calidad. Alternativamente, si los datos se utilizan principalmente para la educación, las instituciones educativas pueden contribuir con la financiación, lo que presenta oportunidades interesantes. Sin embargo, el registro de rutina también puede proporcionar una fuente de ingresos, por ejemplo, si los datos se utilizan para desarrollar un sistema de IA comercial que podría conducir a la concesión de licencias de los datos. Con el costo esperado, la necesidad de fondos y el potencial de ingresos, es aconsejable desarrollar un plan de negocios.

Declaración – Costo financiero

26. Con el costo esperado, la necesidad de fondos y el potencial de ingresos, se recomienda la elaboración de un plan de negocios.

Impacto en las demandas por mala praxis médica

Se espera que la disponibilidad de datos adicionales del quirófano mejore directamente la atención quirúrgica al paciente, en particular cuando se utiliza para procesos de mejora de la calidad. Sin embargo, el registro rutinario de datos, en particular en un entorno de alto riesgo como el quirófano, plantea preocupaciones inminentes de apropiación indebida en el contexto de posibles demandas por mala praxis médica. El grado de esta preocupación entre los proveedores y administradores de atención médica puede variar según los entornos legales locales representados por la frecuencia de demandas por mala praxis en la profesión y jurisdicción específicas [ 16-20 ] . Además, el impacto de ciertos datos quirúrgicos, como la grabación de video, en casos judiciales particulares es en su mayoría desconocido, debido a pocos estándares quirúrgicos objetivos, interpretación subjetiva de los pasos operatorios y escasez de precedentes de uso en casos legales. También es probable que varíe entre jurisdicciones dependiendo de factores como el uso de jueces profesionales frente a jurados legos, la demografía del jurado y la estructura de reforma de responsabilidad civil. Incluso cuando se utilizan dichos datos en el contexto de la mejora de la calidad, la protección de la revisión por pares con frecuencia no está clara, dependiendo de las leyes y precedentes locales.

En áreas donde las pautas no pueden abarcar todas las situaciones, una buena atención quirúrgica requiere enfoques individualizados y centrados en el paciente, en particular cuando se trata de casos de emergencia, casos terminales o paliativos, o casos complejos con perfiles de alto riesgo o anatomía inusual. Por lo tanto, es difícil y, en algunos casos, imposible interpretar de manera objetiva y confiable los datos que se originan en el quirófano cuando son utilizados por el demandante o el demandado para una posible demanda por mala praxis. Esta incertidumbre deja mucho espacio para la interpretación subjetiva, lo que crea el potencial de tergiversación de los datos operatorios en el contexto de una demanda. Tampoco está claro si el análisis de datos que históricamente no se han registrado de manera rutinaria tiene la capacidad de responder a preguntas legales típicas. Los algoritmos basados ​​en IA podrían tener esa capacidad en el futuro, pero claramente no en el estado actual y requieren que se desarrolle un entorno libre de culpas. Esa tensión no solo es una barrera para la implementación amplia del registro de rutina, sino que también podría tener impactos imprevistos en la atención típica cuando se introduzca el registro de rutina (por ejemplo, eliminar la participación de los residentes, un umbral más bajo para realizar medicina defensiva). El impacto en la formación, en particular, es preocupante, ya que los médicos en formación necesitan un entorno de enseñanza que los apoye para atravesar una curva de aprendizaje que les permita adquirir confianza quirúrgica, en la que los errores menores corregidos bajo supervisión quirúrgica calificada forman parte del proceso. La explotación legal de esos errores menores es motivo de especial preocupación.

La desidentificación suficiente de los datos registrados y la conversión de los datos, sin retención de datos identificables o la capacidad de volver a identificarlos, puede colocar los datos fuera del descubrimiento disponible y puede proporcionar una solución a las preocupaciones en torno a las reclamaciones. Sin embargo, también puede limitar el uso de los datos para otros fines. En este contexto, la decisión de almacenar los datos por separado de los registros médicos del paciente debe evaluarse junto con la solidez de cualquier proceso de desidentificación aplicado (es decir, el riesgo de reidentificación a través de IA en un gran conjunto de datos es teóricamente posible). Por otro lado, mantener los datos detectables podría facilitar su uso para que el cirujano se comunique mejor con el paciente y evite malentendidos o dudas sobre las mejores prácticas quirúrgicas y, por lo tanto, evitar reclamos por mala praxis 21 , 22 ] . En este contexto, vale la pena explorar las protecciones de revisión por pares disponibles, como la Ley de Seguridad y Mejora de la Calidad del Paciente federal de 2005 en los Estados Unidos, para proporcionar salvaguardas adicionales en torno a estas grabaciones.

El objetivo final es promover una cultura de tolerancia al error mediante una revisión sistemática de los datos registrados. Por ejemplo, cuantos más errores se detecten mediante registros de rutina, mejor entenderemos qué se considera dentro del rango real del estándar de atención. Los registros de rutina en el quirófano tienen el potencial de proporcionar un enorme impacto positivo a largo plazo en la calidad quirúrgica. Garantizar el cumplimiento de los procesos legales en estas decisiones requiere la participación de expertos legales al diseñar vías para los registros de rutina.

Declaración – Impacto en las demandas por mala praxis médica

27. La disponibilidad de datos del quirófano que en el pasado no se registraban de manera rutinaria mejorará directamente la atención quirúrgica al paciente, en particular cuando se utilicen para procesos de mejora de la calidad.
28. Es difícil y, en algunos casos, imposible interpretar de manera objetiva y confiable los datos que se originan en el quirófano cuando son utilizados por el demandante o el demandado para una posible demanda por mala praxis.
29. Es importante evaluar si es posible descubrir datos específicos y si deberían formar parte de los registros médicos.
30. La participación de expertos legales al diseñar vías para el registro de rutina es imperativa.

CONCLUSIÓN

Este manuscrito describe varias barreras de implementación que deben considerarse antes de diseñar una infraestructura para el registro de rutina en el quirófano de cualquier institución. Dada la ausencia de una guía integral en la literatura que resuma estas barreras, se necesita una guía que describa un camino hacia la implementación. Las 30 afirmaciones fueron acordadas por todos los autores y representan los puntos principales del manuscrito. Abordar estas barreras ayudará a reducir el riesgo asociado con la tarea, pero no evitará por completo todos los riesgos. Si bien algunos riesgos son inevitables (idealmente a un nivel muy bajo), se espera que el beneficio supere significativamente dicho riesgo con las políticas y los procesos adecuados establecidos. Por lo tanto, cada institución debe realizar una evaluación de riesgo/beneficio individualizada [ Tabla 2 ].

Tabla 2

Beneficios y riesgos percibidos del registro rutinario de datos en el quirófano

BeneficiosRiesgos
● Investigación para mejorar la atención sanitaria● Pérdida de privacidad
● Mejora de la calidad/seguridad del paciente● Suposiciones injustas durante las reclamaciones por mala praxis
● Educación● Juicio sobre el desempeño del proveedor
● Atención ampliada al paciente/permitiendo nuevos enfoques● Costo financiero
● Riesgo regulatorio
● Presiones del sistema que afectan la autonomía de los pacientes, los cirujanos y los equipos de quirófano

Antes de determinar los flujos de trabajo e implementar físicamente el registro de rutina, se recomienda abordar todos los elementos enumerados en la lista de verificación de la Tabla 3. La lista de verificación no pretende ser exhaustiva, sino enfatizar las barreras más comunes que deben tenerse en cuenta y adaptarse al entorno local. Tampoco pretende dictar la formulación de políticas.

Tabla 3

Lista de verificación de requisitos necesarios para la implementación exitosa del registro rutinario de datos en el quirófano

Temas que deben abordarse antes de implementar la grabación de rutina en el quirófano
Proceso de consentimiento
□ Proceso de consentimiento del paciente bien definido (dependiendo del propósito del registro de datos), incluyendo una explicación sobre
  ● tipo de datos a ser registrados
  ● qué capturarán y qué no capturarán los datos
  ● manejo y almacenamiento de los datos
  ● alcance del uso de los datos
  ● acceso a los datos y compartición de datos
  ● riesgo y beneficio asociados
  ● opciones alternativas
□ Excepciones al consentimiento informado
  ● pacientes no competentes para dar consentimiento en ausencia de apoderado/tutor
  ● operaciones de emergencia urgentes
  ● consentimiento voluntario exento
□ Proceso de consentimiento para operaciones de emergencia/urgentes y poblaciones vulnerables
□ Evaluación de si los datos serán compartidos con los pacientes
□ Manejo de conflictos del proveedor que otorga el consentimiento
□ Consentimiento implícito por parte del cirujano y el equipo quirúrgico
□ Opciones de exclusión voluntaria por parte de todos los involucrados
□ Manejo de datos si el consentimiento sería retirado en el futuro
□ Proceso más estricto si los datos no son desidentificados o codificados
□ Soluciones para la mayor carga de trabajo asociada al consentimiento
Requisitos técnicos
□ Dispositivo de grabación que permita la recopilación de los datos requeridos dentro de los requisitos legales, incluidas características como
  ● recopilación de datos digitales sin procesar en su formato original y estado incorrupto que se ajuste a la informática
  ● interconectividad específica del dominio entre dispositivos
  ● almacenamiento basado en la nube con espacio y seguridad adecuados
  ● funciones automatizadas, como grabación, desidentificación y marcadores
  ● uso en tiempo real, como la opción de reproducción
□ Procesos transparentes de preparación de datos
  ● curación de datos y denominación de archivos
  ● desidentificación o codificación de datos y metadatos
  ● anotación de datos
□ Capacitación del personal en los dispositivos involucrados
□ Capacidad para detener la grabación automatizada si no se cumple el consentimiento u otros criterios
Uso y acceso a los datos
□ Uso previsto de los datos registrados, que dictará las vías y procesos regulatorios
□ Quién tiene acceso a los datos, incluido el potencial acceso de los pacientes
□ Limitación del acceso según la necesidad de conocer
□ Revisión cuidadosa de los procesos si está involucrado el uso compartido de terceros (por ejemplo, donación de datos)
□ Evaluación de si los proveedores de los dispositivos involucrados tienen acceso a los datos
□ Sistemas seguros para el uso compartido de datos
□ Impacto del uso compartido de datos en la propiedad intelectual futura de las reclamaciones de licencias
□ Política de uso y acceso a los datos
Privacidad y seguridad de los datos
□ Impacto de la grabación en los derechos de privacidad de los pacientes y el equipo quirúrgico
□ Minimización del registro de identificadores e información sanitaria protegida
□ El proceso de consentimiento y retención de datos debe abordar las preocupaciones sobre la privacidad
□ Evaluación de la necesidad y la eficacia de la desidentificación o codificación de datos
□ Adecuación de las medidas de seguridad de datos para cumplir con los estándares de la industria
□ Minimización del acceso a los datos
□ Plan de mantenimiento para abordar futuras amenazas a la seguridad
□ Política de gestión de datos
Retención de datos
□ Cumplimiento de las normas regulatorias locales
□ Plan de mantenimiento/gestión de datos
□ Duración predefinida de la retención de información de salud protegida frente a datos anónimos
□ Proceso de cómo se eliminan los datos, incluidos los datos compartidos previamente
□ Necesidad de una política de retención de datos
Propiedad de los datos
□ Identificación de posibles partes interesadas dada la frecuente ambigüedad legal
□ Aclaración de las responsabilidades vinculadas a la propiedad
□ Posibles acuerdos contractuales entre las partes interesadas relevantes
Gobernanza
□ Identificación de requisitos regulatorios y partes interesadas relevantes
□ Proceso de manejo de revisiones de eventos centinela
□ Vigilancia proactiva del cumplimiento regulatorio
□ Supervisión institucional de la competencia y capacitación de los usuarios
Costo financiero
□ Identificación de costos (costos fijos, costos operativos, costos indirectos, etc. )
□ Identificación de fondos requeridos
□ Evaluación del potencial de ingresos
□ Plan de negocios
Impacto en las demandas por mala praxis médica
□ El impacto en las demandas por mala praxis es incierto y requiere una evaluación institucional
□ Determinación de si se pueden descubrir datos específicos y si deberían ser parte de los registros médicos
□ Participación de expertos legales y de cumplimiento en la fase de diseño

Los flujos de trabajo de los registros de rutina en el quirófano suelen beneficiarse de la estandarización en toda la institución con procesos similares para todos los servicios y todos los quirófanos. Dada la necesidad de que los cuidados operatorios y los espacios no clínicos (por ejemplo, el almacenamiento de datos) funcionen en secuencia, la interoperabilidad debe evaluarse y probarse antes de la implementación. El proceso elegido debe someterse a más pruebas para comprobar su usabilidad. Si bien la solución más sencilla suele ser el uso de una plataforma unificada, a gran escala y disponible comercialmente, respaldada por la automatización a través de sistemas de inteligencia artificial, dada la enorme variabilidad entre jurisdicciones, cada institución debe verificar el cumplimiento y la mitigación adecuada de riesgos de dichas plataformas (lo que generalmente requiere una comprensión detallada de la tecnología) y evaluar si la plataforma se adapta a las prácticas clínicas y los procesos propuestos. Por lo tanto, a veces es necesario considerar enfoques menos automatizados, locales e individuales. Estos procesos individuales deben basarse en políticas institucionales escritas.

Una vez que se ha implementado un proceso, los esfuerzos no pueden detenerse en el registro. El sueño máximo sería que los investigadores no solo pudieran registrar datos en el quirófano a gran escala, sino que algún día pudieran permitir que los datos que se están registrando se registren de manera estandarizada. Además, para que los datos recopilados tengan un impacto, la información debe estructurarse, anotarse, analizarse y, posteriormente, utilizarse con el objetivo unificado de mejorar la atención clínica a través de la investigación, la mejora de la calidad y/o la educación. La IA desempeña un papel importante no solo al permitir el registro rutinario (por ejemplo, la desidentificación automática), sino aún más al permitir la integración de la riqueza de información resultante en la práctica clínica.

Prevención, intervención y atención de la demencia: informe de 2024 de la Comisión Permanente de The Lancet

Acciones específicas para reducir el riesgo de demencia a lo largo de la vida

Recomendamos varias acciones específicas en los 14 factores de riesgo:

  • Garantizar que la educación de buena calidad esté disponible para todos y fomentar actividades cognitivamente estimulantes en la mediana edad para proteger la cognición.
  • Haga que los audífonos sean accesibles para las personas con pérdida auditiva y disminuya la exposición al ruido dañino para reducir la pérdida auditiva
  • Tratar la depresión de manera efectiva
  • Fomentar el uso de cascos y protección para la cabeza en los deportes de contacto y en las bicicletas.
  • Fomente el ejercicio porque las personas que participan en deportes y ejercicio tienen menos probabilidades de desarrollar demencia
  • Reducir el consumo de cigarrillos a través de la educación, el control de precios y la prevención de fumar en lugares públicos y hacer que los consejos para dejar de fumar sean accesibles.
  • Prevenir o reducir la hipertensión y mantener la presión arterial sistólica de 130 mm Hg o menos a partir de los 40 años
  • Detectar y tratar el colesterol LDL alto desde la mediana edad
  • Mantenga un peso saludable y trate la obesidad lo antes posible, lo que también ayuda a prevenir la diabetes
  • Reducir el alto consumo de alcohol a través del control de precios y una mayor conciencia de los niveles y riesgos de consumo excesivo
  • Dar prioridad a los entornos comunitarios y a la vivienda favorables a las personas mayores, y reducir el aislamiento social facilitando la participación en actividades y la convivencia con otras personas.
  • Hacer que las pruebas de detección y el tratamiento de la pérdida de visión sean accesibles para todos
  • Reducir la exposición a la contaminación del aire

Consideraciones para las personas con demencia

Las intervenciones después del diagnóstico ayudan a las personas a vivir bien con demencia, incluida la planificación para el futuro. Las intervenciones de afrontamiento multicomponente para los cuidadores familiares y el manejo de los síntomas neuropsiquiátricos son importantes y deben centrarse en la persona.

Los síntomas neuropsiquiátricos deben tratarse, y existe evidencia clara de que las intervenciones multicomponentes coordinadas por la atención son útiles. Las intervenciones de actividad también reducen los síntomas neuropsiquiátricos y son importantes para mantener el disfrute y el propósito de las personas con demencia. No hay evidencia de que el ejercicio sea una intervención para los síntomas neuropsiquiátricos.

Las personas con enfermedad de Alzheimer y demencia con cuerpos de Lewy deben recibir inhibidores de la colinesterasa y memantina. Estos medicamentos son baratos, con relativamente pocos efectos secundarios; atenuar el deterioro cognitivo en un grado modesto, con buena evidencia de un efecto a largo plazo; y están disponibles en la mayoría de los países de ingresos altos, aunque menos en los países de ingresos bajos y medianos.

Hay progreso y esperanza en los tratamientos modificadores de la enfermedad de Alzheimer, con algunos ensayos de anticuerpos dirigidos al β amiloide que muestran una eficacia modesta para reducir el deterioro después de 18 meses de tratamiento. Sin embargo, los efectos son pequeños y los fármacos se han probado en personas con enfermedad leve y en personas con pocas otras enfermedades. Estos tratamientos han sido autorizados en algunos países, pero tienen efectos secundarios notables, con pocos datos sobre los efectos a largo plazo. El costo de estos tratamientos y las precauciones que se deben tomar, que tienen implicaciones en los recursos para el personal, las exploraciones y los análisis de sangre especializados, podrían limitar su uso y ser un desafío para los sistemas de salud. Se recomienda que se comparta ampliamente la información completa sobre los efectos desconocidos a largo plazo, la ausencia de datos sobre los efectos en las personas con multimorbilidad y la escala de eficacia y efectos secundarios, en particular para los portadores del genotipo APOE ε4. Recomendamos que las personas que reciben anticuerpos dirigidos al amiloide β sean monitoreadas cuidadosamente.

El líquido cefalorraquídeo o los biomarcadores sanguíneos deben usarse clínicamente solo en personas con demencia o deterioro cognitivo para ayudar a confirmar o excluir un diagnóstico de enfermedad de Alzheimer. Los biomarcadores solo se validan en poblaciones mayoritariamente blancas, lo que limita la generalización y plantea preocupaciones sobre la equidad en salud.

Las personas con demencia que se enferman físicamente de forma aguda y necesitan ser ingresadas en el hospital se deterioran cognitivamente más rápido que otras personas con demencia. Es importante proteger la salud física y garantizar que las personas tengan ayuda si la necesitan para garantizar que coman y beban lo suficiente y puedan tomar medicamentos.

La COVID-19 expuso la vulnerabilidad de las personas con demencia. Tenemos que aprender de esta pandemia y también proteger a las personas con demencia, ya que su vida y su bienestar, y el de sus familias, se han valorado menos que el de las personas sin demencia.

El campo de los biomarcadores ha avanzado desde el informe de 2020, y los biomarcadores de líquidos están más ampliamente validados, aunque gran parte del trabajo se ha realizado en personas atendidas en centros terciarios, que a menudo difieren de la mayoría de las personas con demencia porque tienden a ser más jóvenes o tienen demencias más raras. Además, ahora hay más claridad sobre el significado de los cambios en los biomarcadores. Los biomarcadores de β y tau amiloide en personas con deterioro cognitivo ayudan a confirmar la presencia de la patología de la enfermedad de Alzheimer, pero no confirman que esta patología sea la causa de los síntomas. Las placas amiloides ocurren muchos años antes de la presentación clínica de la demencia. Los biomarcadores de β amiloide son comunes en individuos mayores (es decir, 10% de positividad a los 70 años y 33% de positividad a los 85 años en una muestra de EE. UU.) que no tienen deterioro cognitivo, la mayoría de los cuales no desarrollarán demencia. La presencia de biomarcadores de β amiloide y tau aumenta la probabilidad de demencia, y la evidencia de neurodegeneración en neuroimagen aumenta aún más este riesgo. La visión de los biomarcadores sanguíneos, como la tau fosforilada, como una prueba escalable para predecir quién desarrollará demencia está progresando, pero aún no se ha realizado.

Para las personas que viven con demencia, las intervenciones posteriores al diagnóstico pueden ayudar a maximizar la salud física, mejorar la calidad de vida, reducir las hospitalizaciones y planificar el futuro. Las intervenciones deben ser individualizadas, tener en cuenta las circunstancias vitales de la persona e incluir a la familia y a otros cuidadores. Existe mucha más evidencia sobre las intervenciones psicosociales multicomponentes para los cuidadores familiares y el manejo de los síntomas neuropsiquiátricos que la disponible en el momento de nuestro último informe. Estas intervenciones son importantes y deben estar centradas en la persona.

Existe nueva evidencia de los efectos beneficiosos de los inhibidores de la colinesterasa para las personas con enfermedad de Alzheimer y demencia con cuerpos de Lewy, tanto a largo como a corto plazo. Aunque los inhibidores de la colinesterasa deberían estar disponibles para el tratamiento de estas demencias sobre la base de la evidencia de su efectividad, este tratamiento aún no está disponible en muchos países. Se sabe menos sobre los tratamientos con anticuerpos β antiamiloide. De manera alentadora, por primera vez, algunos ensayos han informado una pequeña disminución en el deterioro cognitivo en personas que reciben tratamientos con anticuerpos anti-amiloide, con una reducción sustancial de la β de amiloide en el cerebro. Estos tratamientos redujeron el deterioro después de 18 meses de tratamiento en un 27-35%, pero son caros, engorrosos de usar, requieren una monitorización y un seguimiento intensivos y pueden tener efectos secundarios clínicamente significativos y, a veces, graves. No existen pruebas sobre sus efectos a largo plazo y su seguridad.

La COVID-19 expuso la vulnerabilidad de las personas con demencia. Tenemos que aprender de estas nuevas observaciones para garantizar que las personas vulnerables estén protegidas y que se valoren la vida y el bienestar de las personas con demencia y sus familias.

Los avances sustanciales en la comprensión de la protección y el riesgo y en las intervenciones farmacológicas y no farmacológicas para las personas con demencia significan que, ahora más que nunca, podemos prevenir, diagnosticar y tratar la demencia, mejorando la vida de las personas, las familias y la sociedad.

Introducción

Volvimos a convocar a la Comisión Lancet sobre la prevención, intervención y atención de la demencia1 2 con el objetivo de incidir en la política, el conocimiento, la práctica clínica y la agenda de investigación. Se han logrado avances emocionantes en la prevención, el diagnóstico y los medicamentos y tratamientos no farmacológicos de la demencia. Se puede y se debe hacer más para prevenir la demencia y ayudar a las personas que viven con demencia y a sus familias.3 Nuestro grupo interdisciplinario, internacional y multicultural de expertos adoptó un marco de triangulación, priorizando las revisiones sistemáticas y los metaanálisis y realizando nuevos metaanálisis cuando fue necesario. Cada comisionado, elegido de una amplia gama geográfica y cultural para incorporar diversos puntos de vista, escribió al menos una sección y cada sección fue presentada y debatida cara a cara y en múltiples versiones escritas. Acordamos unánimemente la mejor evidencia disponible y su consistencia. Identificamos los avances que probablemente tengan los mayores efectos y realizamos nuevos trabajos que nos permiten calcular los efectos de los factores de riesgo potencialmente modificables para la demencia. Aquí, presentamos nuestros nuevos análisis y consolidamos el conocimiento actual, resumiendo el balance de la evidencia sobre la prevención, la intervención y la atención. El número de personas que viven con demencia en todo el mundo en 2019 se estimó en 57 millones y se prevé que aumente a 153 millones para 2050.4 La proporción de personas con demencia ha aumentado con el tiempo en los países de ingresos más bajos debido a un mayor aumento porcentual de la longevidad que en los países de ingresos altos.5 6En este tercer informe de la Comisión Lancet sobre la demencia, resumimos lo que ya se sabía afirmando lo que informamos en comisiones anteriores. Esta información proviene de investigaciones realizadas durante muchas décadas por personas de todo el mundo. A continuación, nos basamos en esta investigación, explicamos nuevas pruebas, las referenciamos y producimos nuevas pruebas, integrando la información para hacer recomendaciones actualizadas. Consideramos específicamente las poblaciones de los países de ingresos altos (HIC) y los países de ingresos bajos y medianos (PIMB) y las comunidades subrepresentadas, desatendidas y minoritarias en todos los países donde se dispone de evidencia. La evidencia todavía proviene desproporcionadamente de los países de ingresos altos. El uso y la investigación de las intervenciones también podrían ser más probables en los países de ingresos altos porque dependen de la disponibilidad de recursos, a pesar de que pueden ahorrar costos.7 8 9 Los planes nacionales de demencia en 31 de los 46 países no hacen recomendaciones específicas para la consideración de la diversidad, la equidad o la inclusión de las personas de culturas y etnias subrepresentadas.

10 Y los planes que sí tienen en cuenta estos factores suelen limitar sus recomendaciones a la interpretación de las pruebas cognitivas.

11 Como establecemos en este informe, garantizar la consideración de todas las culturas y etnias para todos los tipos de demencia es esencial para dirigir la ayuda a las personas que más la necesitan.

Prevención

Ha habido una rápida expansión en el volumen de trabajo sobre la prevención de la demencia y la reducción del riesgo relacionado con los 12 factores de riesgo que se identificaron a partir de la literatura de investigación existente y se discutieron en nuestros informes anteriores de la Comisión Lancet en 2017 y 2020.2 Los factores de riesgo identificados en nuestros informes anteriores fueron menor educación, pérdida de audición, hipertensión, inactividad física, diabetes, aislamiento social, consumo excesivo de alcohol, contaminación del aire, tabaquismo, obesidad, lesión cerebral traumática y depresión, para los cuales informamos que las reducciones tienen el potencial de prevenir el 40% de los casos de demencia.2 Discutimos los mecanismos de estos 12 factores de riesgo, que indicaron que el riesgo se puede reducir a cualquier edad. Aquí, actualizamos la evidencia y consideramos otros posibles factores de riesgo. Utilizamos un enfoque de curso de vida para comprender cómo reducir el riesgo o prevenir la demencia porque muchos riesgos operan en diferentes momentos de la vida. Por ejemplo, la obesidad y la hipertensión arterial son factores de riesgo en la mediana edad, a menudo con orígenes más tempranos, pero en la vejez, la asociación con el deterioro cognitivo leve (DCL) y la demencia se reduce.12 13,-  14 Al igual que en nuestros informes anteriores, buscamos factores de riesgo con evidencia de alta calidad, consistente, dosis-respondiente y válidamente medida; que preceden a la demencia; y que todavía están presentes cuando se miden una década o más antes de su aparición. Incluimos solo los factores de riesgo con evidencia convincente, pero reconocemos que es probable que haya otros factores de riesgo y de protección. Los comisionados se reunieron y discutieron la evidencia, decidieron qué incluir y expusieron nuestras discusiones y la evidencia en el documento. Aquí, discutimos nueva evidencia biológicamente plausible sobre los mecanismos que vinculan un factor de riesgo con la demencia y, cuando hay nueva evidencia, la presentamos y resumimos la evidencia previa sobre los mecanismos para dar una visión equilibrada. Sin embargo, no pretendemos hacer un examen completo y detallado de todos los mecanismos. También discutimos si la evidencia proviene de poblaciones diversas y, por lo tanto, es generalizable, y si hay evidencia de que la intervención para reducir el factor de riesgo marca una diferencia en el riesgo de demencia.

Compresión de la morbilidad

Los datos de algunos países de ingresos altos sugieren que las tasas de incidencia de demencia específicas por edad han disminuido en las últimas dos décadas.15 haciendo hincapié en que la prevención es posible. Hay menos datos de los países de ingresos bajos y medianos. Los estudios que han examinado la asociación de la demencia con la privación socioeconómica sugieren que la disminución de la incidencia de demencia ocurre principalmente en personas que viven en áreas socioeconómicamente favorecidas.15 Estos hallazgos sugieren que muchas demencias son potencialmente prevenibles (y diferibles), pero las tasas específicas por edad podrían aumentar si la prevalencia del riesgo (p. ej., prevalencia de diabetes u obesidad) aumenta, y este aumento en las tasas específicas por edad podría tener un impacto particular en personas con menos educación. Un estudio de Inglaterra16 sugiere que ya podría estar ocurriendo un aumento en las tasas de demencia específicas por edad, aunque existe incertidumbre y se necesitan pruebas adicionales.16 17 18Se demostró que las personas con estilos de vida saludables, que incluían ejercicio regular, no fumar, evitar el exceso de alcohol e incluir actividad cognitiva en la vejez, no solo tenían un menor riesgo de demencia que aquellos con estilos de vida menos saludables, sino que también retrasaban el inicio de la demencia durante más tiempo que su mayor esperanza de vida, lo que resultaba en más años saludables y menos años de enfermedad.19 En general, las personas que llevan una vida más saludable pueden esperar vivir más tiempo que las personas con estilos de vida poco saludables y, si desarrollan demencia, viven menos años con la enfermedad, con notables implicaciones en la calidad de vida de las personas y en el ahorro de costos para los servicios.

Vulnerabilidad cognitiva, mantenimiento cerebral y reserva cognitiva

Como se discutió en la Comisión Lancet de 2020, los cambios neuropatológicos no conducen inevitablemente a la demencia. La mayoría de las personas mayores con demencia tienen varios tipos de neuropatología. Un estudio de seis cohortes comunitarias, que comprendió a 4354 personas mayores de 80 años que habían fallecido en los EE. UU. o el Reino Unido, identificó que 2443 (91%) de las 2695 personas analizadas para seis tipos de neuropatología murieron con dos o más tipos de neuropatología.20 Cuantos más tipos de neuropatología tenían las personas, más probabilidades tenían de tener demencia (figura 1), pero algunas personas con muchas neuropatologías no habían desarrollado demencia.

Miniatura de la figura gr1

La capacidad de resistir la neuropatología antes de mostrar los síntomas de la demencia se describe como reserva cognitiva. A veces, los términos resiliencia o reserva cerebral también se utilizan para describir el afrontamiento de la patología y la resistencia a la neuropatología. Las personas que están físicamente más sanas son más capaces de resistir los efectos de la neuropatología que las personas que no están físicamente sanas.21 Por ejemplo, aunque la incidencia de demencia relacionada con la edad ha disminuido en algunos países en los últimos 25 años, un estudio post-mortem no mostró diferencias en la neurodegeneración durante ese tiempo, pero sí una reducción en la patología vascular.22 Una revisión sistemática informó que las actividades físicas, cognitivas y sociales aumentan la reserva cognitiva y atenúan el efecto de la neuropatología.23 En general, en las últimas dos décadas, una combinación de mayor reserva cognitiva y física desarrollado a lo largo del curso de la vida, preservando la salud cognitiva a pesar de la neuropatología, y es probable que un menor daño vascular haya contribuido a la disminución observada de la incidencia de demencia relacionada con la edad.24 No obstante, el número de personas con demencia sigue aumentando debido al envejecimiento de la población.

Los desafíos de la investigación sobre la prevención de la demencia y la reducción del riesgo

Naturaleza a lo largo de la vida de las exposiciones a la protección y al riesgo

Muchos factores operan a lo largo del curso de la vida, desde la gestación hasta la vejez. Estos factores son difíciles de rastrear, y nuestra base de evidencia se limita a lo que se estudia en edades particulares. Aquí, analizamos la evidencia directamente relacionada con la demencia; Sin embargo, existe evidencia más amplia que no capturamos sobre el crecimiento óptimo del cerebro en los primeros años de vida (es decir, en el útero y la infancia) y la exposición a la adversidad y sus efectos en la cognición, la salud vascular y las actividades físicas y cognitivas. La exposición educativa tiene fuertes efectos protectores. En esta Comisión, utilizamos el lenguaje del riesgo y luego discutimos la protección, que puede mitigar tanto los riesgos como las enfermedades derivadas de los riesgos. La duración, la consistencia y el momento de la exposición al posible riesgo podrían ser importantes, con un estudio que informó, por ejemplo, que la diabetes en la mediana edad es un factor de riesgo para la demencia, pero podría no ser un riesgo en aquellos cuyo inicio de la diabetes es en la vejez.25 No está claro si esta diferencia en el riesgo se debe a una menor duración de la exposición en las personas que desarrollan diabetes en la edad avanzada que en las que desarrollan diabetes en la mediana edad, si la gravedad de la diabetes tiene un efecto sobre el riesgo o si hay un período crítico de exposición. Es posible que, si las personas que desarrollan diabetes en la vejez viven lo suficiente, también podrían tener un mayor riesgo de demencia. Otros factores de riesgo, como el tabaquismo, que la evidencia sugiere que es un factor de riesgo en la mediana edad, claramente también confieren riesgo en la vejez.

Efectos del pródromo largo antes de la identificación e intervención de la demencia

La larga fase preclínica de algunas demencias, a lo largo de más de una década, se caracteriza por cambios neuropatológicos progresivos, como la acumulación de β de amiloide o tau antes de la demencia de Alzheimer. Los cambios neuropatológicos inicialmente tienen pocos efectos cognitivos, pero estos efectos pueden aumentar a lo largo de muchos años.26 Los cambios en el comportamiento y la salud pueden ocurrir mucho antes de la aparición de la demencia, por lo que los riesgos potenciales identificados en los pocos años anteriores a la aparición de la demencia podrían ser un verdadero efecto causal o una causalidad inversa, o el vínculo podría ser bidireccional. Esta bidireccionalidad podría ser cierta incluso cuando los estudios informan sobre el tiempo medio de seguimiento de la cohorte, que podría variar entre las personas que desarrollan demencia (debido a la censura al inicio de la demencia) y las que no. Los estudios futuros deben informar el seguimiento medio de las personas que desarrollan y no desarrollan demencia por separado o evaluar el efecto de excluir los casos incidentes que se desarrollan dentro de los 5 a 10 años posteriores al seguimiento. Existen muchas dificultades metodológicas en el diseño y la realización de ensayos de intervención para la prevención de la demencia, incluida la garantía de una duración suficiente del seguimiento; el reclutamiento de participantes de grupos de alto riesgo o que a menudo están excluidos, como las personas de grupos étnicos minoritarios (que varían según el país); y la adherencia a la intervención y la realización de cambios asociados en el estilo de vida o en el comportamiento que se asocian con mejores trayectorias de funcionamiento cognitivo, 27 La adherencia al estudio disminuye con el aumento de la complejidad e intensidad de la intervención.28 Puede ser más difícil demostrar el beneficio de una intervención en un ensayo controlado aleatorizado (ECA) si el grupo de control está muy motivado para aceptar también la intervención. El beneficio puede detenerse o disminuir si la intervención no continúa después del final del ensayo.

Diversidad, equidad e inclusión

Anteriormente, consideramos la prevención y la reducción de riesgos a nivel mundial, utilizando datos internacionales para la prevalencia de factores de riesgo y riesgos relativos (RR) de metanálisis cuando fue posible.12 La consideración de la equidad es importante, no solo desde el punto de vista ético, sino también para informar sobre la orientación de la intervención y la accesibilidad para maximizar los efectos preventivos.29 Muchas fuentes de big data comprenden datos de voluntarios, que por su naturaleza excluyen a las personas que están en mayor riesgo.30 Además, algunos de los grandes estudios de cohortes, como el Biobanco del Reino Unido, también reclutan voluntarios más jóvenes (es decir, de <50 años), y aunque su inclusión es útil para excluir la causalidad inversa, la mayoría de las personas no han alcanzado la edad en la que la demencia es común y, por lo tanto, los hallazgos podrían no ser generalizables a poblaciones mayores. Los estudios de cohortes de los factores de riesgo de demencia y, por lo tanto, los metanálisis, provienen en su mayoría de los países de ingresos altos, y estos estudios tienden a reclutar a personas de origen europeo con un alto nivel de educación y un alto nivel socioeconómico, que suelen pertenecer a grupos de mayor edad (es decir, >65 años), con pocas personas incluidas de grupos étnicos minoritarios.

31 Estas limitaciones también se aplican a los ensayos clínicos y, para ambos tipos de estudio, pueden estar relacionadas con criterios de exclusión que especifican otras enfermedades médicas y psiquiátricas notables; falta de un compañero de estudio que acompañe al participante a las visitas del ensayo y lo apoye, como un cuidador familiar; incapacidad para manejar la carga de la participación en la investigación; y la falta de fluidez en el idioma local.32 33La prevalencia de los factores de riesgo varía de un país a otro34 y dentro de los países.

35 Un metaanálisis de 31 estudios de 15 países de América Latina mostró que el doble de personas sin ningún tipo de educación en comparación con aquellas con 1 año o más de educación tenían demencia (21,4% frente a 9,9%) y reportó una prevalencia ligeramente mayor en entornos rurales que urbanos y en mujeres que en hombres.

29 Los factores de riesgo se agrupan dentro de las comunidades y los individuos. Las personas de grupos étnicos desatendidos, como los maoríes en Nueva Zelanda, los australianos de las Primeras Naciones, las personas negras en los EE. UU. y el Reino Unido, y las personas hispanas en los EE. UU., tienen una mayor prevalencia de factores de riesgo potencialmente modificables que la población mayoritaria del país.43 Además, la literatura, y por lo tanto nuestras Comisiones, han asumido que el efecto de tener cada factor de riesgo es el mismo para todos. Por el contrario, la investigación sobre enfermedades cardiovasculares ha identificado, por ejemplo, que el efecto de la presión arterial alta sobre el riesgo de accidente cerebrovascular es mayor en las personas del sur de Asia en el Reino Unido que en la población británica blanca y los efectos de los factores de riesgo para la demencia también pueden variar entre grupos étnicos.44 45Importantes factores de desventaja social, como menos educación, más aislamiento social y bajo nivel socioeconómico, tienden a agruparse con factores de salud que predicen el deterioro cognitivo y la demencia.

46 Por lo tanto, las personas a menudo tienen varios factores de riesgo, que pueden actuar juntos, lo que significa que es importante considerar la comunalidad. Hemos optado por considerar los riesgos individualmente y corregirlos en función de la comunidad, en lugar de considerar varios perfiles de riesgo.El efecto del nivel socioeconómico sobre la prevalencia de algunos factores de riesgo puede variar de un país a otro. La prevalencia de hipertensión, diabetes, obesidad, inactividad física, tabaquismo, consumo excesivo de alcohol, menor educación, traumatismo craneoencefálico (TCE) y exposición a la contaminación atmosférica es mayor en personas de grupos socioeconómicos bajos y con bajos ingresos en países de ingresos altos.

47

 

48

 

49 En los países de bajos ingresos, las prevalencias más bajas de obesidad o diabetes en personas con menos riqueza o educación son inconsistentes.

50

 

51 Además, el aislamiento social es menos común en algunos países de ingresos bajos que en los países de ingresos altos.

32El sexo biológico, es decir, las diferencias físicas entre las personas debido a sus cromosomas sexuales y órganos reproductivos, generalmente se nota al nacer y a las personas se les asigna un sexo. El género vivido es cómo una persona se identifica en el espectro de género. El sexo y el género se reconocen cada vez más como conceptos separables en algunas sociedades. El sexo biológico, la exposición hormonal y los roles sociales son potencialmente importantes para influir en el riesgo de demencia y su expresión en la vejez. Los hallazgos sobre el efecto del sexo biológico en el riesgo de demencia son inconsistentes.

52 Las mujeres tienen tasas de incidencia de demencia ajustadas por edad más altas que los hombres en algunos países, pero no en todos.53 Un metaanálisis con casi un millón de personas de 205 estudios en 37 países identificó que el aumento de la incidencia y prevalencia de la demencia en las mujeres en comparación con los hombres se explicaba por las diferencias en la esperanza de vida y la educación.53 Un análisis de participantes individuales reportó resultados muy variados en cada país.54 En 21 cohortes con un total de 29 850 participantes en África, Asia, Europa, América del Norte, Australia y América del Sur, el riesgo de desarrollar demencia fue mayor en las mujeres que en los hombres (cociente de riesgos instantáneos [CRI] 1,12; IC del 95%: 1,02-1,23). Las primeras estimaciones representativas a nivel nacional de la prevalencia de la demencia en la India indicaron una mayor prevalencia en las mujeres, las personas con menos educación y en los entornos rurales.55 56Tanto en los países de ingresos altos como en los de ingresos bajos y medianos, la evidencia sugiere que el riesgo está relacionado con factores distintos del sexo biológico. Una mayor esperanza de vida y un menor nivel educativo en las mujeres que en los hombres, así como una reducción de los estrógenos en las mujeres posmenopáusicas, podrían causar diferencias sexuales en el desarrollo de la demencia. Un estudio representativo a nivel nacional en Japón de 2200 adultos seguidos desde los 60 años durante 12 años, o hasta la muerte, informó que los menores logros educativos y el trabajo doméstico o las ocupaciones de trabajo manual explicaron las puntuaciones cognitivas basales más bajas de las mujeres y un mayor deterioro cognitivo a lo largo de los años de seguimiento.

57 Un estudio realizado en el Reino Unido con 15 924 participantes identificó que las mujeres nacidas más recientemente en la cohorte estaban alcanzando las puntuaciones más altas de memoria y fluidez de los hombres, a medida que aumentaba el acceso de las mujeres a la educación.

58 Un análisis de 70 846 personas de 60 años o más en los EE. UU., México, Brasil, China e India encontró que la función cognitiva más pobre en las mujeres que en los hombres era más pronunciada en los países de ingresos medios que en los EE. UU. El ajuste por educación atenuó la diferencia en la cognición entre hombres y mujeres en todos los países y eliminó la diferencia en el grupo que recibió un alto nivel de educación.

59 Esta diferencia entre países sugiere que el aumento del riesgo en las mujeres está relacionado en parte con la falta de oportunidades en el trabajo y la educación, lo que conduce a un aumento de la pobreza, un menor acceso a la atención médica y discriminación, todo lo cual varía entre culturas más que entre sexos biológicos.

60 Aunque existe poco conocimiento sobre los riesgos de demencia en las personas que tienen una pareja del mismo sexo, un estudio realizado en Estados Unidos con 23.669 adultos mayores de 50 años identificó un mayor riesgo de deterioro cognitivo en aquellos con una pareja del mismo sexo que en aquellos con una pareja del sexo opuesto.

61 Además, los hombres y mujeres cisgénero generalmente tienen menos factores de riesgo para desarrollar demencia en la vejez que los hombres y mujeres transgénero.

62

Métodos para considerar la causalidad

Los accidentes cerebrovasculares (incluidos los causados por la fibrilación auricular), la enfermedad de Parkinson, el VIH y la sífilis son causas de demencia en lugar de factores de riesgo, y no los incluimos aquí como factores de riesgo. La demencia vascular suele estar relacionada con el accidente cerebrovascular, que puede ser sintomático o detectarse en las imágenes en ausencia de síntomas motores, y el accidente cerebrovascular se especifica en los criterios diagnósticos de la demencia vascular. El accidente cerebrovascular ocurre con más frecuencia en personas con muchos factores de riesgo potencialmente modificables, como el tabaquismo, la hipertensión y la diabetes, que en personas sin factores de riesgo.

63Aunque los ECA son el estándar de oro para establecer la eficacia de una intervención y, por lo tanto, la causalidad de los factores de riesgo, a menudo son poco prácticos para estudiar la demencia. Los ensayos pueden requerir décadas de intervención y seguimiento antes de que ocurra la demencia clínica, lo que genera costos prohibitivos y sesgos debido al abandono selectivo. Además, puede ser poco ético o imposible asignar aleatoriamente a las personas a un grupo de tratamiento. Los métodos de inferencia causal, los estudios cuasiexperimentales o los estudios ecológicos podrían aumentar la evidencia.

64 En una revisión Cochrane que comparó estudios sobre los resultados de la atención médica (aunque no específicamente sobre la demencia), en la que se evaluaron los efectos cuantitativos de los ECA y los estudios observacionales de las intervenciones, se identificó que 23 de 34 estudios informaron estimaciones de efectos similares de los ECA y los estudios observacionales.

65 Se identificaron diferencias cuando había alta heterogeneidad en el metanálisis (es decir, >50%). Un enfoque para evaluar la causalidad es estudiar los efectos de la intervención implementada en un momento determinado, como la reducción de la contaminación del aire o el aumento de la educación de toda la población. Otro enfoque son los análisis de aleatorización mendeliana, que, por primera vez, hemos incorporado a nuestro marco de triangulación cuando ha sido posible, para ayudar a establecer la causalidad. La aleatorización mendeliana es un método de inferencia causal que se basa en la asignación aleatoria de alelos en el momento de la concepción, por lo que su asociación con un riesgo no puede ser causada por una enfermedad posterior. Este enfoque asume que los comportamientos y el estado de ánimo están en parte impulsados genéticamente y solo se pueden utilizar para la inferencia causal cuando hay suficiente diversidad genética que influye en un factor de riesgo particular en la población estudiada. La aleatorización mendeliana también está limitada por factores como el sesgo de supervivencia, que probablemente explique los hallazgos controvertidos de la aleatorización mendeliana que se oponen a los hallazgos de los ECA.

66

 

67

Factores de riesgo específicos potencialmente modificables para la demencia

Los esfuerzos de prevención de la demencia deben adoptar un enfoque matizado y adaptado a los diferentes grupos y tratar de reducir las barreras estructurales y socioculturales para la participación de los grupos de alto riesgo. Los ensayos y las bases de datos de investigación deben apuntar a la diversidad sociodemográfica para reflejar las poblaciones de la vida real. En las siguientes secciones, describimos brevemente los estudios de investigación relevantes recientemente publicados e ilustrativos que se suman a la base de evidencia de la Comisión 2020 sobre los factores protectores y de riesgo para el desarrollo de la demencia. Discutimos en qué parte del curso de la vida la evidencia sugiere que estos factores comienzan a ser importantes, dadas las limitaciones de las edades para las que se dispone de evidencia.

2 Mientras que algunos factores de riesgo, como la hipertensión, evolucionan y cambian a lo largo de la vida, otros factores, como el alcohol o el tabaquismo, pueden ser más consistentes. En la figura 2 resumimos los posibles mecanismos de protección frente a la demencia.

Educación, logros educativos y actividad cognitiva

Anteriormente informamos que las personas con más educación infantil y mayor nivel educativo tienen un menor riesgo de demencia, y discutimos si los efectos de la estimulación cognitiva posterior podrían deberse a que las personas con más educación tienen ocupaciones cognitivamente más estimulantes que las personas con bajos niveles de educación.

2 Se ha estimado que las diferencias en la calidad de la educación, medida por los niveles de lectura a las edades de 14 a 15 años, explican aproximadamente la mitad de las disparidades en la prevalencia de la demencia en los Estados Unidos entre los grupos raciales.

68 En general, el logro educativo, no los años de educación, parece impulsar el efecto protector para la cognición futura y la demencia.

69

 

70En China, estudios realizados con 20 años de diferencia utilizando los mismos métodos y áreas geográficas informaron que la incidencia y la prevalencia de la demencia han aumentado específicamente en personas con menos de 6 años de educación, posiblemente porque esta población ahora tiene más probabilidades de sobrevivir hasta una edad más avanzada que en años anteriores debido a la mejora general de la salud de la población.

71 En los Estados Unidos, la prevalencia ha disminuido, en paralelo con el aumento de la educación para toda la población diversa del país. La prevalencia de demencia reportada disminuyó más en las personas negras de 65 a 74 años, en línea con la mayor mejora en la educación de esta población que la población blanca no hispana.

72 Para los chinos, filipinos y japoneses-americanos, obtener un título universitario se asoció con un menor riesgo de demencia.

73En un estudio de 107 896 personas de países de ingresos bajos a los que se dio seguimiento durante 13,7–30,1 años, se notificó un menor riesgo de demencia en los participantes con alta estimulación cognitiva en el trabajo que en los participantes con baja estimulación cognitiva en el trabajo (HR de seguimiento a 10 años: 0,79; IC del 95%: 0,66–0,95).

74 En comparación con las personas con poca educación y baja estimulación cognitiva en el trabajo, el HR para la demencia en las personas con alta estimulación cognitiva en el trabajo pero con poca educación fue de 0,80 (0,66-0,97) y para las personas con alta estimulación cognitiva y alta educación fue de 0,63 (0,49-0,82; Figura 3). Resultados similares se informaron en un estudio realizado en Asia, Australia, Europa y América del Norte, que siguió a 10 195 personas durante 3,9 a 6,4 años, y encontró que tanto la educación secundaria como la complejidad ocupacional se asociaron de forma independiente con un mayor tiempo de supervivencia libre de demencia, con un 28% del efecto de la educación mediado por la complejidad ocupacional.

75 Sin embargo, un estudio estadounidense informó que los años de escolaridad predijeron la protección contra el efecto de las lesiones de la sustancia blanca en las personas blancas por resonancia magnética, pero no en las personas negras.

76 A nivel mundial, el nivel educativo ha aumentado con el tiempo, pero sigue siendo bajo en algunos países, por lo que es de gran relevancia cuando se considera la prevención de la demencia y la salud en general.

77

Miniatura de la figura gr3
Figura 3Asociación de la estimulación cognitiva a lo largo de la vida con la demencia incidenteMostrar pie de foto completoVer en grande ImagenVisor de figurasDescargar Hi-res imagenDescargar (PPT)

La alta estimulación cognitiva se ha asociado con la reserva cognitiva. La capacidad de mantener la reserva cognitiva podría estar mediada por muchos mecanismos, incluyendo concentraciones más altas de proteínas circulantes para permitir la reparación del cerebro a través de la axonogénesis y la sinaptogénesis.

74 mayor eficiencia y menor disminución de las redes cerebrales funcionales,

78

 

79 El aumento de los logros laborales está vinculado a una mejor situación financiera que conduce a más opciones sobre dónde vivir, una mejor salud física a través de un mejor acceso a la atención de la salud y la concienciación sobre la salud, y otros comportamientos que promueven la salud. Un estudio de aleatorización mendeliana identificó que el efecto de los años de educación (medido por genes predictivos) estaba mediado por la inteligencia (medida por genes relacionados con el rendimiento en las pruebas de cociente intelectual).

80En la Lancet Commission de 2020, informamos que los ensayos de entrenamiento cognitivo computarizado en personas mayores sanas y personas con deterioro cognitivo leve generalmente sugirieron un pequeño efecto positivo sobre la cognición, pero no estaba claro si el entrenamiento cognitivo computarizado tenía valor clínico debido a la baja calidad y heterogeneidad de los estudios.

81 Una revisión Cochrane actualizada de las intervenciones de entrenamiento cognitivo computarizado para mantener la función cognitiva en personas mayores cognitivamente sanas, administrada a lo largo de 12 a 26 semanas, también identificó evidencia de baja calidad que respaldaba los pequeños beneficios inmediatos del entrenamiento cognitivo computarizado sobre la función cognitiva global versus controles activos y sobre la memoria episódica versus controles inactivos, sin evidencia de efecto a largo plazo.

82 En particular, las intervenciones de entrenamiento cognitivo computarizado a corto plazo a baja intensidad, que pueden ser financieramente costosas, solo tienen evidencia de baja calidad de efectividad a corto plazo y ninguna evidencia de efectividad a largo plazo en el mantenimiento de la cognición. Es posible que el entrenamiento cognitivo en estos ensayos no cubra la amplitud de la función cognitiva, no sea lo suficientemente intensivo o atractivo, o se administre demasiado tarde en la vida para preservar la función cognitiva. La exposición a la estimulación cognitiva en el trabajo reduce el riesgo de demencia y es de mayor duración que las intervenciones cognitivas o los pasatiempos cognitivamente estimulantes.

74

Pérdida auditiva y audífonos

A nivel mundial, se estima que el 20% de las personas tienen pérdida de audición, a veces relacionada con exposiciones ocupacionales o ambientales al ruido o infecciones no tratadas.

83 El 62% de las personas con pérdida auditiva en todo el mundo tienen más de 50 años, y la pérdida auditiva a menudo no se trata.

83 En nuestras anteriores Comisiones de The Lancet, realizamos un metanálisis de estudios de cohorte de alta calidad con participantes que no padecían demencia pero que habían medido objetivamente la pérdida auditiva periférica al inicio del estudio.

1

 

2 Se definieron los estudios de alta calidad como aquellos con medidas objetivas de la audición a través de la evaluación de tonos puros; más de 5 años de seguimiento; ajuste por edad, factores cardiovasculares y cognición o educación al inicio del estudio; y un riesgo general para el resultado de la demencia incidente. Existen otros cinco metaanálisis sobre la asociación entre la pérdida de audición y la demencia posterior.

84

 

85

 

86

 

87

 

88 uno de los cuales se centró en las lenguas tonales siníticas.

86 Todos estos análisis informaron asociaciones significativas entre la pérdida de audición y la demencia posterior, que oscilaron entre RR 1,28 (IC del 95%: 1,02-1,58) y 2,39 (1,58-3,61).

85 En el estudio más reciente, la pérdida auditiva incidente se asoció con el riesgo de demencia incidente (HR 1,35, IC 95% 1,26-1,45) y se relacionó con la dosis, ya que cada empeoramiento de 10 dB de la audición se asoció con un aumento del 16% en el riesgo de demencia (IC 95% 1,07-1,27).

88Ninguno de estos análisis incluyó todos los criterios que se consideraron para garantizar datos de alta calidad en nuestro metanálisis anterior. También se excluyeron los estudios que compararon poblaciones con diversas gravedades de pérdida auditiva, pero no compararon a los individuos con pérdida auditiva con aquellos sin pérdida auditiva. Se realizaron nuevas búsquedas desde el inicio de la base de datos hasta el 20 de marzo de 2023 en PubMed, Ovid Embase, PsycINFO, Web of Science, Cochrane Library, PROSPERO y el Centre for Reviews and Disemination, contactando a los autores para obtener aclaraciones según fuera necesario, y se encontraron seis estudios que cumplían los criterios (apéndice, pp. 1-2).

89

 

90

 

91

 

92

 

93

 

94 Se realizaron búsquedas en «todos los campos» utilizando los términos de búsqueda «demencia» o «deterioro cognitivo» o «enfermedad de Alzheimer» o «deterioro cognitivo leve» Y «audición» o «audición» o «audición» o «presviacusia». Se calcularon los totales si solo se informaron los subgrupos, lo que generó un CRI general para los estudios.

90

 

92

 

93 Se utilizaron los resultados no ajustados para los audífonos porque los audífonos forman parte de la vía causal entre la pérdida auditiva y la demencia.

93

 

94

 

95 La edad media de referencia de los participantes en el estudio osciló entre los 59 y los 77 años, y el estudio más grande reclutó a hombres cuando se inscribieron en la junta de reclutamiento obligatorio a la edad de 18 a 20 años, pero midió el estado auditivo a una edad media de 59,9 años (IQR 54,6-65,4).

92 El seguimiento en todos los estudios entre el inicio y el estado de demencia fue de entre 6 y 12 años. Realizamos un metanálisis de efectos aleatorios de estos estudios, en el que las personas con pérdida auditiva tenían un mayor riesgo de demencia en comparación con las que no tenían pérdida auditiva (HR 1,37, IC del 95%: 1,00-1,87; Yo

2=80%; n=666 370; Figura 4). Cuatro de los estudios más pequeños informaron sobre el uso de audífonos, y entre el 18 y el 64,5% de las personas con pérdida auditiva usaban audífonos.

89

 

90

 

91

 

94 Todas las personas con pérdida auditiva se incluyeron en nuestro metanálisis, sin considerar el uso de audífonos en la estimación general del riesgo, por lo que la estimación es conservadora. En nuestra meterregresiva, los estudios con una mayor proporción de personas que usaban audífonos informaron una menor probabilidad de demencia que aquellos con una menor proporción de personas que usaban audífonos, pero el intervalo de confianza fue amplio (-1,32, -3,34 a 0,71).

Miniatura de la figura gr4
Figura 4Riesgo relativo de demencia para las personas con pérdida auditiva al inicio en comparación con las que no la tienenMostrar pie de foto completoVer en grande ImagenVisor de figurasDescargar Hi-res imagenDescargar (PPT)

A medida que aumenta la gravedad de la pérdida auditiva, aumenta el riesgo de demencia: los cuatro estudios que investigaron la dosis-respuesta entre la audición y el riesgo de demencia informaron que cada disminución de 10 dB en la capacidad auditiva aumentaba el riesgo de demencia.90 91 96 97 La magnitud de este aumento del riesgo varió entre los estudios, desde un aumento del 4%96 a un aumento del 24%91 en el riesgo de demencia por 10 dB de disminución de la capacidad auditiva.La pérdida auditiva específica del habla en ruido, en la que el déficit es la comprensión del habla cuando hay otros ruidos de fondo, es poco frecuente. El único estudio grande hasta la fecha en el que se midió objetivamente la pérdida de audición del habla en ruido utilizó datos del Biobanco del Reino Unido (n = 82 039; 100 personas con pérdida del habla en ruido, seguidos durante una mediana de 10 años). En comparación con las personas con audición típica de habla en ruido (es decir, umbral de recepción del habla en ruido [SRTn] <-5,5 dB), hubo un mayor riesgo de demencia en personas con insuficiencia (SRTn ≥-5,5 dB a <-3,5 dB; HR 1,61, IC 95% 1,41-1,84) y mala (SRTn ≥-3,5 dB; 1,91, 1,55-2,36) audición en ruido.98Se han propuesto varias hipótesis para explicar cómo la pérdida de audición podría aumentar el riesgo de demencia. Los factores psicosociales, como la soledad, la depresión y el aislamiento social, pueden estar involucrados. Otros mecanismos incluyen la reducción de la reserva cognitiva debido a la disminución de los estímulos ambientales, el aumento de los recursos cognitivos necesarios para escuchar y una interacción de estos riesgos con la patología cerebral.99 Un vínculo causal entre la pérdida de audición y la demencia está respaldado por el hecho de que la exposición más prolongada a la pérdida de audición se asocia con un mayor riesgo de demencia, con el riesgo máximo en las personas que fueron diagnosticadas con pérdida de audición durante más de 25 años.100 Otro mecanismo postulado es la patología cardiovascular común, en la que la enfermedad vascular afecta a la cóclea o a la vía ascendente, causando pérdida de audición, y al lóbulo medial-temporal, causando demencia. Este mecanismo sugeriría que la confusión por el estado de salud cardiovascular o los riesgos explicaría sustancialmente la asociación entre la pérdida de audición y el riesgo de demencia, lo que no se ha demostrado en los metanálisis.99La evidencia descrita aquí plantea la cuestión de si el uso de audífonos en personas con pérdida auditiva puede eliminar o mitigar el aumento del riesgo de demencia. El estudio ACHIEVE, el primer ECA de audífonos y cognición, reclutó a personas de 70 a 84 años. Los participantes eran voluntarios sanos con pérdida auditiva que fueron reclutados con anuncios (n = 739) y personas de una cohorte existente, el estudio ARIC (n = 238).101 No hubo ningún efecto general del uso de audífonos en el resultado primario de la cognición a los 3 años de seguimiento (diferencia -0,002; IC del 95%: -0,08 a 0,08). Es importante destacar que un análisis de sensibilidad preespecificado identificó efectos sustanciales del uso de audífonos en la cognición a los 3 años en el grupo ARIC (diferencia 0,19, 0,02 a 0,36). La población ARIC tenía más factores de riesgo de demencia (es decir, la edad media de la población era 2,8 años mayor, menor cognición basal, fumaba más, menos educación, vivía sola con más frecuencia y era más propensa a tener diabetes e hipertensión) que la población de voluntarios sanos con pérdida auditiva. El deterioro cognitivo incidente fue mayor en el grupo ARIC (57 [24%] de 238 participantes) que en las personas que fueron reclutadas a través de anuncios (61 [8%] de 739 participantes) en el seguimiento a 3 años. En particular, los autores enfatizaron que los participantes voluntarios que se reclutan a través de este tipo de método generalmente representan un subconjunto más saludable de la población objetivo. En general, hubo un gran efecto protector de los audífonos sobre la cognición en la población con alto riesgo en la cohorte ARIC (reducción del 48% en el deterioro cognitivo global a 3 años en comparación con la población de control). La tasa más lenta de deterioro cognitivo en el grupo de voluntarios sanos en comparación con la cohorte ARIC podría haber limitado cualquier efecto sobre la cognición en este grupo dentro de un período de seguimiento de 3 años. La explicación del gran efecto en la cohorte ARIC podría ser que los audífonos en grupos con alto riesgo de demencia también cambian el contacto social, el bajo estado de ánimo, la estimulación cognitiva y mejoran la motivación y la comunicación sobre el tratamiento médico, pero esta evidencia aún no existe.102Anteriormente discutimos la evidencia de que el uso de audífonos protege contra la demencia y reduce las tasas de deterioro cognitivo después de comenzar a usar audífonos.2 Desde entonces, una revisión sistemática y metanálisis de ocho estudios de cohorte con 126 903 participantes, seguidos durante 2 a 25 años, informaron que las personas con pérdida auditiva que usaban audífonos tenían un riesgo significativamente menor de deterioro cognitivo (HR 0,81, 0,76-0,87; Yo2=0%) y demencia (0,83, 0,77–0,90; Yo2=0%; cuatro estudios) que aquellos que no usaron dispositivos de asistencia (Figura 5).103

Miniatura de la figura gr5
Figura 5Asociación longitudinal entre el uso de audífonos y el deterioro cognitivoMostrar pie de foto completoVer en grande ImagenVisor de figurasDescargar Hi-res imagenDescargar (PPT)

En otra cohorte de 2114 personas mayores de 50 años con pérdida auditiva autoinformada, 1154 personas tenían deterioro cognitivo leve y las que usaban audífonos tenían un riesgo significativamente menor de desarrollar demencia por todas las causas durante el seguimiento que las que no usaban audífonos (HR 0,73, 0,61-0,89).

105 La mediana del tiempo hasta la aparición de demencia incidente fue de 2 años para los no usuarios de audífonos y de 4 años para los usuarios de audífonos.La evidencia observacional de los beneficios de los audífonos para el riesgo de demencia está aumentando. Incluso si solo se consideran los estudios con seguimiento prolongado, para reducir la posibilidad de causalidad inversa, la evidencia de que los audífonos reducen el riesgo de demencia es consistente y respaldadora. Implementar el uso de audífonos, si es efectivo para prevenir la demencia, probablemente ahorraría costos.

7

Depresión

En la Comisión Lancet de 2020, concluimos, sobre la base de estudios publicados, que el vínculo entre la depresión y la demencia era probablemente bidireccional y que, en los años anteriores a la presentación de la demencia, la depresión puede ser un síntoma de demencia en evolución; una reacción al deterioro cognitivo; o una causa de deterioro cognitivo. También se observó que pocos estudios habían considerado si el riesgo de demencia se veía afectado por el tratamiento de la depresión.Un nuevo metanálisis identificó que la depresión se asoció con la demencia por todas las causas, aunque hubo un alto grado de heterogeneidad entre los estudios (RR 1,96, IC del 95%: 1,59-2,43; Yo

2=96,5%; 27 estudios).

110 Para esta Comisión, elegimos los siete estudios incluidos por Stafford y colaboradores con un seguimiento de 10 a 14 años

110

 

111

 

112

 

113

 

114

 

115

 

116

 

117 y realizó un metanálisis de efectos aleatorios de los resultados de estos. Identificamos un mayor riesgo de demencia para las personas con depresión en comparación con las que no la tenían (RR 2,25, IC del 95%: 1,69-2,98; Yo

2=82,8%; Figura 6). Seis estudios que especificaron la edad de los participantes tuvieron una edad media inicial general de 63 años. Aunque los estudios fueron heterogéneos en el tamaño del efecto, informaron sistemáticamente un aumento del riesgo de demencia para las personas con depresión, incluso en estudios que emparejaron a los participantes según la edad, el sexo, el estado socioeconómico y las comorbilidades. De manera similar, un estudio de casos y controles danés de 246 499 adultos diagnosticados con depresión (a la mediana de edad de 50,8 años, IQR 34,7-70,7) y 1 190 302 individuos sin depresión informó un mayor riesgo de demencia en general entre aquellos con depresión (HR 2,41, IC 95% 2,35-2,47) en comparación con aquellos sin depresión. La asociación también se observó en personas para las que el intervalo entre la fecha índice para la evaluación de la depresión y la demencia fue superior a 20-39 años (1,79, 1,58-2,04), y en aquellas diagnosticadas con depresión temprana (es decir, 18-44 años; 3,08, 2,64-3,58), medias (es decir, 45-59 años; 2,95, 2,75-3,17), o en la vejez (es decir, 60 años; 2,31, 2,25-2,38) en comparación con las personas sin depresión.120 En un estudio nacional sueco de 41 727 gemelos, con un seguimiento de 18 años, se informó que el riesgo de demencia aumentaba para la depresión en la mediana edad (odds ratio [OR] 1,46, IC 95% 1,09-1,95), en la vejez (2,16, 1,82-2,56) y de por vida (2,65, 1,17-5,98).121

Miniatura de la figura gr6
Figura 6Metanálisis del riesgo de desarrollar demencia 10-14 años después del diagnóstico de depresión en comparación con aquellos que no estaban deprimidosMostrar pie de foto completoVer en grande ImagenVisor de figurasDescargar Hi-res imagenDescargar (PPT)

En general, estos estudios sugieren que la depresión aumenta el riesgo de demencia en todas las edades adultas, aunque en la vejez, parte de la asociación es causada por la demencia preclínica. Por lo tanto, estamos clasificando la depresión como un factor de riesgo en la mediana edad porque existe un claro riesgo en la mediana edad.No hubo diferencias entre gemelos idénticos o no idénticos en el estudio sueco descrito, lo que llevó a la conclusión de que el riesgo de demencia no se explicaba por el riesgo genético o el entorno de vida temprana; Sin embargo, el riesgo de depresión en la mediana edad y demencia futura fue menor en los que tenían 8 o más años de educación que en los que tenían menos de 8 años de educación.

121 Se desconocen los mecanismos que relacionan la depresión con el riesgo de demencia, aunque la depresión podría conducir a una reducción del autocuidado y el contacto social. Otro mecanismo hipotético por el cual la depresión podría aumentar la demencia podría ser la secreción excesiva de cortisol que conduce a la atrofia del hipocampo o a la respuesta inflamatoria.

122Un estudio del Biobanco del Reino Unido sobre intervenciones para la depresión incluyó a 354 313 participantes de 50 a 70 años sin demencia al inicio del estudio, seguidos durante una mediana de 11,9 años (IQR 11,2-12,6).

123 e informó que las personas con un diagnóstico de depresión (n = 46 280) tenían un mayor riesgo de desarrollar demencia (HR 1,51, IC 95% 1,38-1,63). Las personas que fueron tratadas para la depresión con farmacoterapia (n = 14 695; 0,77, 0,65-0,91), psicoterapia (n = 2151; 0,74, 0,58-0,94) o terapia combinada (n = 5281; 0,62, 0,53-0,73) tuvieron menos probabilidades de desarrollar demencia que el grupo no tratado (HR de tratamiento general 0,69, 0,62-0,77). El grupo no tratado que remitió no tuvo un mayor riesgo de demencia que el grupo sin depresión (0,84, 0,56-1,24). Este estudio proporcionó datos para un grupo más grande y durante un período más largo que la evidencia previa

124

 

125 pero todavía está abierto al sesgo de los estudios observacionales. Sin embargo, es poco probable que haya tales ECA a largo plazo. Los hallazgos sobre el efecto de la medicación y la terapia para la depresión en la reducción del riesgo de demencia sugieren la importancia de tratar la depresión tanto por la calidad de vida como porque podría reducir el riesgo de demencia en el futuro.

Lesión cerebral traumática

Realizamos un metanálisis del riesgo de demencia por todas las causas después de un traumatismo craneoencefálico en la Comisión Lancet de 2020 (RR 1·84, 1·54-2·20).

2 Posteriormente, dos metanálisis informaron estimaciones similares. El primer análisis, que incluyó 21 estudios con un total de 8 684 485 personas, informó una OR de 1,81 (IC del 95%: 1,53-2,14) para el TCE y el riesgo de demencia.

126 Un metanálisis de 32 estudios (n = 7 634 844), que incluyó 17 estudios del otro metanálisis, informó un RR para la demencia después de un TCE de 1,66 (IC del 95%: 1,42-1,93).

127 Ambos estudios identificaron que una edad más temprana en el momento del TCE (es decir, <65 años) y el sexo masculino se asociaron con un mayor riesgo de demencia.En los países de ingresos bajos y medianos, el traumatismo craneoencefálico se produce con mayor frecuencia por accidentes de tráfico, pero en los países de ingresos altos, el traumatismo craneoencefálico se debe con mayor frecuencia a caídas o violencia, siendo el alcohol un factor contribuyente común.

128 Por lo tanto, el riesgo de LCT está relacionado con otros comportamientos de salud que son factores de riesgo para la demencia. Un gran estudio longitudinal prospectivo, nacional, finlandés (n = 32 385) informó que la asociación entre el TCE grave (es decir, >3 días de hospitalización) y la demencia se atenuó (de HR 1,51 [IC 95% 1,03-2,22] a 1,30 [0,86-1,97]) después de ajustar otros factores de riesgo para la demencia, como la educación, el tabaquismo, el consumo de alcohol, actividad física e hipertensión.

129Conmoción cerebral y traumatismo craneoencefálico leve (mTBI, por sus siglas en inglés) son términos que a menudo se usan indistintamente.

130 Hay pocos estudios sobre el riesgo de mTBI y demencia, y los problemas metodológicos incluyen definiciones inconsistentes. Un estudio de cohorte previo que utilizó un registro nacional de pacientes informó un mayor riesgo de demencia incluso con un solo mTBI (OR 1,63; IC del 95%: 1,57-1,70).

131 Desde la Comisión Lancet de 2020, un estudio de cohorte no informó de un aumento del riesgo de demencia por mTBI en 15 años.

129 pero una revisión sistemática y metanálisis de cinco estudios, que incluyeron a 3 149 740 personas que informaron antecedentes de mTBI que cumplían con los criterios de la OMS, identificaron un mayor riesgo de enfermedad de Alzheimer (RR 1,18, IC 95% 1,11-1,25), y un análisis de sensibilidad que incluyó los pocos estudios en los que mTBI precedió a la enfermedad de Alzheimer en más de 10 años (n = 2307) también identificó un mayor riesgo de demencia después de TBI, aunque con intervalos de confianza más amplios (2,02, 0,66-6,21).

132Algunos deportes (p. ej., rugby, fútbol americano y hockey sobre hielo) implican contacto frecuente con la cabeza y eventos de latigazo cervical y se asocian con un mayor riesgo de LCT repetidas que los deportes en los que puede ocurrir una LCT individual de baja frecuencia en accidentes o como parte del deporte (p. ej., ciclismo, equitación y boxeo). Existe una creciente preocupación por el hecho de que los jugadores profesionales y aficionados de fútbol y rugby viven y mueren más a causa de enfermedades neurodegenerativas que la población general, lo que podría estar relacionado con una lesión cerebral traumática grave ocasional o una lesión cerebral traumática leve frecuente por contacto físico con otras personas o por cabecear un balón de fútbol.

133 Un metanálisis que clasificó el riesgo de conmoción cerebral en los deportes de contacto identificó 83 estudios de tasas de conmoción informadas, principalmente de los EE. UU. (n = 66), con cinco estudios de Canadá y cinco estudios del Reino Unido.

134 El rugby tuvo la tasa más alta de conmociones cerebrales (28,3 conmociones cerebrales por cada 10.000 partidos), seguido del fútbol americano (8,7 conmociones cerebrales por cada 10.000 partidos), el hockey sobre hielo (7,9 conmociones cerebrales por cada 10.000 partidos) y la lucha libre (5,0 conmociones cerebrales por cada 10.000 partidos). El deporte universitario tuvo tasas de conmociones cerebrales ligeramente más altas que el deporte de la escuela secundaria (3,8 conmociones cerebrales frente a 3,7 conmociones cerebrales por cada 10,000 juegos).La evidencia sugiere que las personas que juegan fútbol profesional durante más tiempo, en posiciones en las que cabecean la pelota con más frecuencia, son más propensas a sufrir lesiones en la cabeza y tienen un mayor riesgo de demencia. Un pequeño estudio de 60 jugadores informó que la capacidad cognitiva en ex jugadores de fútbol profesional se asoció inversamente con la frecuencia estimada de cabezazos.

135 Un gran estudio realizado en Escocia (Reino Unido) informó que 386 (5,0%) de 7676 ex jugadores de fútbol en comparación con 366 (1,6%) de 23 028 individuos emparejados por edad, sexo y nivel socioeconómico del área desarrollaron una enfermedad neurodegenerativa (HR 3,66, IC 95% 2,88-4,65).

136 Este mayor riesgo fue más alto para los defensas que tenían una alta frecuencia de cabezazos o que habían jugado profesionalmente durante más de 15 años y más bajo para los porteros. Un estudio de futbolistas profesionales franceses informó que la mortalidad por todas las causas fue menor que la de la población nacional (tasa de mortalidad estandarizada 0,69, IC del 95%: 0,64-0,75), pero los futbolistas que murieron tuvieron una tasa más alta de muertes con demencia que los no jugadores (3,38, 2,49-4,50).

137

 

138 Un estudio de cohorte de 6007 jugadores de fútbol masculinos (excluyendo porteros) de la primera división de Suecia y participantes de control emparejados por sexo, área y región informó que los jugadores de fútbol tenían un mayor riesgo de demencia por todas las causas (HR 1,62, IC 95% 1,47-1,78), pero no enfermedad de la neurona motora ni enfermedad de Parkinson.

139 El riesgo de mortalidad por todas las causas fue menor entre los futbolistas que entre los controles (0,95, 0,91-0,99). De manera similar, la mortalidad por todas las causas fue menor entre los ex jugadores de rugby del equipo nacional hasta los 70 años de edad, pero en una mediana de 32 años, 47 (11%) de 412 ex jugadores de rugby y 67 (5%) de los 1236 participantes en el grupo de control fueron diagnosticados con enfermedad neurodegenerativa (2,67, 1,67-4,27).

137La lesión cerebral traumática puede causar o exacerbar la demencia a través de un trauma directo.

140 Los mecanismos patológicos plausibles para la neurodegeneración a largo plazo después de un TCE incluyen la lesión axonal que promueve la generación temprana de proteinopatías (p. ej., tau hiperfosforilada y β amiloide), la activación microglial y la atrofia cortical.

141

 

142 Se identificaron tres estudios de cohorte que evaluaron la patología cerebral en personas con antecedentes de TCE y pérdida del conocimiento, sin consistencia entre los estudios para la asociación con neuropatologías. Un estudio de 1589 personas que se sometieron a una autopsia informó un aumento en la patología con cuerpos de Lewy y la esclerosis del hipocampo, pero no placas ni ovillos en personas que tuvieron LCT con pérdida del conocimiento.

143 Un estudio de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer de 241 participantes, 41 de los cuales informaron una lesión cerebral traumática previa, identificó que los antecedentes de lesión cerebral traumática se asociaron con un aumento de la deposición de β amiloide, adelgazamiento cortical y la aparición de deterioro cognitivo 3-4 años antes que para aquellos sin lesión cerebral traumática previa.

144 Por el contrario, un estudio poblacional del Reino Unido que incluyó a 80 participantes que habían sufrido un traumatismo craneoencefálico con pérdida del conocimiento antes de los 60 años no encontró diferencias en la deposición de β amiloide, el volumen del hipocampo o el grosor cortical, pero una cognición más baja y un volumen cerebral más pequeño en comparación con sus 395 contrapartes sin lesión en la cabeza a la edad de 70 años.

145 El trabajo en curso con neuroimagen y biomarcadores de fluidos de neurodegeneración podría ayudar a identificar patrones superpuestos y distintos de neuropatología en personas con diferentes subtipos de demencia postraumática u otros trastornos neurodegenerativos, incluida la encefalopatía traumática crónica.

142

 

146En general, la evidencia sugiere que el TCE aumenta el riesgo de demencia, lo que posiblemente conduzca a un inicio más temprano de la demencia en 2-3 años que en las personas sin LCT.

147 lo que podría deberse a la acumulación de neuropatología subyacente. Este riesgo de enfermedades neurodegenerativas no debe oscurecer el mensaje de que el deporte es generalmente bueno para la salud. La protección contra las lesiones en la cabeza, por ejemplo, mediante el equipo de protección de la cabeza adecuado, la limitación de las prácticas de cabeceo y las colisiones de alto impacto, la prevención de los juegos inmediatamente después de una lesión cerebral traumática y, posiblemente, la adaptación de las normas para limitar las lesiones, debería ser ahora una prioridad de salud individual y pública. Algunos organismos deportivos y gubernamentales han comenzado a implementar estas políticas.

Tabaquismo

Anteriormente informamos que fumar en la vejez se asocia con un mayor riesgo de demencia (HR 1,6, 1,2-2,2).

2 Nuevas evidencias muestran ahora que fumar en la mediana edad parece ser un factor de riesgo más fuerte para la demencia que fumar en la vejez, posiblemente debido a las mejoras en el tratamiento de las enfermedades cardiovasculares y los cánceres relacionados con el tabaquismo, lo que lleva a una mayor probabilidad de que los fumadores vivan lo suficiente como para desarrollar demencia. Un metanálisis grande realizado por Zhong y sus colegas informó que fumar en la mediana edad aumentaba el riesgo de demencia (RR 1,30, IC del 95%: 1,18-1,45; 37 estudios), pero no hubo un aumento del riesgo en los ex fumadores.

148 El Framingham Heart Study (n = 4015; seguimiento de 21 años) identificó el riesgo más fuerte de demencia en personas que comenzaron a fumar en la vida adulta temprana (es decir, entre 33 y 44 años; HR 1,42, IC del 95%: 0,05-3,60).

149 Otros estudios de cohortes a largo plazo, como el estudio ARIC (seguimiento a 25 años; n=15 744; 1,41, 1,23–1,61)

150 y el estudio Whitehall II (seguimiento a 32 años; n=9951; 1,36, 1,10-1,68),

151 han reportado un exceso similar de riesgo de demencia en fumadores actuales de mediana edad (es decir, edad media de 44,9 años [DE 6,0]). Un estudio del Biobanco del Reino Unido de 497 401 adultos informó de un HR para la demencia de 1,7 (1,2-2,5) para los fumadores menores de 50 años al inicio del estudio.

152 En la población general danesa, un análisis combinado de dos cohortes prospectivas, que incluía un total de 61 664 individuos, informó que el riesgo de demencia para los fumadores de mediana edad aumentó para los hombres (3,2, 1,4-7,4) y las mujeres (1,7, 1,1-2,8) en comparación con los no fumadores.

153Un seguimiento de 32 años de la cohorte Whitehall II, controlando el estatus socioeconómico, identificó que los fumadores actuales (HR 1,36, IC 95% 1,10-1,68) pero no los exfumadores (0,95, 0,79-1,14) tienen un mayor riesgo de demencia en comparación con las personas que nunca han fumado y que las desigualdades socioeconómicas en el riesgo de demencia estaban mediadas en parte por el tabaquismo.

151 El estudio de Zhong y sus colegas tampoco mostró un aumento en el riesgo en los exfumadores. De manera similar, en un estudio nacional coreano de 789 532 participantes a los que se evaluó el estado de tabaquismo durante 2 años, se informó que los ex fumadores tenían un menor riesgo de demencia por todas las causas (0,92, 0,87-0,97) que los fumadores continuos, que fue más pronunciado entre los adultos que fumaron antes de los 65 años (0,8, 0,7-0,9) que los que fumaron a los 65 años o más (1,0, 0·9–1·0).

154 Otro estudio poblacional coreano que examinó el riesgo de demencia en personas con fibrilación auricular también informó de una reducción del riesgo de demencia en personas que habían dejado de fumar (0,83, 0,72-0,95) en comparación con los fumadores actuales.

155 Estos estudios sugieren que dejar de fumar reduce el riesgo de demencia en comparación con el tabaquismo continuo. Fumar ahora debe considerarse un factor de riesgo en la mediana edad (en lugar de un factor en la vejez, como en la Comisión Lancet de 2020),

2 Y el efecto beneficioso de dejar de fumar es alentador.

Factores de riesgo cardiovascular

Hemos optado por considerar los factores de riesgo individualmente en lugar de la morbilidad cardiovascular general. La demencia vascular generalmente ocurre cuando las personas tienen un accidente cerebrovascular (y el accidente cerebrovascular es parte de los criterios de diagnóstico), y la demencia vascular ocurre con más frecuencia en personas que fuman o que tienen diabetes e hipertensión.

63 El accidente cerebrovascular y la demencia comparten los factores de riesgo de menor educación, ejercicio poco frecuente, hipertensión, enfermedades cardíacas y aislamiento social.

156 Pero algunas personas con estos factores de riesgo no desarrollarán demencia a pesar de la neuropatología, a veces porque mueren a una edad temprana, antes de que se desarrolle la demencia.

23Varios estudios han examinado el efecto de una combinación de factores de riesgo cardiovascular sobre el riesgo de demencia. El grupo Life’s Simple 7 definió los factores ideales de salud cardiovascular (es decir, IMC, dieta, tabaquismo, actividad física, presión arterial, colesterol y concentraciones de glucosa), y las puntuaciones más altas en este índice se asocian con un menor riesgo de demencia.

63

 

157 De manera similar, en China, un estudio longitudinal de 10 años de duración con 29 072 personas con una edad media de 72 años en el seguimiento (DE 6,6) informó que el deterioro lento de la memoria se asoció con estar en el grupo sano, lo que significaba tener al menos cuatro de seis factores: dieta saludable (es decir, comer al menos siete de 12 alimentos elegibles), ejercicio físico (es decir, ≥150 minutos de ejercicio de intensidad moderada o ≥75 minutos de ejercicio de intensidad vigorosa semanalmente), contacto social activo (es decir, ≥2 contactos sociales por semana, incluso en línea), actividad cognitiva activa (es decir, participar en ≥2 actividades cognitivas por semana), nunca o antes de fumar (es decir, dejar de fumar hace ≥3 años) y nunca beber alcohol (es decir, beber menos de un vaso pequeño de vino al día).

158 Esta asociación se aplicaba tanto a los portadores de APOE ε4 como a los no portadores.

Colesterol LDL

En el momento de las anteriores Comisiones Lancet sobre la demencia, la evidencia disponible sobre si una alta concentración de colesterol LDL era un posible factor de riesgo de demencia no era concluyente.

2 La evidencia metaanalítica identificó evidencia inconsistente de los HIC de que el colesterol LDL alto en la mediana edad, pero no en la edad avanzada, podría ser un factor de riesgo para el deterioro cognitivo, la demencia por todas las causas y la enfermedad de Alzheimer.

159

 

160Desde entonces, un metaanálisis de tres estudios de cohorte con un total de 1 138 488 participantes, todos del Reino Unido, que analizaron el colesterol LDL en adultos menores de 65 años seguidos durante más de 12 meses, informó que cada aumento de 1 mmol/L en el colesterol LDL se asoció con un aumento del 8% en la incidencia de demencia por todas las causas (tamaño del efecto 1,08, IC del 95%: 1,03–1,14; Yo

2=0,3%).

161 En un estudio de 1 189 090 participantes se informó que el colesterol LDL alto (es decir, >3 mmol/L) se asoció con un mayor riesgo de demencia (HR 1,33, IC 95% 1,26-1,41).

45 En una gran cohorte del UK Clinical Practice Research Datalink (n=1 853 954) a la que se hizo un seguimiento durante una mediana de 7,4 años (IQR 4,6-10,4), un colesterol LDL basal más alto se asoció de manera similar con un mayor riesgo de demencia por todas las causas (razón de tasas ajustada 1,05, IC del 95% 1,03-1,06 por DE aumento del colesterol LDL [es decir, Aumento de 1,01 mmol/L o 39 mg/dL]).

162 Este riesgo fue mayor en las personas menores de 65 años al inicio del estudio para la demencia diagnosticada dentro de los 10 años (1,10, 1,04-1,15) y más de 10 años después del inicio (1,17, 1,08-1,27) que en las personas que tenían más de 65 años al inicio del estudio. En un estudio de cohorte danés de 94.184 personas a las que se les hizo un seguimiento desde una edad media de 58 años (DE 13,0), las personas que no seguían las pautas dietéticas (es decir, comían al menos tres porciones semanales de frutas, verduras y pescado; rara vez bebían bebidas azucaradas; rara vez comían carne preparada como salchichas o comida para llevar) tenían más probabilidades de tener colesterol LDL alto.

163 Después de una mediana de seguimiento de 9 años (rango <1-15), las personas con una baja adherencia a estas pautas tenían más probabilidades de desarrollar tipos de demencia distintos de la enfermedad de Alzheimer que las personas con una alta adherencia (HR 1,54, IC del 95%: 1,18-2,00), pero no eran más propensas a desarrollar enfermedad de Alzheimer, aunque la subtipificación de la demencia podría no haber sido precisa. Las personas que tomaron medicamentos para reducir los lípidos no tuvieron un mayor riesgo de demencia. Un estudio estadounidense de 4392 personas informó que el aumento del colesterol HDL protegía contra el desarrollo de la demencia.

164Otra evidencia de causalidad proviene de un metanálisis de aleatorización mendeliana que incluyó 27 estudios, que incluyeron a 3136 personas con demencia y 3103 controles sanos, que informaron que el colesterol total alto y el colesterol HDL bajo eran factores de riesgo para la demencia.

165 Por el contrario, un metanálisis de participantes individuales de más de 21 000 personas (edad basal media de 76 años) no identificó ninguna asociación entre el colesterol total, el colesterol LDL o el colesterol HDL y el deterioro cognitivo. Este resultado no cambió cuando el análisis se estratificó según el uso de estatinas o el estado de APOE ε4.

166El exceso de colesterol cerebral se asocia con un mayor riesgo de accidente cerebrovascular y la deposición de β y tau amiloide cerebral, lo que sugiere un mecanismo potencial para el vínculo entre el colesterol LDL y la demencia.

161 El HDL reduce el colesterol excesivo y se correlaciona inversamente con la concentración de β de amiloide cerebral.

167El asesoramiento individual sobre dieta y ejercicio tiene un pequeño efecto en la reducción del colesterol LDL.

168 Las estatinas se han convertido en un foco de investigación en el campo de la enfermedad de Alzheimer y tienen un beneficio potencial debido a sus propiedades antiinflamatorias y antioxidantes, así como a la reducción del colesterol.

169 En un metanálisis de 36 estudios de cohortes, se identificó que el uso de estatinas se asoció con un menor riesgo de demencia por todas las causas (OR 0,80; IC del 95%: 0,75–0,86; Yo

2=97,5%) y enfermedad de Alzheimer (0,68, 0,56-0,81; Yo

2=94,5%) en comparación con el colesterol alto no tratado, sin diferencia entre hombres y mujeres.

170 Una revisión Cochrane de ECA de estatinas administradas en la vejez no encontró ningún efecto sobre el riesgo de demencia (un estudio) ni sobre los resultados cognitivos (dos estudios).

171 Los datos observacionales repetidos se pueden utilizar para emular un ensayo objetivo sobre el uso de estatinas. Mediante el uso de datos de 6373 participantes de 55 a 80 años, un ensayo emulado identificó que el uso sostenido de estatinas, pero no el inicio de las estatinas solas, se asoció con un menor riesgo de demencia o muerte a 10 años.

172En general, existe evidencia de alta calidad, consistente y biológicamente plausible de que el colesterol LDL alto en la mediana edad es un factor de riesgo para la demencia. Las directrices de la OMS de 2019 sugirieron que el tratamiento de la dislipidemia en la mediana edad podría ofrecerse para reducir el riesgo de deterioro cognitivo y demencia, pero que la calidad de las pruebas era baja.

124 Aunque no existen ECA de estatinas a largo plazo y de alta calidad para prevenir la demencia, estos estudios serían poco éticos y poco prácticos de realizar. Los metanálisis de los estudios observacionales son heterogéneos, pero muestran un beneficio de las estatinas sobre el riesgo de demencia, posiblemente porque el beneficio depende de la edad de inicio.

Inactividad física, ejercicio y estado físico

Anteriormente concluimos que el equilibrio de la evidencia es que el vínculo entre el ejercicio y la demencia probablemente sea bidireccional.

2 La actividad física cambia a lo largo de la vida de una persona, disminuyendo cuando alguien se enferma; varía según la cultura, el nivel socioeconómico y el sexo; y puede ocurrir en diferentes niveles de intensidad, lo que lo hace complejo de estudiar. Desde la Comisión Lancet de 2020, una revisión sistemática y metanálisis de 58 estudios (n = 257 983) que exploraron el vínculo entre la actividad física y la demencia identificó que la actividad física se asoció con un menor riesgo de demencia por todas las causas (RR 0,80, IC del 95% 0,77-0,84) y enfermedad de Alzheimer (0,86, 0,80-0,93) en seguimientos cortos y largos de al menos 20 años. independientemente de la edad basal.

173 Hubo una disminución del riesgo de demencia vascular en seguimientos más cortos (0,79, 0,66-0,95) de una media de 10,9 años (DE 8,5). Se incluyeron en el metanálisis una variedad de intensidades de ejercicio, y la reducción del riesgo fue mayor cuando se pasó del sedentarismo extremo a alguna actividad física. Un estudio de cohorte (n = 1417) que registró actividad física cinco veces entre las edades de 36 y 69 años informó que ser físicamente activo a todas las edades se asoció con una mejor cognición a los 69 años que ninguna actividad física, con la asociación más fuerte para la actividad física sostenida.

174 En un estudio prospectivo de 29 826 personas a las que se les dio seguimiento durante una mediana de 24,5 años (RIC 24,1-25,0) y cuya actividad física semanal se evaluó dos veces, con 10 años de diferencia, se informó que las personas que mantenían un nivel óptimo de actividad física estimado individualmente tenían un riesgo reducido de demencia en comparación con las personas inactivas persistentemente (HR 0,75, IC del 95%: 0,58-0,97), al igual que aquellos que aumentaron su actividad física a un nivel óptimo (0,83, 0,72-0,96).

175 En un estudio longitudinal de 1718 mujeres durante una mediana de 11,9 años (rango de 0,6 a 13,5) se informó que un mayor nivel de actividad física se asoció con un menor deterioro cognitivo, pero no cuando la estimación se ajustó por diabetes e hipertensión.

176En un ECA, 945 participantes, con una edad media de 78 años (DE 2) y 450 (48%) mujeres y 495 (52%) hombres, fueron asignados aleatoriamente (2:1:1) a un grupo de control de 5 años, entrenamiento continuo de intensidad moderada dos veces por semana o entrenamiento en intervalos de alta intensidad dos veces por semana.

177 A los 5 años, 474 (96%) de los 494 participantes del grupo de control se adhirieron a la guía nacional para la actividad física, 176 (75%) participantes se adhirieron a la intervención de entrenamiento en intervalos de intensidad moderada y 164 (76%) se adhirieron a la intervención de entrenamiento en intervalos de alta intensidad. No hubo diferencias significativas en la cognición (β 0,26, IC del 95%: -0,17 a 0,69) ni en las probabilidades de DCL (OR 0,86; IC del 95%: 0,66 a 1,13) entre los grupos. Los hombres en el grupo combinado de ejercicio de intensidad moderada o alta tuvieron un menor riesgo de deterioro cognitivo leve (0,68, 0,47 a 0,99) y puntuaciones cognitivas ligeramente más altas que los participantes masculinos en el grupo de control. Los participantes que disminuyeron su consumo máximo de oxígeno, en lugar de mantener o aumentar su consumo, tuvieron mayores probabilidades de DCL (1,35, 0,98 a 1,87) en comparación con aquellos con niveles estables de consumo de oxígeno, aunque este resultado se estimó de manera imprecisa. Los hallazgos están en línea con el pequeño beneficio cognitivo mostrado en una revisión general de ECA sobre los efectos del ejercicio físico en la cognición.

178 Los resultados pueden depender no solo de la duración, sino también del tipo y la intensidad de la actividad física. A nivel de políticas, la OMS recomienda intervenciones de diseño urbano y la provisión de espacios verdes de alta calidad para reducir la inactividad física en toda la población.

179El ejercicio a cualquier edad parece ser útil para la cognición, posiblemente a través de cambios en el flujo sanguíneo y la función debido a la reducción de la hipertensión y el aumento del óxido nítrico, que culminan en una mayor plasticidad cerebral y una menor neuroinflamación.

180 Las personas que realizan ejercicio de moderado a vigoroso durante más días tienen volúmenes cerebrales relativamente más grandes que aquellos que hacen menos o ningún ejercicio.

181

 

182 La evidencia de modelos de ratón también sugiere que la irisina, una mioquina liberada durante el ejercicio, podría ser neuroprotectora.

183

Diabetes

Anteriormente discutimos la diabetes tipo 2 como un factor de riesgo en la vejez para el desarrollo de demencia. Nuevas evidencias sugieren que la edad de inicio marca la diferencia, ya que el inicio de la diabetes en la mediana edad, pero no necesariamente en la edad tardía, aumenta el riesgo de demencia. En un estudio de cohorte prospectivo de 10 095 participantes, el riesgo de demencia aumentó por cada disminución de 5 años en la edad de inicio de la diabetes tipo 2 (HR 1,24, IC 95% 1,06-1,46), hasta más de 70 años de inicio.

25 La diabetes debe clasificarse como un riesgo de demencia en la mediana edad. No está claro si la diabetes no es un factor de riesgo para la demencia en edades más avanzadas o si la ausencia de evidencia que muestre un riesgo significativo se debe a los seguimientos cortos y a los pocos estudios. La OMS concluye que la diabetes en la vejez podría tener un efecto perjudicial en la salud del cerebro y el riesgo de demencia.

124 La larga duración de la enfermedad y la diabetes mal controlada aumentan el riesgo de demencia.Nuestra comprensión del mecanismo por el cual la diabetes aumenta el riesgo de demencia es incompleta. Las complicaciones microvasculares y macrovasculares a largo plazo están bien establecidas en la diabetes, y es probable que el mecanismo causal incorpore un fuerte componente vascular, incluido el riesgo de accidente cerebrovascular.

184 La resistencia periférica a la insulina conduce a una disminución de la señalización de la insulina en el SNC, seguida de una alteración en el metabolismo cerebral. La resistencia a la insulina es un mecanismo molecular común que vincula la diabetes y la enfermedad de Alzheimer: conduce a un aumento de la toxicidad del β amiloide, hiperfosforilación de tau, estrés oxidativo y neuroinflamación.

185 El aumento de las concentraciones de marcadores inflamatorios sistémicos (p. ej., PCR) se asoció con un mayor riesgo de demencia asociado a la diabetes.

25No está claro si el tratamiento eficaz de la diabetes mejora el riesgo de demencia per se, especialmente porque tomar grandes cantidades de medicamentos orales e insulina se relaciona con una mayor gravedad de la diabetes. Sin embargo, el tratamiento estricto e intensivo en comparación con el control diabético estándar no disminuye el riesgo de demencia.

2 Algunas pruebas sugieren que las personas que toman algunos tipos de medicamentos antidiabéticos podrían tener menos riesgo de demencia. En una revisión sistemática, metanálisis y análisis de redes de 27 estudios (1 590 757 participantes), que no informaron heterogeneidad, se identificó que los estudios de cohorte indicaron que los inhibidores de SGLT2 (OR 0,41, IC del 95%: 0,22–0,76), los agonistas del receptor de GLP-1 (0,34, 0,14–0,85) y los inhibidores de DPP-4 (0,78, 0,61–0,99) se asociaron con la reducción del riesgo de demencia. mientras que las sulfonilureas se asociaron con un mayor riesgo (1,43, 1,11-1,82).

186 La metformina no se asoció con una disminución o aumento del riesgo (0,71, 0,46-1,08). Un estudio realizado en la atención primaria del Reino Unido informó un riesgo significativamente menor de demencia en 114 628 personas con diabetes que iniciaron el tratamiento con metformina que en 95 609 personas que no tomaban medicación para la diabetes (HR 0,88, IC del 95%: 0,84-0,92).

187 Un metanálisis de tres ECA y un estudio de cohorte de agonistas del receptor de GLP-1 en personas con diabetes tipo 2 identificó una tasa de demencia más baja en las personas que fueron asignadas al azar al fármaco que en las que recibieron placebo (15 820 participantes; HR 0,47, IC del 95%: 0,25-0,86) y en personas con agonistas del receptor de GLP-1 en la cohorte danesa nacional (120 054 individuos; 0,89, 0,86-0,93).

188 Otro metanálisis de estudios observacionales de 819 511 personas con diabetes tipo 2 y un seguimiento medio de 4,5 años (rango 1,3-7,2) informó hallazgos similares, con menos demencia posterior en los usuarios de inhibidores de SLGT2 (tres estudios; RR 0,62, IC 95%: 0,39–0,97; Yo

2=82,5%), agonistas del receptor GLP-1 (cuatro estudios; 0,72, 0,54–0,97; Yo

2=91,3%) e inhibidores de la DPP-4 (siete estudios; 0,84, 0,74–0,94; Yo

2=88,6%) que en las personas que no usaban estos medicamentos, pero el análisis reportó una alta heterogeneidad.

189 Es posible que las personas con diabetes no estén tomando medicamentos porque su diabetes está bien controlada sin medicamentos o porque no está bien tratada, lo que podría explicar la heterogeneidad entre los estudios. También existen pruebas de ECA sobre el efecto protector de los agonistas del receptor de GLP-1.

189 En una población taiwanesa de 31 384 parejas de personas con propensión emparejadas (incluida la compatibilidad para la enfermedad renal crónica con diabetes) que fueron seguidas durante 5 años, las personas que se adhirieron a la metformina tenían un 72% menos de riesgo de desarrollar demencia que las personas que no se adhirieron.

190 Los nuevos diseños de estudio, como la aleatorización mendeliana o la emulación de ensayos objetivo, podrían ayudar a abordar los posibles factores de confusión por indicación, en los que el nivel alto de azúcar en sangre conduce a prescripciones particulares o perjudica a las personas que no toman medicamentos.

191La pérdida de peso también podría ayudar a controlar la diabetes y, por lo tanto, también podría afectar la cognición. El estudio Look AHEAD reclutó a 3751 personas de 45 a 76 años con diabetes tipo 2 y sobrepeso u obesidad y las asignó aleatoriamente a una intervención de 10 años de aumento de ejercicio y disminución de la ingesta de calorías o apoyo y educación sobre la diabetes.

192 Este ECA se finalizó porque el análisis intermedio mostró que la intervención no tuvo ningún efecto sobre la muerte por resultados vasculares o infarto de miocardio, accidente cerebrovascular o angina grave. El resultado cognitivo se midió en el seguimiento, controlando la educación inicial, pero no la cognición. Hubo una fuerte relación inversa entre la HbA

1c concentración y cognición en ambos grupos. La función cognitiva no se relacionó con la asignación de grupos ni con la pérdida de peso. En general, un mejor control de la diabetes, pero no un nivel muy bajo de azúcar en la sangre o una pérdida de peso sin un mejor control de la diabetes, podría atenuar el riesgo de demencia y ser una forma de disminuir el riesgo de demencia.

La hipertensión y su trayectoria

Anteriormente discutimos la evidencia de que la hipertensión en la mediana edad aumenta el riesgo de demencia por todas las causas, enfermedad de Alzheimer y demencia vascular, pero que, más cerca del momento de la demencia, la presión arterial de las personas tiende a disminuir.

2 La presión arterial aumenta a lo largo de la vida en las sociedades de altos ingresos, y se evidencia que los aumentos se asocian con las circunstancias socioeconómicas. Una revisión sistemática de estudios longitudinales estimó que la presión arterial primero aumenta y luego comienza a disminuir 5 años antes del diagnóstico de demencia, y el peso disminuye alrededor de 10 años antes del diagnóstico.

193 Un metanálisis de datos de participantes individuales identificó que la presión arterial alta podría seguir siendo un riesgo en la edad avanzada.

194 Pero algunas personas que desarrollan demencia tienen una presión arterial más baja que las personas sin demencia y, por lo tanto, la evidencia es mixta. Estos metanálisis no cubrieron la variabilidad de la presión arterial, pero un estudio de cohorte (n = 2234; edad ≥65 años) midió la variabilidad de la presión arterial con evaluaciones a lo largo de 3, 6, 9 y 12 años e informó que cada aumento unitario en la variabilidad sistólica se asoció con un mayor riesgo de demencia, con HR que oscilaron entre 1,02 (IC del 95%: 1,01-1,04) y 1,10 (1,05-1,16).

195Los afroamericanos tienen presiones arteriales registradas más altas que otros grupos de EE. UU., lo que podría contribuir a un mayor riesgo de demencia que en los estadounidenses blancos. Este riesgo se consideró en un metanálisis de datos de participantes individuales de cinco estudios de cohorte de un total de 19 378 personas con una edad media de 59,8 años (DE 10,4), en los que los estadounidenses de raza negra tuvieron un deterioro cognitivo global significativamente más rápido que los estadounidenses de raza blanca, pero no se identificaron diferencias significativas después del ajuste por la presión arterial sistólica media acumulada.

196Hay tres metanálisis de ECA para la medicación antihipertensiva. Dos metanálisis identificaron que la medicación antihipertensiva protegía contra el deterioro cognitivo y la demencia.

12

 

197 y uno con un seguimiento corto (es decir, de 1 a 5 años) no identificó un efecto protector.

198 El metanálisis de 12 ECA (n=96 158), con un seguimiento medio de 4,1 años (rango 2,2-5,7), identificó un menor riesgo de demencia o deterioro cognitivo en las personas que tomaban fármacos antihipertensivos que en los controles, que consistían en personas que tomaban placebo, que tomaban antihipertensivos alternativos o cuya presión arterial objetivo era superior a la del grupo de intervención (OR 0,93, IC del 95%: 0,88-0,98) y de deterioro cognitivo solo (0,93, 0,88-0,99).

197 El segundo metanálisis utilizó datos de participantes individuales de cinco ECA (n = 28 008) con controles placebo, tres de los cuales se incluyeron en el primer metanálisis,

197 e identificó un menor riesgo de demencia en el grupo de tratamiento que en el grupo de control con placebo (0,87, 0,75-0,99).

12 Una revisión Cochrane, con tres estudios que coinciden con el metanálisis previo,

12 incluyeron 12 ECA (ocho ensayos controlados con placebo; n = 30 412) con intervenciones que duraron al menos 12 meses. La revisión concluyó que hubo un beneficio modesto de la medicación antihipertensiva sobre el cambio cognitivo medido con el Mini Mental State Examination (MMSE; cinco estudios; diferencia de medias 0,20; IC del 95%: 0,10–0,29), pero la duración fue demasiado corta para mostrar una diferencia en la incidencia de demencia (cuatro estudios; OR 0,89, IC 95% 0,72–1,09).

198 Un metanálisis de datos de participantes individuales de 17 estudios que incluían a personas en países de ingresos bajos y medianos (edad media de 72,5 años [DE 7,5], seguimiento de 4,3 años) identificó que las personas con hipertensión no tratada tenían un mayor riesgo de demencia que los controles sanos (HR 1,42, IC del 95%: 1,15-1,76), pero este riesgo se atenuó o se perdió con el tratamiento (1,13, 0·99–1·28).

194 Un metanálisis de cohortes de datos de participantes individuales que comprendían 31 090 adultos sin demencia al inicio del estudio, con un seguimiento de al menos 5 años, encontró que las personas con hipertensión que tomaban algún fármaco antihipertensivo tenían un menor riesgo de demencia que las que no tomaban fármacos antihipertensivos (HR 0,88, IC del 95%: 0,79-0,98). pero no identificó diferencias entre las clases de fármacos.

199 Aunque hay escasez de comparaciones directas del efecto de diferentes antihipertensivos, un análisis de redes y una revisión sistemática identificaron que los tratamientos con bloqueadores de los receptores de angiotensina 2 y bloqueadores de los canales de calcio (BCC) se asociaron con un menor riesgo de demencia que otros antihipertensivos.

200 Estudios de aleatorización mendeliana que sugieren que la hipertensión arterial es protectora

201

 

202

 

203

 

204 son inconsistentes con los hallazgos del ECA, y es probable que los hallazgos del estudio de aleatorización mendeliana estén influenciados por el sesgo de supervivencia.

12

 

197

 

205

Obesidad y peso

Anteriormente discutimos que la obesidad en la mediana edad es un factor de riesgo para la demencia.

2 Una revisión sistemática adicional y metanálisis que examinó la asociación entre la obesidad y la demencia incluyó 14 estudios con 77 890 participantes e identificó que la obesidad en la mediana edad se asoció con demencia subsiguiente por todas las causas (RR 1,31; IC del 95%: 1,02-1,68).

206 Otro estudio sobre la obesidad central, medido a través de la circunferencia de la cintura o la relación cintura-cadera, incluyó a 5 060 687 participantes de 16 estudios y mostró que la circunferencia de la cintura más grande frente a la más pequeña se asoció con un mayor riesgo de deterioro cognitivo y demencia (HR 1,10, IC del 95%: 1,05-1,15), y este riesgo fue mayor en las personas mayores de 65 años que en otras edades.

207 La obesidad es más común en personas que hacen ejercicio con poca frecuencia y se asocia con diabetes e hipertensión, que también causan enfermedades cardiovasculares.

208 Por lo tanto, esta asociación podría estar mediada por otros factores de riesgo para la demencia. No obstante, la mayoría de los estudios en estos metanálisis ajustaron las condiciones de salud, como la hipertensión, el accidente cerebrovascular, las concentraciones de lípidos en sangre y la diabetes, así como las características demográficas, lo que debería haber minimizado el efecto de estos intermediarios.Un metanálisis de estudios de intervención para la pérdida de peso identificó 13 estudios longitudinales (n = 551) y siete ECA (n = 468) de participantes con sobrepeso (es decir, IMC 25,0-29,9 kg/m

2) u obesidad (es decir, IMC ≥30,0 kg/m

2). La pérdida de peso moderada intencional de incluso 2 kg entre los participantes del ensayo se asoció con mejoras en la cognición en la mediana de seguimiento de 6 meses (rango 8-48).

209 lo que indica que los comportamientos de salud podrían tener un efecto beneficioso, incluso si la pérdida de peso no es suficiente para alterar el estado de obesidad. Estas mejoras fueron más pronunciadas en las personas que cambiaron su dieta o que hicieron ejercicio para perder peso que en las personas que se sometieron a una cirugía bariátrica.

210Además, el estigma en las personas con un IMC alto se asocia con un aumento de las concentraciones de cortisol, inflamación y consecuencias negativas para la salud, lo que a su vez podría contribuir a la asociación con la demencia.

211 Se necesita más trabajo para comprender los mecanismos por los cuales la adiposidad contribuye al riesgo de demencia.Una revisión sistemática de 19 estudios prospectivos, en los que se agruparon los datos, también identificó un mayor riesgo de demencia en personas con bajo peso (es decir, IMC <18,5; HR 1,26, IC 95% 1,20-1,31).

212 Un metaanálisis de datos de participantes individuales de 1,3 millones de personas en 39 estudios de cohorte prospectivos encontró que la obesidad era un factor de riesgo para la demencia en cohortes en las que la medición inicial se tomó más de 15 años antes del inicio de la demencia, pero parecía ser protectora si la medición inicial se tomó menos de 10 años antes del inicio de la demencia.

14 Los autores sugirieron que este resultado se debía a la causalidad inversa, porque las personas a menudo pierden peso antes de desarrollar demencia. El bajo peso también puede estar relacionado con la desnutrición, aunque el bajo peso puede ocurrir por muchas razones.

Consumo excesivo de alcohol

En la Comisión de 2020, informamos que beber más de 21 unidades del Reino Unido (es decir, 12 unidades estadounidenses, 168 g) de etanol por semana en la mediana edad en comparación con el consumo más ligero (es decir, <14 unidades del Reino Unido) se asoció con un mayor riesgo de demencia (RR 1,18, IC del 95%: 1,06-1,31).

2 De manera similar, un metanálisis posterior de participantes individuales de 131 415 participantes de Francia, Reino Unido, Suecia y Finlandia encontró que, después de ajustar los factores de confusión, el consumo excesivo de alcohol (es decir, >21 unidades por semana) en la mediana edad se asoció con un mayor riesgo de demencia en comparación con el consumo más ligero (es decir, 1-21 unidades por semana; HR 1,22, IC del 95%: 1,01-1,48).

213 En línea con este hallazgo, una revisión de 28 revisiones sistemáticas concluyó que el consumo excesivo de alcohol (según lo definido por los estudios individuales) se asoció con un mayor riesgo de demencia por todas las causas y una reducción del volumen de materia gris en los estudios de imagen.

214 La pérdida de conciencia inducida por el alcohol aumentó el riesgo de demencia en personas con un consumo moderado o excesivo.

213Algunos estudios transversales de adultos mayores han reportado un riesgo similar de demencia en bebedores empedernidos de alcohol y no bebedores, pero algunas personas que se cuentan como no bebedores fueron bebedores empedernidos anteriormente.

215 Un estudio prospectivo japonés siguió a 42 870 participantes durante 14,9 años e informó que no beber (HR 1,29, IC del 95%: 1,12-1,47) y beber más de 450 g de alcohol por semana desde la mediana edad (1,34, 1,12-1,60) se asociaron con un mayor riesgo de demencia en comparación con el consumo ligero de alcohol (es decir, <75 g/semana).

216 Un metanálisis de datos de participantes individuales de 24 478 adultos mayores (edad media de 71,8 años [DE 7,5]) en 15 estudios de cohortes prospectivos informó que, durante 151 636 años-persona de seguimiento, el riesgo de demencia fue menor en pacientes ocasionales (0,78, 0,68-0,89), leves a moderados (1,3-24,9 g/día; 0,78, 0,70-0,87), y bebedores moderados a empedernidos (25,0-44,9 g/día; 0,62, 0,51-0,77) que en los no bebedores, pero no fue menor en los bebedores empedernidos (>45 g/día) que en los no bebedores (0,81, 0,61-1,08).

217 La aleatorización mendeliana también indicó un vínculo causal entre el consumo de alcohol y una edad más temprana de inicio de la enfermedad de Alzheimer y sugirió que cualquier vínculo entre no beber y la enfermedad de Alzheimer se debe al sesgo de los supervivientes.

218 Los estudios observacionales generalmente encuentran una dosis-respuesta en forma de J, de modo que no beber se asocia con un mayor riesgo de demencia en comparación con el consumo ligero. Este resultado se debe probablemente a que muchos no bebedores han tenido previamente un alto consumo de alcohol u otras enfermedades que les impiden beber, y los estudios que corrigen el alto consumo previo de alcohol han informado que no hay un exceso de mortalidad en el grupo de no bebedores.

215

 

219Un estudio de una cohorte nacional de Corea del Sur de 3 933 382 participantes que evaluó en serie el consumo de alcohol durante 3 años informó que los bebedores empedernidos sostenidos (es decir, ≥30 g/día o 3 unidades por día) tenían un mayor riesgo de demencia por todas las causas (HR 1,08, IC del 95% 1,03-1,12), y de reducir el consumo de alcohol de niveles excesivos a moderados (es decir, 15,0-29,9 g/día) redujeron el riesgo de demencia por todas las causas (0,92, 0,86-0,99) en comparación con el consumo excesivo de alcohol sostenido.

220 El consumo sostenido de alcohol leve (es decir, <15 g/día; 0,79, 0,77-0,81) o moderado (0,83, 0,79-0,88) o el inicio de un consumo leve de alcohol (0,93, 0,90-0,96) también se asociaron con un menor riesgo de demencia por todas las causas que el no consumo sostenido de alcohol; Sin embargo, algunos no bebedores podrían haber sido anteriormente bebedores empedernidos. En general, la reducción del consumo excesivo de alcohol o el consumo moderado de alcohol se asocia con un menor riesgo de demencia que el consumo excesivo de alcohol. Existe una falta de evidencia clara de que no beber alcohol aumenta el riesgo de demencia. La evidencia observacional de un exceso de riesgo para los no bebedores podría deberse a personas que previamente han bebido grandes cantidades, se abstuvieron en el momento en que se recopilaron los datos (y se clasificaron como no bebedores) y luego podrían volver a beber.

Aislamiento social

Anteriormente hemos hablado del aislamiento social o del contacto social poco frecuente como factor de riesgo para la demencia.

2 Desde entonces, dos revisiones sistemáticas informaron que un contacto social menos frecuente se asoció con un mayor riesgo de demencia. La primera revisión, que incluyó ocho estudios con un total de 15 762 participantes, informó un mayor riesgo de demencia (RR 1,57; IC del 95%: 1,32-1,85) para las personas con contacto social menos frecuente que para las personas con contacto social más frecuente, con el contacto social dicotomizado como menor o más frecuente dentro de los estudios individuales y la cantidad de contacto variando entre los diferentes estudios.

221 La segunda revisión (que incluyó un estudio que se incluyó en la revisión anterior) informó un aumento menor del riesgo (1,18, 1,08–1,30).

222 La duración del seguimiento podría explicar en parte los resultados inconsistentes de estos estudios; Por ejemplo, siete de los ocho estudios de una de las revisiones tuvieron menos de 4 años de seguimiento, lo que hace probable la causalidad inversa.

221 Sin embargo, dos estudios posteriores de participantes del Biobanco del Reino Unido, con un seguimiento medio de 8,8 años

223 y 12 años (DE 1,7),

224 encontró que el riesgo de demencia era mayor en las personas que estaban más aisladas socialmente (es decir, definidas como que cumplían con al menos dos de tres criterios de: vivir solas, ver a la familia o amigos menos de una vez al mes y no participar en actividades grupales semanales) al inicio que las personas menos aisladas socialmente (es decir, personas que no cumplían con estos criterios).La soledad está vinculada al aislamiento social, pero difiere de él, porque se trata de los sentimientos de las personas de que su contacto social es inadecuado.

225 La soledad también se asoció con un mayor riesgo de demencia en tres revisiones que comprendieron de tres a ocho estudios (RR 1,26, 1,14-1,40; 1,38, 0,98-1,94; y 1,58, 1,19-2,09).

221 En estudios posteriores se informó de un aumento del riesgo de demencia del 34-91% en estudios posteriores, en Estados Unidos durante 10 años, en los Países Bajos y Suecia durante 14 años, y en Japón durante 5 años.

226

 

227

 

228

 

229

 

230 Algunos de estos estudios, pero no todos, encontraron que la asociación persistía después del ajuste por posibles factores de confusión, incluido el contacto social poco frecuente (figura 7).

Miniatura de la figura gr7
Figura 7Diferentes aspectos de la participación social y riesgo de demenciaMostrar pie de foto completoVer en grande ImagenVisor de figurasDescargar Hi-res imagenDescargar (PPT)

La participación en actividades sociales también está vinculada, pero es distinta del aislamiento social, y se ha asociado con un menor riesgo de demencia. Dos estudios con medición seriada de la actividad social informaron que la disminución de la participación en actividades sociales se asoció con un mayor riesgo de demencia a corto plazo, pero no con un seguimiento a largo plazo.

235

 

236 Este hallazgo sugiere que el vínculo con la participación podría deberse, al menos en parte, a la causalidad inversa, en la que el declive se produce durante la fase preclínica de la demencia.

224El contacto social, en cualquiera de sus formas, tiene un efecto potencialmente beneficioso sobre el riesgo de demencia al aumentar la reserva cognitiva, promover comportamientos saludables y reducir el estrés y la inflamación.

225 Se informó que el riesgo era consistente en individuos con diferentes puntuaciones de riesgo poligénico para la enfermedad de Alzheimer.

223 Y el aislamiento social se relacionó con un menor volumen de materia gris en las regiones temporal, frontal y otras regiones del cerebro que para las personas que no estaban socialmente aisladas.

225Las intervenciones para aumentar el contacto social y la participación en actividades a través de actividades grupales dirigidas por facilitadores han arrojado resultados inconsistentes sobre la función cognitiva general. Un ECA finlandés de una intervención de 3 meses con un resultado primario de cognición reclutó a 235 personas de 75 años o más que se sentían solas y mostró una pequeña mejora significativa en el rendimiento en la Escala de Evaluación de la Enfermedad de Alzheimer-Subescala Cognitiva (diferencia de medias en el cambio de –2,6 puntos por 100 puntos),

237 pero estudios de EE.UU.

238 y China

239 no demostraron que las actividades grupales dirigidas por facilitadores fueran beneficiosas. Los estudios de intervenciones multidominio que incluyeron componentes grupales sugirieron pequeños beneficios cognitivos (d 0,13 de Cohen;

240 diferencia media del MMSE de 0,99 puntos) para intervenciones muy intensivas. Un ECA piloto posterior de una intervención multidominio, que incluyó actividades sociales a través de reuniones grupales y actividades sociales mensuales programadas adicionales, condujo a una mejoría cognitiva general a las 24 semanas a pesar de los números pequeños (diferencia entre grupos de 6,2 puntos en la puntuación de la Batería Repetible para la Evaluación del Estado Neuropsicológico; p = 0,004).

241 La contribución del componente social de la intervención multidominio no está clara. Los estudios existentes son demasiado pequeños y el seguimiento es demasiado corto para identificar si estos componentes sociales de las intervenciones multidominio tienen algún efecto sobre la incidencia de la demencia.

Contaminación atmosférica

La exposición a partículas en entornos domésticos y externos es ahora motivo de gran preocupación e interés. La exposición es de por vida y puede contribuir a muchas afecciones a largo plazo a lo largo del curso de la vida. En la Comisión Lancet de 2020, informamos de un acuerdo en que la contaminación atmosférica por partículas, PM

2·5 (partículas finas con un diámetro ≤2,5 μm), y PM

10 (partículas con un diámetro ≤10 μm) fueron factores de riesgo para la demencia y el deterioro cognitivo, a pesar de la heterogeneidad sustancial entre los estudios en cuanto a la duración de la exposición, las covariables en el análisis, los resultados y el riesgo de sesgo.

2 El interés continuo de la investigación se refleja en la publicación de al menos nueve revisiones sistemáticas y metaanálisis adicionales desde 2019, que han informado de que la contaminación del aire se asocia con un mayor riesgo de demencia. Para manejar la heterogeneidad de los estudios, algunos metanálisis han reducido los criterios de inclusión (p. ej., una revisión analizó solo estudios que proporcionaron CRI, que comprendió 20 estudios con 91 391 296 pacientes y informó un CRI de 1,03 (IC del 95%: 1,02-1,05) por 1 μg/m

3 incremento en PM

2·5.

242 En una estimación conservadora agrupada, obtenida de un metanálisis de cinco estudios que utilizaron la determinación activa de casos de estudios de alta calidad, se informó un CRI de 1,17 (0,96–1,43) por 2 μg/m

3 incremento en PM

2·5, aunque los IC eran amplios e incluían el valor nulo.

243 Se informaron CRI agrupados de cinco estudios de dióxido de nitrógeno (1,02 [0,98–1,06] por 10 μg/m

3) y óxidos de nitrógeno (1,05 [0,98–1,13] por 10 μg/m

3) y cuatro estudios de ozono (1,00 [0,98–1,05] por 5 μg/m

3), ninguna de las cuales fue significativa. Otros contaminantes han sido evaluados por muy pocos estudios para el metanálisis.

243Tanto en los países de ingresos bajos como en los de ingresos bajos y medianos, donde la contaminación atmosférica suele ser alta y va en aumento, las partículas

2·5 y PM

10 Las concentraciones se han asociado con la demencia, el deterioro cognitivo leve y la enfermedad de Alzheimer.

244

 

245

 

246

 

247 La contaminación del aire ambiental (es decir, exterior) y doméstica (es decir, interior) puede tener riesgos distintos o sinérgicos. Los estudios en países de ingresos bajos y medianos han demostrado que, en comparación con los combustibles limpios, el uso de combustibles sólidos, un indicador de la contaminación del aire en el hogar, se asocia con un mayor riesgo de demencia y un deterioro cognitivo acelerado entre los adultos de mediana edad y mayores (es decir, de > a 50 años).

248

 

249 Las estufas residenciales de leña y carbón son una fuente de contaminación del aire interior y se informa que contribuyen con el 38% de la PM del Reino Unido

2·5 emisiones y riesgos para la salud asociados.

250Un estudio de cohorte de 7 años de duración en Estados Unidos con más de 18 millones de participantes informó que el PM

2·5 El componente con mayor asociación con el riesgo de demencia fue el carbono negro (HR 1,12 [IC del 95%: 1,11-1,14] por 1 μg/m

3 incremento).

251 Los estudios se han realizado principalmente en adultos mayores al inicio del estudio, pero este factor no descarta un efecto más temprano en la vida.En un estudio longitudinal con una media de seguimiento de 6 años en 2927 residentes suecos (1845 [63%] mujeres y 1082 [37%] hombres que no tenían demencia al inicio del estudio; edad media basal de 74 años [DE 10,7]) se consideró la MP

2·5 y óxido de nitrógeno anualmente desde 1990 para examinar si las enfermedades cardiovasculares (es decir, fibrilación auricular, cardiopatía isquémica, insuficiencia cardíaca y accidente cerebrovascular) modificaban o mediaban la asociación entre la contaminación y la demencia e informaron que lo hacían.

252 El efecto de la contaminación del aire es peor entre las personas con estas condiciones preexistentes.Existe evidencia emergente sobre los efectos potenciales de la mejora de la calidad del aire en el deterioro cognitivo y la incidencia de demencia. Un estudio de cohorte francés con un seguimiento de 12 años informó que una dosis de 12,2 μg/m

3 reducción de la mediana de las partículas

2·5 entre 1990 y 2000 se asoció con un menor riesgo de demencia (HR 0,85, IC 95% 0,76-0,95).

253 Mayor mejora de la calidad del aire (reducción de PM

2·5 y NO

2 más de 10 años) se asoció con un menor riesgo de demencia en las mujeres mayores de EE. UU.

254 En un estudio cuasiexperimental, el Plan de Acción para la Prevención y el Control de la Contaminación del Aire de China mitigó el deterioro cognitivo en los adultos mayores, lo que indica que las estrictas políticas de aire limpio podrían reducir el riesgo de envejecimiento cognitivo (medido por el MMSE) asociado con la contaminación del aire.

255 Una diferencia en las políticas de calefacción central de China entre el norte y el sur condujo a diferencias en las concentraciones de contaminación del aire y una mayor contaminación del aire (es decir, PM

10NO

2ASÍ QUE

2, CO y O

3) en la muestra del norte se asoció con un riesgo de demencia un 42,4% mayor que en la muestra del sur.

256A medida que crece la base de evidencia, sería valioso estandarizar el diseño de los estudios, los informes y los análisis para permitir comparaciones y lograr una comprensión granular de la asociación entre la contaminación del aire y la demencia.

257 Dado el estrecho vínculo entre las circunstancias socioeconómicas, las condiciones del hogar y la exposición a la contaminación atmosférica, es difícil minimizar los factores de confusión residuales en estos estudios.En general, existe un apoyo cada vez mayor a la aplicación de las directrices mundiales de la OMS sobre la calidad del aire que, en última instancia, tienen como objetivo la media anual de PM

2·5 Concentraciones inferiores a 5 μg/m

3.

258 No está claro si existe una concentración segura de contaminación atmosférica, ya que cada 1 μg/m

3 aumento de las partículas en calorías

2·5 se asocia con un mayor riesgo de demencia.

259 El PM anual más bajo

2·5 La concentración en las megalópolis del mundo fue de 6,7 μg/m

3 en Miami, FL, EE. UU., y las cinco ciudades más contaminadas tenían concentraciones medias anuales de PM

2·5 entre 89 μg/m

3 y 149 μg/m

3.

259 Se sabe poco sobre el riesgo en relación con los subtipos de demencia y si los componentes individuales de las partículas son importantes (p. ej., carbono negro, sulfatos, nitratos y amonio).

Pérdida visual no tratada

Se estima que la prevalencia mundial de la pérdida de visión evitable y la ceguera, incluidos los problemas visuales comunes para los que se prescriben gafas, en adultos de 50 años o más es del 12,6%, con una prevalencia mucho mayor en los países de ingresos bajos y medianos que en los países de ingresos altos.

260 Esta prevalencia es distinta de la ceguera cortical que se observa en personas con atrofia cortical posterior, que generalmente se debe a la enfermedad de Alzheimer, pero a menudo se diagnostica erróneamente como enfermedad ocular.

261 Nuestra Comisión no ha considerado previamente la pérdida de visión como un factor de riesgo para la demencia, pero han surgido nuevas pruebas considerables. Esta evidencia incluye un metanálisis de 14 estudios de cohorte prospectivos, con un seguimiento de 3,7 a 14,5 años, que incluyó a 6 204 827 adultos mayores que estaban cognitivamente intactos al inicio del estudio, de los cuales 171 888 desarrollaron demencia.

262 La pérdida de visión se asoció con un RR combinado para la demencia de 1,47 (IC del 95%: 1,36-1,60; Figura 8). En un metanálisis adjunto de 12 estudios de cohorte prospectivos con 45 313 participantes, 13 350 desarrollaron deterioro cognitivo, y el RR para la pérdida de visión y el deterioro cognitivo futuro fue de 1,35 (1,28-1,41).

Miniatura de la figura gr8
Figura 8Metanálisis de los cocientes de riesgo relativos de al menos discapacidad visual en comparación con ninguna discapacidad visual en la demencia incidental por todas las causasMostrar pie de foto completoVer en grande ImagenVisor de figurasDescargar Hi-res imagenDescargar (PPT)

Un segundo metanálisis identificó un mayor riesgo de demencia por todas las causas (RR 1,38, IC del 95%: 1,19-1,59; n=37 705) con pérdida visual.

273 Cuando se desglosó en diferentes afecciones oculares, un mayor riesgo de demencia se asoció con cataratas (tres estudios; 6659 participantes; 1312 casos; HR 1,17, IC 95%: 1,00–1,38; Yo

2=0,0%) y retinopatía diabética (cuatro estudios; 43 658 participantes; 7060 casos; 1,34, 1,11–1,61; Yo

2=63,9%), pero no con glaucoma (seis estudios; 175 357 participantes; 44 144 casos; 0,97, 0,90–1,04; Yo

2=51,5%) o degeneración macular asociada a la edad (tres estudios; 7 800 692 participantes; >2559 casos, no se pudo determinar el número exacto; 1,15, 0,88–1,50; Yo

2=91,0%).Un estudio estadounidense de 16 690 participantes investigó la inclusión de la pérdida de visión como un factor de riesgo adicional potencialmente modificable en el modelo de curso de vida basado en la Comisión Lancet de 2020 e informó que la fracción atribuible a la población (PAF) de discapacidad visual era del 1,8% en esa población.

274 Dado que la prevalencia de la pérdida de visión fue mayor en los grupos minoritarios que en el grupo blanco no hispano (9,9% de 3660 personas negras no hispanas y 11,0% de 1880 hispanos frente al 7,7% de 11 011 personas blancas no hispanas), el riesgo y el beneficio potencial podrían ser mayores en estas poblaciones.Un estudio estadounidense realizó un seguimiento de 3038 adultos mayores (es decir, de >65 años) con cataratas y cognición saludable al inicio del estudio durante más de 20 años.

275 El análisis controló la edad, la raza, el genotipo de APOE, la educación, el tabaquismo y una extensa lista de comorbilidades, e informó que las personas que se sometieron a una extracción de cataratas habían reducido significativamente el riesgo de demencia en comparación con las que no se sometieron a una extracción de cataratas (HR 0,71; IC del 95%: 0,62-0,83; 23 554 años-persona de seguimiento). Aunque un estudio del Biobanco del Reino Unido de 300.823 personas informó que las personas con cataratas tenían un mayor riesgo de demencia (1,21, 1,01-1,46), no hubo diferencias en el riesgo de demencia entre los que se sometieron a una cirugía de cataratas y los controles sanos.

276Los mecanismos detrás de estas asociaciones podrían estar relacionados con enfermedades subyacentes, como la diabetes, que es un factor de riesgo para la demencia;

2 la pérdida de visión en sí misma, como podría sugerir un posible efecto de la cirugía de cataratas; o procesos neuropatológicos compartidos tanto en la retina como en el cerebro.

277 Un estudio longitudinal de la base de datos de seguros de salud coreano de 6 029 657 personas informó que el riesgo de demencia aumentaba con la gravedad de la pérdida visual, lo que respalda la hipótesis de que la pérdida de la visión en sí misma podría ser causal o que hay un efecto dosis-respuesta a un factor causal compartido.

271 Un estudio de los vínculos entre la retinopatía diabética y la demencia identificó que la asociación entre la retinopatía y la demencia se mantuvo después de ajustar la gravedad de la diabetes medida por la glucemia a largo plazo y la función renal después de más de 5 años de retinopatía diabética.

278Cada vez hay más pruebas que respaldan la asociación entre la pérdida de visión no tratada y el riesgo de demencia y la posible modificación por el tratamiento. Por lo tanto, hemos incluido la pérdida visual como un factor de riesgo en nuestro análisis. El tratamiento de la pérdida visual es eficaz y rentable para aproximadamente el 90% de las personas; sin embargo, en todo el mundo, especialmente en los países de ingresos bajos y medianos, la pérdida visual a menudo no se trata.

260

 

274 Existe una clara oportunidad para la prevención de la demencia con el tratamiento de la pérdida visual.

Estudios de prevención de demencia multicomponente

Las intervenciones multidominio abordan múltiples factores de riesgo de demencia a través de cambios relacionados con la salud y el comportamiento, por lo que, en principio, son apropiadas para una afección multifactorial. Estas intervenciones varían en enfoque, desde enfoques detallados e individualizados respaldados por el establecimiento de objetivos en persona y aquellos vinculados a plataformas digitales o aplicaciones móviles hasta enfoques basados en actividades grupales. La evidencia existente es preliminar porque hay pocos estudios completos, pero hay más de 40 ensayos en curso.

279 Una revisión Cochrane de 2021 identificó nueve ECA de intervenciones multidominio para la prevención de la demencia o el deterioro cognitivo, con 18 452 participantes.

280 Hubo una certeza alta de un beneficio pequeño de una intervención multidominio sobre la cognición general (diferencia de medias de la puntuación Z compuesta 0,03; IC del 95%: 0,01 a 0,06; tres ECA; n = 4617; períodos de seguimiento de 18 a 36 meses),

240

 

281

 

282 particularmente en personas con el genotipo APOE ε4 (diferencia de medias para los portadores de 0,14, 0,04 a 0,25; diferencia de medias para los no portadores de 0,04, –0,02 a 0,10; dos ECA; n = 2043; seguimiento de 24 a 36 meses), pero el efecto sobre la incidencia de demencia tuvo IC amplios (RR 0,94; IC del 95%: 0,76 a 1,18; dos ECA; n = 7256; seguimiento de 6 a 13 años).

283

 

284 El ensayo previo a DIVA que abordó los factores de riesgo cardiovascular (mediana de seguimiento de 10,3 años [IQR 7,0-11,0]; participantes de 70 a 78 años al inicio del estudio) mostró resultados similares con respecto a la incidencia de demencia.

285 Más recientemente, el estudio Age Well reclutó a 1030 adultos en Alemania con puntuaciones superiores a la media en una calculadora de riesgo de demencia que incorporaba la edad, el sexo, la fecha de nacimiento, la altura y el peso, el colesterol sérico, la presión arterial sistólica y diastólica, el estado de actividad física y los años de educación. Las enfermeras instruyeron a los participantes de la intervención para que siguieran una intervención multidominio con dos visitas de seguimiento y cinco llamadas telefónicas durante 2 años.

286 La intervención incluyó la optimización de la nutrición y la medicación y la actividad física, social y cognitiva con objetivos individuales establecidos con los participantes, pero no hubo ningún efecto sobre la cognición durante 24 meses en comparación con los controles que recibieron consejos generales de salud. Los investigadores concluyeron que la intervención no fue lo suficientemente específica o intensa. El ensayo SMARRT evaluó los objetivos personalizados de reducción de riesgos (172 adultos de 70 a 89 años) durante 2 años a través de asesoramiento sanitario y enfermeras visitadoras. La intervención condujo a una mejora en la puntuación cognitiva compuesta (efecto medio del tratamiento de desviación estándar 0,14, IC del 95% 0,03-0,25), una mejora del 74% en comparación con el control de educación para la salud, que incluía información sobre la reducción del riesgo de demenita.

287Una revisión sistemática y metanálisis de intervenciones multidominio para el deterioro cognitivo leve encontró 28 ECA de intervenciones multidominio no farmacológicas que duraron hasta 1 año en adultos mayores con deterioro cognitivo leve (n = 2711) y un efecto moderado sobre la cognición global (diferencia de medias estandarizada 0,41; IC del 95%: 0,23-0,59; Yo

2=62%), con mejoras en la función ejecutiva y la memoria en comparación con un control activo de una sola intervención.

288 Los autores consideraron las razones de la heterogeneidad, entre ellas que algunos estudios tenían un poder estadístico insuficiente, pero no pudieron establecer conclusiones firmes. Una revisión sistemática más pequeña de ECA de estilo de vida en pacientes con DCL encontró solo tres ECA pequeños (n = 156) e informó un beneficio significativo para la cognición con baja heterogeneidad.

289Los estudios a menudo han reclutado participantes en función del alto riesgo cardiovascular.

281 En una revisión sistemática, se informó que el riesgo de demencia a 10 años para las personas elegibles para cuatro ensayos a gran escala de intervenciones multidominio (es decir, dos o más dominios)

240

 

281

 

282

 

284

 

290 era similar a la de aquellos que se consideraban no elegibles; Por lo tanto, es posible que los ensayos futuros deban mejorar la precisión de la identificación de las personas con mayor riesgo de demencia.

291Algunos estudios han utilizado estrategias para aumentar la eficacia y el cumplimiento de las intervenciones, como los asesores de intervención para apoyar el cambio de comportamiento, las intervenciones de autogestión personalizadas y escalables entregadas digitalmente, y las dirigidas a personas de nivel socioeconómico más bajo y a personas de ingresos bajos y medianos.

241

 

292

 

293

 

294

 

295 Estos estudios deben aclarar si los beneficios cognitivos informados en los ensayos existentes se pueden replicar o aumentar y si es probable que las intervenciones multidominio sean escalables y clínicamente significativas para prevenir la demencia. Actualmente no está claro si los beneficios cognitivos identificados son sostenibles después del cese de la intervención, si se traducen en una reducción en la incidencia de demencia o si se pueden implementar con una adherencia y efectividad similares en entornos de bajos ingresos y poblaciones de alto riesgo.Una revisión de los ensayos de intervención multidominio para la prevención de la demencia encontró que solo 26 (62%) de los 42 estudios informaron datos étnicos y, en ellos, las personas de grupos étnicos minoritarios no blancos representaron solo una pequeña proporción de los participantes.

296 La raza blanca se informó en 23 ensayos, la etnia negra o afroamericana se informó en 15 ensayos, la etnia asiática se informó en seis ensayos, las etnias indígenas americanas o nativas de Alaska se informaron en tres ensayos y las etnias nativas de Hawái o de las islas del Pacífico se informaron en un ensayo. El estudio FINGERS

240 no informaron sobre la etnia ni la incidencia de demencia, pero informaron que los efectos de la intervención sobre la función cognitiva fueron los mismos en todas las categorías socioeconómicas (aunque dentro de una cohorte bastante acomodada). Todos menos 61 (2%) de los 2700 participantes en el estudio HATICE (es decir, un enfoque basado en Internet, apoyado por un entrenador, para establecer metas) eran blancos.

282 Los resultados no se desglosaron por etnia, pero el efecto de la intervención fue mayor en las personas con el nivel educativo inicial más bajo.En general, incluso las intervenciones con efectos modestos podrían, en teoría, tener efectos preventivos sustanciales a nivel poblacional, incluso para las personas menos prósperas o en entornos de bajos ingresos. Las intervenciones para riesgos individuales y múltiples serían potencialmente rentables, pero la escalabilidad es un desafío.

7

 

297

 

298

 

299 y es posible que sea necesario repetir las intervenciones a intervalos para lograr beneficios sostenidos.

Cálculo del PAF total

Cálculo de PAF

Incorporamos los dos nuevos factores de riesgo, es decir, el colesterol LDL alto y la pérdida de visión no tratada, y los 12 factores de nuestro modelo anterior en nuestro modelo de demencia de curso de vida. Se utilizaron los metanálisis más grandes y recientes a nivel mundial para la prevalencia y el RR de los factores de riesgo o, si no estaban disponibles, los mejores datos. Las fuentes y justificaciones se detallan en el apéndice (pp. 2-6). Realizamos nuevos metanálisis de los RR para depresión y pérdida auditiva descritos anteriormente en este trabajo.Se utilizaron datos de los 37 000 participantes de 45 años o más del estudio HUNT, que es un estudio de salud longitudinal basado en la población entre residentes de 20 años o más en el condado de Nord-Trøndelag, Noruega.

175

 

300

 

301 para estimar las comunalidades (es decir, la agrupación de factores de riesgo) de los 14 factores de riesgo. El apéndice (pp. 5-10) muestra la fórmula del PAF, las definiciones de los factores de riesgo y los pasos, incluido el código Stata, para calcular la comunalidad y el PAF. Nuestro análisis identificó cinco componentes principales, explicando el 54% de la varianza total entre los 14 factores de riesgo, lo que indica una superposición sustancial en la prevalencia de factores de riesgo, que luego tuvimos en cuenta en nuestras estimaciones ponderadas de PAF. Estimamos que la FAP para los 14 factores de riesgo fue del 45,3%. La figura 9 muestra el modelo de curso de vida de 14 factores de riesgo potencialmente modificables para la demencia. La Tabla 1 muestra la prevalencia, la comunalidad, el RR y los PAF ponderados y no ponderados ajustados por la comunalidad para los 14 factores de riesgo de demencia potencialmente modificables.

Miniatura de la figura gr9
Figura 9Fracción atribuible a la población de factores de riesgo potencialmente modificables para la demenciaVer en grande ImagenVisor de figurasDescargar Hi-res imagenDescargar (PPT)

Tabla 1RR, prevalencia y FAP para los 14 factores de riesgo de demencia potencialmente modificables

RR para la demencia (IC 95%)Prevalencia de factores de riesgo, %Comunalidad, %PAF no ponderado, %PAF ponderado, %PAF ponderado redondeado al número entero más cercano, %
Primeros años
Menos educación1·6 (1·3–2·0)30223·2%3030·60812·2%4·5%5%
Mediana edad
Pérdida de audición1·4 (1·0–1·9)*59·0%3040·60919·1%7·0%7%
High LDL cholesterol1·3 (1·3–1·4)3676·5%0·46918·7%6·9%7%
Depression2·2 (1·7–3·0)*7·2%3050·4528·3%3·0%3%
Traumatic brain injury1·7 (1·4–1·9)12712·1%3060·4237·8%2·9%3%
Inactividad física1·2 (1·2–1·3)17327·5%3070·5676·4%2·4%2%
Tabaquismo1·3 (1·2–1·4)14822·3%3080·6506·3%2·3%2%
Diabetes1·7 (1·6–1·8)3099·3%3100·4936·4%2·3%2%
Hipertensión1·2 (1·1–1·4)31131·1%3120·5955·9%2·2%2%
Obesidad1·3 (1·0–1·7)20613·0%3130·6223·8%1·4%1%
Consumo excesivo de alcohol1·2 (1·0–1·5)21313·3%2130·7722·6%1·0%1%
Últimos años de vida
Aislamiento social1·6 (1·3–1·8)22124·0%3140·40812·6%4·6%5%
Contaminación atmosférica1·1 (1·1–1·1)31575·0%3150·3417·0%2·6%3%
Pérdida de la visión no tratada1·5 (1·4–1·6)26212·7%2600·5536·0%2·2%2%
PAF general para todos los factores de riesgo........45·3%45%

RR=riesgo relativo. PAF=fracción atribuible de población.

* Calculado por los autores en esta Comisión.

† Prevalencia derivada de 37 000 participantes de ≥45 años del estudio noruego HUNT.

316

Fortalezas y limitaciones

Este documento es el análisis más completo hasta la fecha del PAF para los factores de riesgo potencialmente modificables para la demencia y actualiza los cálculos anteriores con factores de riesgo recientemente incorporados con evidencia convincente y estimaciones mundiales actualizadas de los RR y la prevalencia de los factores de riesgo. Los criterios de selección siempre tienen un grado de subjetividad, que puede afectar a las conclusiones, por lo que hemos presentado las evidencias sobre las que se construyeron para ser transparentes. Hemos utilizado la mejor evidencia actual para la magnitud del riesgo, pero esta evidencia podría haber sobreestimado o subestimado el riesgo. Se utilizaron revisiones sistemáticas para los factores de riesgo elegidos, se identificaron datos para calcular la comunalidad de 14 factores de riesgo y se proporcionaron nuevos metanálisis cuando fue necesario para nuestra síntesis. Se realizaron nuevos metanálisis solo para la depresión y la pérdida de audición (ya que no hubo revisiones recientes) y, por lo tanto, es posible que se hayan pasado por alto algunas pruebas nuevas. Hemos detallado cómo llevamos a cabo estos análisis, pero no los habíamos preregistrado. Nos encontramos con un panorama esperanzador, con una estimación de que casi la mitad de todos los casos de demencia están asociados a 14 factores de riesgo potencialmente modificables.En la medida de lo posible, se utilizaron cifras mundiales de prevalencia, que incluyen cantidades desproporcionadas de datos de los países de ingresos altos, aunque se incluyeron pruebas de que la prevalencia de los factores de riesgo varía de un país a otro.

30

 

31 La mayor parte de la investigación mundial se realiza en países de ingresos altos, por lo que los países de ingresos bajos y medianos están infrarrepresentados debido a la escasez de datos. Hemos asumido que los factores de riesgo causan demencia y hemos incluido evidencia adicional de que la alteración de estos factores de riesgo tiene el potencial de cambiar la prevalencia de la demencia. No se incluyeron los riesgos con pruebas contradictorias y se reconoció que existen otros factores de riesgo. Es escasa la evidencia sobre cómo los factores de riesgo y protección podrían agruparse o variar dentro de las diferentes naciones y entre ellas. Los participantes en el estudio HUNT tenían una prevalencia más baja de abuso de alcohol que las cifras mundiales y vivían en un HIC con poca diversidad étnica. Además, no fue posible encontrar una estimación mundial de la prevalencia del colesterol LDL y reconocemos que el uso de una estimación de un solo estudio de cohorte no es ideal. Muchos factores de riesgo están relacionados con la privación socioeconómica; Por ejemplo, el lugar donde viven las personas está relacionado con la exposición a la contaminación del aire y la posibilidad de encontrar alimentos saludables a un precio razonable a una distancia razonable a pie y tener los recursos y las habilidades para prepararlos está relacionada con la obesidad y la diabetes. La privación socioeconómica está fuertemente ligada a la educación y su incorporación en nuestros cálculos de comunalidad reducirá los efectos individuales de considerar componentes individuales modificables. No fue posible realizar un metanálisis de los datos sobre la contaminación atmosférica, aunque los datos sugieren sistemáticamente que este factor es un riesgo para la demencia.

Tenemos evidencia adicional de que la exposición prolongada a un riesgo tiene un mayor efecto (p. ej., diabetes) y que los riesgos actúan con más fuerza en las personas vulnerables que en la población general (p. ej., contaminación del aire). Por lo tanto, es importante redoblar los esfuerzos para tratar las condiciones existentes de la mejor manera posible para todas las personas en riesgo. Sin embargo, aunque esta modificación del riesgo afecta a la población, no garantizará que ningún individuo evite la demencia. Además, es crucial pensar en las comunidades y las personas con múltiples riesgos, en las que los enfoques que van más allá del tratamiento individual o la exhortación a un cambio de comportamiento tienen un efecto potencialmente mayor a largo plazo. Se desconoce la duración o la intensidad que se requiere de una intervención para marcar la diferencia, pero se espera que el riesgo asociado con el tabaquismo pueda reducirse con el tiempo y, de hecho, una reducción en la prevalencia del tabaquismo podría ser uno de los factores asociados con la disminución de la prevalencia de demencia observada en algunas poblaciones. Aunque la asociación no es causal, el efecto sobre la cognición observado en los ECA que evaluaron las intervenciones multicomponente, la provisión de audífonos y el tratamiento de la hipertensión y los cambios naturalistas con la reducción de la contaminación del aire, el tabaquismo, el contacto social, los tratamientos auditivos y visuales, y los aumentos en la estimulación cognitiva a través del trabajo continúan sugiriendo una asociación causal con la expresión clínica de la demencia. Las personas con un nivel socioeconómico bajo, tanto en los países de ingresos bajos como en los de ingresos altos, corren un mayor riesgo que el resto de la población y deben ser una prioridad para la intervención. Existe evidencia considerable de que los cambios en el estilo de vida y las políticas para reducir los factores de riesgo son importantes para las personas, ya sea que tengan o no un mayor riesgo genético de demencia. Hemos resumido los puntos clave para enfatizar nuestras recomendaciones basadas en la literatura que hemos presentado. Aunque existen grandes lagunas en nuestra comprensión del riesgo, la acción no debe esperar, porque hay formas de reducir las posibilidades de desarrollar demencia, que benefician a las personas, las familias y la sociedad.

Enfoque de salud pública

Aunque la demencia es uno de los principales desafíos de salud pública, una visión de salud pública es un enfoque bastante novedoso para la prevención de la demencia. Los riesgos pueden conceptualizarse como algo que el individuo puede cambiar, pero un enfoque de salud pública reconoce la generación de mala salud a lo largo de la vida que se asocia con la privación socioeconómica. Los patrones socioeconómicos de enfermedades como la diabetes tipo 2 y la obesidad y comportamientos como el tabaquismo y el consumo excesivo de alcohol comienzan en los primeros años de vida.

317 Comprender la causa de las desigualdades de riesgo, como el acceso desigual a la educación, el acceso desigual a entornos saludables y seguros y las malas condiciones ocupacionales, puede obligar a cambiar las condiciones sociales para maximizar el alcance de la población, la rentabilidad y la equidad sanitaria de las intervenciones.

318

 

319 Dado que la salud cardiovascular y el tabaquismo median en parte la asociación entre la privación socioeconómica y la demencia,

143

 

320

 

321

 

322 Se espera que los enfoques a nivel poblacional a lo largo de la vida para apoyar la actividad física, no fumar y una dieta saludable y no obesogénica (que también podría afectar a la diabetes) tengan un profundo efecto en las desigualdades en la prevalencia de la demencia.Demostrar un vínculo entre los cambios en estos factores de riesgo y la posterior reducción del riesgo de demencia es difícil debido a la acumulación de riesgo de demencia a lo largo de la vida, y la larga acumulación presintomática de la patología significa que podrían ser necesarios muchos años o décadas de estudio para mostrar una diferencia. Otro enfoque consiste en utilizar los factores de riesgo (y protectores) como resultados indirectos, en los que la causalidad asumida conduce a una reducción de la prevalencia de la demencia. Otros diseños de estudio, como los estudios cuasiexperimentales, también tienen el potencial de aclarar los efectos de las iniciativas para reducir los factores de riesgo sobre el riesgo de demencia.

64 Varias intervenciones a nivel poblacional pueden adaptarse adecuadamente a los contextos culturales y económicos, lo que teóricamente podría reducir sustancialmente la prevalencia de la demencia, las desigualdades y los costos en todo el sistema. Estas intervenciones incluyen políticas fiscales, como subsidios para aumentar la asequibilidad de los alimentos saludables e impuestos para reducir la asequibilidad del alcohol, el tabaco y los alimentos poco saludables; gravámenes para fomentar la reformulación de productos; y la eliminación de las barreras financieras para la educación continua y los combustibles más limpios.

179

 

297

 

323

 

324 También se podrían utilizar políticas de marketing; Por ejemplo, reducir la exposición a anuncios de productos poco saludables y el uso de campañas bien diseñadas en los medios de comunicación que cambien las normas socioculturales.

179

 

297

 

323

 

325 Las políticas legislativas y de disponibilidad incluyen la prohibición de fumar en lugares públicos, la reducción de las horas de venta de alcohol, hacer que los alimentos saludables sean más accesibles de lo que son actualmente, la reducción de la densidad de los establecimientos de comida rápida, la creación de espacios verdes seguros y de alta calidad y la infraestructura de viajes activos, la reducción de la exposición al ruido y la provisión de equipos de protección auditiva en los lugares de trabajo, zonas de bajas emisiones para reducir la contaminación del aire y la obligatoriedad del uso del casco en los viajes y deportes activos.

179

 

297

 

323 Las adaptaciones físicas al entorno podrían hacer que el ejercicio y la socialización sean accesibles y seguros al optimizar la planificación urbana, la accesibilidad y la infraestructura, como se recomienda en la Guía Mundial de Ciudades Amigables con las Personas Mayores de la OMS.

326 Por último, las políticas de vivienda podrían utilizarse como una intervención: la provisión de viviendas adecuadas y socialmente conectadas para las personas mayores es un enfoque de varias organizaciones gubernamentales y del tercer sector, con el potencial de reducir el aislamiento social y la soledad y proporcionar redes de apoyo para las personas mayores. Las intervenciones que han demostrado tener un efecto sobre el tabaquismo, el consumo excesivo de alcohol, la obesidad, la hipertensión, la contaminación del aire y las lesiones en la cabeza se modelaron para determinar su efecto sobre la demencia, y todas ahorraron costos y mejoraron la calidad de vida.

327

Factores de riesgo potenciales considerados sin evidencia suficiente para incluirlos en el modelo

Sabemos que existen otros factores de riesgo potencialmente modificables y consideramos varios de estos factores, pero, en general, juzgamos que no existe suficiente evidencia consistente para cumplir con nuestro alto estándar de inclusión como factores de riesgo modificables. Estos factores de riesgo incluyen muy poco sueño, una dieta poco saludable, infecciones y afecciones de salud mental.

Dormir

Como discutimos en la Comisión Lancet de 2020, no está claro si la duración del sueño corto (es decir, generalmente definida como ≤5 h) y larga (es decir, generalmente definida como ≥10 h) se asocia con un mayor riesgo de deterioro cognitivo y demencia o si las personas que están desarrollando demencia han alterado el sueño en la etapa prodrómica.

2

 

328

 

329

 

330 Dos metanálisis incluyeron estudios que utilizaron varias definiciones de la duración del sueño, con una duración corta que a menudo es menor o igual a 7 h y una duración larga que es más de 8 h, y con un seguimiento de menos de 10 años hasta la demencia incidente, y sus hallazgos de una asociación en forma de U invertida entre la duración del sueño y el riesgo de demencia están sujetos a un posible sesgo de causalidad inversa.

329

 

331 Algunos estudios son notables debido al seguimiento a largo plazo, pero ningún estudio informó datos para las personas que desarrollaron demencia poco después de la determinación de la duración del sueño por separado de los datos para aquellos que desarrollaron demencia después de 5 a 10 años desde el momento en que se registraron las medidas del sueño.

300

 

332

 

333

 

334

 

335

 

336

 

337 La hipótesis de la causalidad inversa está respaldada por un estudio longitudinal de resonancia magnética cerebral de 3893 adultos sanos, que informó que las tasas de atrofia cerebral no se asociaron con una duración del sueño más larga (es decir, >7 h) o más corta (es decir, ≤7 h) ni con la calidad del sueño cuando se controló el IMC, el estatus socioeconómico y el estado de ánimo.

338 Sin embargo, transversalmente, la duración del sueño se asoció con el grosor cortical, y los autores sugirieron que los cerebros sanos apoyan la duración saludable del sueño.En el estudio Million Women de 830 716 mujeres (edad media de 60,0 años al inicio [DE 4,9]) con un seguimiento de 17 años, hubo un riesgo ligeramente mayor de demencia (RR 1,08, IC 95% 1,04-1,12) entre las que informaron una duración del sueño más corta pero no muy corta (es decir, <7 h) que en las personas que informaron 7-8 h de sueño.

339 En el estudio Whitehall II, la duración corta y persistente del sueño de 6 horas o menos a las edades de 50, 60 y 70 años en comparación con la duración normal persistente del sueño (es decir, 7 horas) se asoció con un aumento del 30% en el riesgo de demencia, independientemente de los factores sociodemográficos, conductuales, cardiometabólicos y de salud mental.

340 En una cohorte noruega de 7492 personas con un seguimiento de 11 años, el insomnio (que podría diferir de la corta duración del sueño) no se asoció con la demencia por todas las causas, la enfermedad de Alzheimer o la puntuación cognitiva.

300El trabajo por turnos, en el que parte del trabajo se realiza fuera de la jornada laboral normal, puede alterar el ritmo circadiano y, a su vez, aumentar el riesgo de enfermedades cardiovasculares y algunas otras enfermedades. Una revisión sistemática encontró pruebas heterogéneas del riesgo de demencia y no pudo establecer conclusiones.

341 Un estudio posterior del Biobanco del Reino Unido examinó si el trabajo por turnos podría estar relacionado con la demencia y realizó un seguimiento de 170 722 personas durante una mediana de 12,4 años, de las cuales 27 450 (16,1%) trabajaban por turnos (edad media al inicio del estudio de 52,8 años [DE 7,1] en trabajadores por turnos y 51,8 años [7,0] en trabajadores sin turnos). El trabajo por turnos se asoció con un mayor riesgo de demencia (HR 1,30, IC 95% 1,08-1,58), pero el riesgo no fue mayor en las personas que trabajaban en turnos nocturnos que en las personas que trabajaban en turnos diurnos, aunque el poder estadístico para detectar diferencias fue bajo.

342En una cohorte sueca de 28.775 individuos de 65 años o más, la asociación entre la larga duración del sueño (es decir, >9 h/noche) y la demencia durante un seguimiento de 13 años se atenuó por completo después de que se excluyeran del análisis los casos ocurridos en los primeros 5 años de seguimiento, lo que enfatiza el papel del sesgo de causalidad inversa.

336 De manera similar, en el estudio US Million Women, no hubo asociación entre la duración prolongada del sueño (es decir, >8 h) o las siestas diurnas y la demencia después de los primeros 5 años de seguimiento.

339 Un estudio de aleatorización mendeliana del Biobanco del Reino Unido informó de una pequeña asociación entre la siesta habitual y el aumento del volumen cerebral (no estandarizado β 15,80 cm

3, IC del 95%: 0,25–31,34), pero no hubo diferencias en el volumen del hipocampo ni en las pruebas cognitivas.

343Junto con la duración del sueño, la evidencia emergente sugiere que la calidad del sueño, específicamente la apnea del sueño, podría estar asociada con la demencia. Una revisión sistemática y metanálisis de 11 estudios que incluyeron 1 333 424 participantes a los que se les dio seguimiento durante un máximo de 14,9 años identificaron que las personas con apnea del sueño tenían un mayor riesgo de desarrollar demencia (HR 1,43; IC del 95%: 1,26-1,62).

344 Pocos de estos estudios se ajustaron a la obesidad. Podría valer la pena considerar la implementación de preguntas de detección sobre la demencia en personas con apnea del sueño.Se postula que los trastornos del sueño aumentan el riesgo de demencia a través de varios procesos.

328 A menudo coexisten con otras afecciones que afectan el riesgo de demencia (p. ej., diabetes, depresión y consumo de alcohol). Además, las personas con problemas de sueño podrían ser tratadas con benzodiacepinas, lo que podría estar relacionado con el deterioro cognitivo. Una revisión sistemática y metanálisis identificó pruebas de muy baja calidad de un mayor riesgo de demencia en pacientes que tomaban benzodiacepinas en 11 estudios con un seguimiento que duró 72–264 meses (OR 1,38; IC del 95%: 1,07–1,77; Yo

2=98%; n=980 860).

345 Un estudio de cohorte prospectivo informó que el riesgo era mayor en las personas que tomaban una dosis baja de benzodiacepinas en comparación con las que tomaban dosis más altas, lo que sugiere que la asociación no es causal.

346 Los estudios experimentales respaldan un efecto perjudicial de la privación aguda del sueño en el rendimiento cognitivo inmediato.

347Los mecanismos biológicos incluyen la neuroinflamación,

348 aterosclerosis

349 α-sinucleinopatías (es decir, demencia con cuerpos de Lewy y demencia con enfermedad de Parkinson),

350 y alteración de la eliminación de β de amiloide porque se reduce la duración del sueño.

351 Sin embargo, la eliminación de la β amiloide generalmente ocurre durante el sueño profundo al comienzo de la noche, que dura de 1 a 2 horas, por lo que es poco probable que se vea afectado en aquellos que informan trastornos del sueño.

352

 

353

 

354 La acumulación de placa amiloide contribuye a la falta de sueño en los adultos mayores a través de sus efectos directos sobre las regiones cerebrales reguladoras del sueño y la vigilia.

355

 

356 También existe cierta evidencia de una asociación de la acumulación de β amiloide con la interrupción del ritmo circadiano y el patrón de sueño en adultos cognitivamente sanos.

357

Desde la Comisión Lancet de 2020, nuevas pruebas han indicado que el sueño prolongado no es un factor de riesgo para la demencia, aunque la demencia y su pródromo podrían causar un sueño prolongado. Las personas no deben reducir su sueño para reducir el riesgo de demencia. Las benzodiazepinas no parecen causar demencia.

En general, la evidencia parece indicar que la corta duración del sueño podría estar asociada con un pequeño mayor riesgo de demencia, pero la evidencia sobre la caracterización del sueño corto es escasa, y no existe información sobre la calidad del sueño o la alteración del ritmo circadiano, que podrían ser los factores asociados con un mayor riesgo de desarrollar demencia en lugar de la duración del sueño. Por lo tanto, la evidencia sobre el sueño corto aún no se ha aclarado lo suficiente como para estar seguros de la causalidad. No podemos hacer recomendaciones sobre el sueño como factor de riesgo.

Dieta

Como hemos comentado anteriormente, la nutrición y los componentes individuales de la dieta son difíciles de investigar, y los hallazgos son contradictorios en cuanto a su relación con la cognición y la demencia.

2 Una dieta abarca múltiples tipos de alimentos y bebidas saludables y no saludables y, a menudo, es parte de una forma de vida, por lo que los efectos observados pueden estar relacionados con el estilo de vida o ser independientes de él.

358 La disponibilidad de alimentos y bebidas que componen la dieta mediterránea y dietas similares tiende a ser menor en los países de ingresos bajos y medianos que en los países de ingresos altos.Las dietas similares a la dieta mediterránea incluyen la dieta de Enfoques Dietéticos para Detener la Hipertensión (DASH) y la dieta Mediterránea-DASH de Intervención para el Retraso Neurodegenerativo (MIND), que es la dieta mediterránea más alimentos saludables específicos. En 2019, la OMS hizo una recomendación condicional de la dieta mediterránea para reducir el riesgo de demencia, lo que significa que no estaban seguros del equilibrio de la evidencia entre los efectos deseables e indeseables.

124 Desde entonces, ha habido varios estudios nuevos. Una revisión sistemática y metanálisis identificó 16 estudios de cohortes con un seguimiento que osciló entre 2,2 y 41 años.

359 La alta calidad de la dieta en relación con la baja calidad de la dieta se asoció con un menor riesgo de demencia (RR 0,82; IC del 95%: 0,70-0,95; n = 66 930; 12 estudios). Este riesgo fue similar cuando solo se incluyeron los estudios que tuvieron seguimiento durante más de 10 años (0,78, 0,62–0,99; seis estudios) o cuando se limitó al resultado de la enfermedad de Alzheimer (0,61, 0,47–0,79; seis estudios). Por el contrario, los estudios que utilizaron una puntuación continua de la dieta mediterránea no identificaron una asociación significativa entre la adherencia a la dieta mediterránea y el riesgo de demencia. Un metanálisis posterior más grande de tres estudios de cohorte con 224 049 participantes identificó que una mayor adherencia a la puntuación de la dieta MIND se asoció con un menor riesgo de demencia (HR 0,83 [IC 95%: 0,72–0,95] por cada incremento de 3 puntos; Yo

2=0%).

360 Una tercera revisión sistemática informó un efecto protector de la dieta mediterránea contra el deterioro cognitivo global en diez de 21 estudios, contra la demencia incidente en tres de ocho estudios y contra la enfermedad de Alzheimer en dos de cuatro estudios.

361Desde estas revisiones, un estudio de cohorte prospectivo sueco de 28 025 personas en la mediana edad (es decir, edad media en la primera evaluación de 58,1 años [DE 7,6], mediana de seguimiento de 19,8 años [IQR 4,8]) informó que ni la adherencia a las recomendaciones dietéticas ni a la dieta mediterránea modificada (es decir, una dieta basada en la dieta mediterránea tradicional pero ajustada, por ejemplo, para cumplir con las variaciones culturales) disminuyó el riesgo de demencia, enfermedad de Alzheimer o demencia vascular, o patología de la enfermedad de Alzheimer.

362 Estos resultados no cambiaron cuando se excluyeron las personas que desarrollaron demencia en los 5 años posteriores al inicio del estudio. Por el contrario, un estudio del Biobanco del Reino Unido (n = 60 298; edad media al inicio del estudio de 63,8 años [2,7], seguimiento medio de 9,1 años [1,7]) informó que una mayor adherencia a la dieta mediterránea se asoció con un menor riesgo de demencia en comparación con una menor adherencia, independientemente del estado de APOE.

363 Un estudio de cohorte estadounidense de personas mayores (n = 581, edad media en la primera evaluación de 84,2 años [5,8]) informó que los patrones dietéticos MIND y mediterráneos, en particular el consumo de verduras de hoja verde, se correlacionaban inversamente con la carga de β amiloide, los ovillos de tau fosforilados y la patología global de la enfermedad de Alzheimer en la autopsia.

364Los alimentos ultraprocesados son formulaciones de sustancias alimentarias procesadas (es decir, aceites, grasas, azúcares, almidón y aislados de proteínas) que contienen poco o nada de alimentos integrales. Las clasificaciones de los alimentos varían porque la definición es vaga. Un estudio transversal de EE. UU. de 3632 participantes de 60 años o más informó que el rendimiento cognitivo general y la memoria no se asociaron con el porcentaje de ingesta diaria de energía dietética de alimentos ultraprocesados después de la corrección de los factores de confusión.

365 A longitudinal study from Brazil (n=10 775; mean age at baseline of 51·6 years [SD 8·9]; median follow-up of 8 years [range 6–10]) reported a 28% faster rate of global cognitive decline (β –0·004, 95% CI –0·006 to –0·001) and a 25% faster rate of executive function decline (β –0·003, –0·005 to 0·000) in individuals whose ultraprocessed food consumption was in the highest three quartiles than in those in the lowest quartile after adjustment for relevant sociodemographic and clinical variables.

366 These studies are not long enough to rule out reverse causation bias.A French study (n=1279; mean age at baseline of 74·3 years [SD 4·9]; follow-up of 17 years) reported that increased concentrations of omega-3 index in plasma were associated with a decreased risk of dementia (HR 0·87 [95% CI 0·76–0·98] for 1 SD) and less decline in medial temporal lobe volume.

367The gut microbiome encompasses all microbes in the gut. Changes in the gut microbiome occur as people age or as a result of obesity, diet, infection, cardiovascular disease, sleep issues, or little physical activity. Changes in the microbiome might mediate the effects of diet on the brain,

358 facilitate neuroinflammation and cell death, and be a risk factor for dementia.

368 Few studies have examined the associations of the gut microbiome with dementia, and we cannot draw any conclusions.

Dietary interventions

Designing dietary interventions is difficult because the correct doses, forms, timing in life, and duration are unclear.

358 The caveats in long-term RCTs outlined previously in this paper in terms of practicality, ethics, and bias are particularly salient here. The Commission previously identified convincing evidence that vitamins did not prevent cognitive deterioration in the general population, as did WHO.

2

 

124 Since then, further studies have not produced convincing benefit.Un ECA de 3 años de una intervención educativa dietética, es decir, asesoramiento dietético y dieta MIND o dieta moderada con control de calorías, en 604 personas mayores sin deterioro cognitivo pero con antecedentes familiares positivos de demencia, un IMC superior a 25 y una dieta subóptima, no informó diferencias entre los grupos en la cognición global y un resultado secundario de una resonancia magnética cerebral.

369 Ambos grupos mejoraron en la puntuación cognitiva, tuvieron una pérdida de peso similar de alrededor de 5 kg y tuvieron resultados similares en las resonancias magnéticas.COSMOS-MIND fue un ECA de 3 años, anidado en el ECA cardiovascular COSMOS en 2262 participantes voluntarios (edad media de 72,97 años [DE 5,63]). El ensayo probó por separado el extracto de cacao diario, que contenía flavanoles de cacao (es decir, análisis primario) y mineral multivitamínico.

370 El extracto de cacao (más o menos mineral multivitamínico) no tuvo ningún efecto sobre la cognición global, mientras que la suplementación con minerales multivitamínicos por sí sola condujo a un beneficio cognitivo global pequeño, no clínico sino estadísticamente significativo (puntuación Z media 0,07, IC 95% 0,02-0,12) en la memoria y la función ejecutiva. Los autores sugirieron que los beneficios cognitivos observados de la suplementación con minerales multivitamínicos podrían ser más pronunciados entre los adultos mayores con enfermedad cardiovascular que entre los que no la tienen, y que se deben realizar más estudios en una cohorte más diversa.COSMOS-WEB fue un subconjunto de COSMOS que se superpuso sustancialmente con COSMOS-MIND, pero examinó solo a las personas que fueron asignadas aleatoriamente para recibir extracto de cacao que contenía flavonoides de cacao o placebo, e informó que la intervención con extracto de cacao no mejoró la memoria durante 1 a 3 años.

371 Un ECA de 24 semanas de antocianinas (es decir, un flavonoide que se encuentra en las bayas y la fruta que se cree que es antiinflamatorio, antioxidante y mejora el perfil lipídico) en 206 personas de 60 a 80 años sin demencia no mostró diferencias en los resultados cognitivos.

372 Los autores sugirieron que esta ausencia de efecto podría deberse a una potencia y duración insuficientes, ya que había una diferencia entre los grupos en las pendientes del deterioro cognitivo.

Decisiones

En conclusión, los estudios de epidemiología nutricional a menudo, pero de manera inconsistente, informan una asociación entre la dieta y los biomarcadores, el deterioro cognitivo, la demencia o la enfermedad de Alzheimer. Los estudios son de pocas dietas y se centran principalmente en las de los países de ingresos altos, que consisten en dietas mediterráneas o similares, que son ricas en verduras, frutos secos, bayas, judías, mariscos y cereales integrales. En general, los ensayos clínicos han informado que las intervenciones nutricionales y dietéticas no reducen el deterioro cognitivo. Los resultados de la intervención son pequeños, heterogéneos, generalmente no significativos, y podrían considerarse generadores de hipótesis en el mejor de los casos, pero no apoyan las hipótesis primarias. Los resultados positivos en algunos subgrupos indican que la investigación futura podría ser útil y que podrían ser necesarias intervenciones a largo plazo para mostrar un efecto.

Comer una dieta alta en frutas y verduras y baja en alimentos ultraprocesados es buena para muchas condiciones de salud y afecta los factores de riesgo de demencia de obesidad, diabetes e hipertensión, pero no existe evidencia suficiente para decir que esta dieta es directamente útil para la prevención de la demencia. Los datos sobre el efecto de la malnutrición en los primeros años de vida también son escasos.

Infecciones e inflamación sistémica

En un metanálisis de datos de participantes individuales, las infecciones sistémicas periféricas graves que requirieron ingreso hospitalario se relacionaron con un mayor riesgo de demencia, y las asociaciones persistieron después del ajuste por edad, sexo, estatus socioeconómico, comportamientos de salud, IMC, hipertensión, diabetes y genotipo APOE (HR 1,22, IC 95% 1,09-1,36).

373 Este resultado podría explicarse en parte por un menor volumen cerebral y una menor integridad de la sustancia blanca, lo que indica vulnerabilidad cerebral, en las personas que ingresan en el hospital con infección en comparación con los controles de la misma edad que no están hospitalizados.

374

 

375 Un estudio posterior de registro electrónico de casi 1 millón de adultos del Reino Unido mostró que las personas con infecciones que resultaron en ingreso hospitalario, pero no las tratadas en atención primaria, tenían un mayor riesgo de demencia o enfermedad de Alzheimer que aquellas sin infección.

376 Varios virus y bacterias se asociaron con el riesgo de demencia, y el riesgo fue mayor no solo en las personas con infecciones del SNC, sino también en las personas con infección fuera del SNC en comparación con las personas sin infección u otros tipos de infección.

373

 

377

 

378 En el Estudio Longitudinal del Envejecimiento de Baltimore (n = 1009), se observó atrofia acelerada de la sustancia blanca entre individuos con antecedentes de infecciones herpéticas sintomáticas;

379 Sin embargo, otro estudio no informó ninguna asociación entre la infección por herpes simple y el deterioro cognitivo o la atrofia cerebral.

380La sepsis, la neumonía, las infecciones del tracto respiratorio inferior, las infecciones de la piel y los tejidos blandos y las infecciones del tracto urinario se asocian con mayores tasas de demencia en estudios con humanos y animales.

376 De manera similar, el aumento de las concentraciones de marcadores inflamatorios periféricos está relacionado con un mayor riesgo de demencia: un metanálisis de diez estudios, con un seguimiento que osciló entre 2 y 25 años, informó que las personas con el cuartil más alto de concentraciones de PCR tenían un mayor riesgo de demencia que las personas con el cuartil más bajo (HR 1,34, IC 95% 1,05-1,71), con resultados similares para la IL-6 en cuatro estudios (1,40, 1,13-1,74) y la ACT en tres estudios (1,54, 1,14-2,08) pero no para la PAF acetilhidrolasa (1,06, 0,94-1,18).

381 El aumento de las concentraciones de marcadores inflamatorios también se asocia con un mayor deterioro cognitivo.

382Existe poca evidencia longitudinal sobre los efectos a largo plazo de la COVID-19, y la evidencia en esta área se refiere al efecto de la COVID-19 en la función cognitiva y los biomarcadores, no en el riesgo de demencia. La COVID-19 podría aumentar el riesgo de deterioro cognitivo, con un metanálisis que identificó un ligero deterioro en la cognición global 7 meses después de la infección por COVID-19 que en controles adultos sanos sin antecedentes conocidos de deterioro cognitivo (diferencia de medias en la puntuación de la Evaluación Cognitiva de Montreal: -0,94; IC del 95%: -1,59 a -0,29).

383 Además, se han reportado disminuciones en el grosor de la materia gris y el tamaño total del cerebro 6 meses después de la infección por SARS-CoV-2 en 785 participantes del Biobanco del Reino Unido en comparación con personas que no habían tenido SARS-CoV-2.

384 La COVID-19 también podría haber aumentado los riesgos de demencia al cambiar los hábitos de la población; por ejemplo, los estudios mostraron que la infección por COVID-19 y las últimas etapas de la pandemia se asociaron con una disminución del ejercicio y un mayor riesgo de obesidad que la ausencia de infección o las etapas anteriores de la pandemia.

385

Mecanismos de los efectos de la infección y la inflamación

Los mecanismos por los cuales las infecciones podrían contribuir a un mayor riesgo de demencia son poco conocidos y es probable que sean bidireccionales, ya que las personas con deterioro cognitivo y demencia se ven más gravemente afectadas por la infección y tienen más probabilidades de ser ingresadas en el hospital que las personas sin demencia. Aunque la barrera hematoencefálica protege el cerebro, existen múltiples mecanismos para la comunicación inmunitaria periférica y central, incluidas las vías directas de infiltración de células inmunitarias periféricas a través de la barrera hematoencefálica y las vías indirectas de modulación de la función microglial del SNC impulsada por la inflamación.

386

 

387 Animal and in-vitro studies show that inflammatory stimuli might initiate long-term priming of the microglia and peripheral CD4 and CD8 T cells to a proinflammatory state,

++

388

 

389

 

390 potentially increasing amyloid plaque deposition.

391 Long-term immune activation and systemic inflammation can also adversely affect brain capillaries, increasing the permeability of the blood–brain barrier and related entry of neurotoxic plasma components, blood cells, and pathogens into the brain.

392

 

393As hospital-treated infections are more strongly associated with vascular dementia than with Alzheimer’s disease, mechanisms might involve vascular inflammatory pathways.

373

 

376 Dysfunction of the blood–brain barrier has been linked to microbleeds and perivascular oedema, compromising microcirculation and inducing ischaemic damage.

394 Furthermore, infections and related systemic inflammation can trigger macrovascular events, including stroke, further increasing dementia risk.

Interventions with vaccines, anti-inflammatory, or antibiotic drugs

Meta-analyses of observational studies suggest that vaccinations against rabies, tetanus, diphtheria, pertussis, herpes zoster, influenza, hepatitis A, typhoid, and hepatitis B are associated with decreased dementia risk, although this association might be partly due to confounding factors because people who receive vaccinations might have different health behaviours and better access to health care compared with those who do not receive vaccinations.

395 One population cohort study using UK general practice records of 13 383 431 adults older than 50 years reported no effect of vaccines on the risk of dementia when adjusted for potential confounders.

396One systematic review and meta-analysis concluded that there was no strong evidence from large RCTs that interventions using non-steroidal anti-inflammatory drugs to modify infection and inflammation result in a reduction in cognitive impairment or risk of dementia progression.

397 Non-steroidal anti-inflammatory drugs for Alzheimer’s disease, such as naproxen and celecoxib for 1–3 years or aspirin 100 mg for 9·6 years in older adults (ie, aged ≥70 years) with a first-degree relative with Alzheimer’s disease, did not decrease dementia risk,

398 and these drugs also increased adverse events.

399 Minocycline, a tetracycline antibiotic that protects against the toxic effects of amyloid β in vitro and in animal models of Alzheimer’s disease, did not delay the progression of cognitive impairment in people with mild Alzheimer’s disease over a 2-year period in a multicentre clinical trial.

400

Interventions that help to avoid infection, such as vaccinations, hand washing, and ventilation, and therefore reduce risk or severity of inflammation and vascular events are good for general health but their effects on dementia risk are unclear.

Dental disease

La enfermedad dental, incluida la inflamación de las encías (es decir, la enfermedad periodontal), se asocia con trastornos crónicos impulsados por la inflamación y podría ser un factor de riesgo para la demencia.

401 Las personas con una mejor función cognitiva infantil tienen una mejor salud dental y, a lo largo de la vida, utilizan más cuidados dentales preventivos y pierden menos dientes que sus contrapartes, lo que precede a los posibles mecanismos de nutrición comprometida, periodontitis crónica e inflamación relacionada con la enfermedad dental por muchas décadas.

402Un estudio sueco a nivel nacional que controló los factores demográficos, los factores socioeconómicos y otras condiciones de salud de las personas de 40 a 80 años no identificó una mayor incidencia de demencia en 7992 individuos con caries y enfermedad periodontal que en 29 182 controles emparejados durante 7,6 años.

403 Un estudio estadounidense que controló los factores demográficos, la salud vascular y el estado socioeconómico informó que, en 3521 personas de 65 años o más, los patógenos periodontales variados se asociaron con demencia por todas las causas, enfermedad de Alzheimer o tener la enfermedad de Alzheimer como causa subyacente de muerte en el certificado de defunción durante 26 años de seguimiento.

404 El grupo con enfermedades dentales tenía menos educación, menores ingresos disponibles y más comorbilidades que el grupo sin enfermedades dentales. Existe una escasez de evidencia consistente y de alta calidad de que la enfermedad dental y periodontal son factores de riesgo para la demencia.

Decisiones

No está claro hasta qué punto las infecciones y la inflamación son factores de riesgo modificables para la demencia, porque la mayoría de los estudios se realizaron en personas mayores con un seguimiento corto. Patógenos específicos atraviesan la barrera hematoencefálica, como la sífilis, el VIH y el herpes, y causan directamente demencia, que no es lo mismo que la infección sea un riesgo en sí mismo. La inflamación podría ser una vía común para muchos factores de riesgo de demencia.

Trastorno bipolar

En una revisión de cinco estudios longitudinales con períodos de seguimiento de 4 a 11 años, se examinaron las asociaciones entre el trastorno bipolar y la demencia.

110 No se realizó ningún metanálisis porque varios estudios utilizaron la misma base de datos y todos se basaron en una de dos cohortes poblacionales (en Australia o Taiwán), pero se identificó una asociación consistente entre el trastorno bipolar y el riesgo de demencia (HR entre 2,31 y 4,55). Un estudio incluido informó que una mayor gravedad del trastorno bipolar (medida por el número de ingresos psiquiátricos) se asoció con un mayor riesgo de demencia que el trastorno bipolar que no requirió ingresos psiquiátricos: la tasa de demencia fue mayor en los individuos que tuvieron uno o dos ingresos psiquiátricos (RR 2,4, IC del 95% 1,9-3,1) y más de dos ingresos (5,7, 4,8-6,8) al año. Hubo heterogeneidad en el grado en que los estudios ajustaron por factores como el riesgo cardiovascular, las comorbilidades y el consumo de alcohol.

Trastornos psicóticos, incluida la esquizofrenia

En una revisión sistemática de 2022 de 11 estudios de cohortes poblacionales que incluyeron a 13 millones de personas, se identificó un aumento general del riesgo de demencia por todas las causas durante una mediana de 11 años (RR 2,52, IC 95%: 1,67-3,80), aunque la heterogeneidad fue alta (I

2=99,7%).

405 La mayoría de los estudios incluidos fueron de individuos con esquizofrenia, y solo un estudio informó específicamente hallazgos para la esquizofrenia de inicio temprano (es decir, a los <40 años), que mostraron un mayor riesgo de demencia que para los individuos sin esquizofrenia, pero un riesgo más bajo que la esquizofrenia de inicio tardío (es decir, a los >40 años).

406 Otro estudio sobre la esperanza de vida incluido en la revisión también informó un menor riesgo de demencia en individuos más jóvenes (es decir, de 18 a 49 años) en comparación con mayores (es decir, de 50 a 64 años y ≥60 años) con esquizofrenia.

407 Sin embargo, un tercer estudio sobre la esperanza de vida informó un mayor riesgo de demencia en personas con inicio de trastornos psicóticos a edades más tempranas (es decir, de 18 a 60 años) que a edades más avanzadas (es decir, de 41 a 80 o 51 a 90 años).

408 lo que podría atribuirse a más muertes en las cohortes de mayor edad que en la cohorte más joven. Los estudios variaron en el grado de ajuste según la edad, el sexo, las comorbilidades, el alcohol, el tabaquismo, los medicamentos, los ingresos y los niveles de educación, y no hubo pruebas concluyentes sobre los efectos potenciales de comorbilidades específicas o medicamentos antipsicóticos sobre el riesgo de demencia o sobre el riesgo de tipos específicos de demencia.Las personas con esquizofrenia tienen volúmenes cerebrales más bajos al inicio que la población de la misma edad, lo que sugiere una causa del desarrollo neurológico.

409 Y el deterioro cognitivo, que es una característica central de la esquizofrenia, ya está presente desde el inicio.

410 No existe una relación clara entre este deterioro cognitivo y una neuropatología específica relacionada con la enfermedad de Alzheimer.

411 Y a pesar de tener principalmente trayectorias típicas de funcionamiento cognitivo relacionadas con la edad durante la mediana edad, las personas con esquizofrenia muestran un envejecimiento cerebral acelerado (en neuroimagen) en comparación con los controles sanos y las personas con depresión o trastorno bipolar.

412 Una revisión sistemática encontró que las personas con esquizofrenia con factores de riesgo cardiovascular, incluido el síndrome metabólico (13 estudios; n = 2800; tamaño del efecto 0,31, IC del 95% 0,13-0,50), diabetes (ocho estudios; n = 2976; 0,32, 0,23-0,42) e hipertensión (cinco estudios; n = 1899; 0,21, 0,11-0,31), tenían una cognición significativamente peor que las personas con esquizofrenia sin factores de riesgo de enfermedad cardiovascular.

413 Una mayor prevalencia de factores de riesgo conocidos de demencia a lo largo de la mediana edad, como la enfermedad cardiovascular, la hiperlipidemia, la obesidad, el tabaquismo y el aislamiento social, contribuye a un mayor deterioro cognitivo en la vejez.

414 Las personas con psicosis similar a la esquizofrenia de inicio muy tardío (es decir, a los >60 años) tienen un riesgo particularmente alto de desarrollar demencia, con un HR de 4,22 (IC del 95%: 4,05-4,41).

415 Aunque parte de este riesgo puede explicarse por un posible diagnóstico erróneo de los síntomas de la psicosis en la demencia como psicosis similar a la esquizofrenia de inicio muy tardío, las tasas de diagnóstico de demencia siguen siendo más altas en las personas con psicosis similar a la esquizofrenia de inicio muy tardío que en las personas sin la afección durante 20 años después del diagnóstico, y la psicosis similar a la esquizofrenia de inicio muy tardío podría representar un pródromo de demencia.En general, existe evidencia consistente de que las personas con esquizofrenia tienen tasas más altas y un inicio más temprano de demencia que otras, incluidas las personas con depresión o trastorno bipolar.

416 Las personas con esquizofrenia tienen una alta morbilidad cardiovascular, menos educación que sus contrapartes sanas y deterioro cognitivo relacionado con la esquizofrenia. Consideramos que no está claro si la esquizofrenia predispone independientemente a la demencia, más allá del hecho de que las personas con esquizofrenia suelen tener otros factores de riesgo. No se sabe si la intervención temprana puede modificar el deterioro cognitivo preexistente específico de la esquizofrenia. Pocos estudios han investigado el riesgo de demencia en personas con trastorno bipolar, pero los hallazgos han sido consistentes con respecto a un mayor riesgo. Recomendamos, de acuerdo con las directrices de la OMS:

417 para abordar el aumento del riesgo de desigualdades en la salud física de las personas con esquizofrenia y las personas con trastorno bipolar, y que también se preste mayor atención al tratamiento de los factores de riesgo de demencia modificables.

Ansiedad

A review of seven longitudinal studies identified no increased risk of dementia in people with anxiety disorders (RR 1·18, 95% CI 0·96–1·45), although individual studies had mixed findings and results were not adjusted for depression.

110 A subsequent study of 2551 adults aged 60–64 years who were followed up for 12 years reported no association of anxiety disorders themselves with cognition (after adjusting for depression) or with cognitive decline.

418 People with anxiety for whom psychological treatment was effective had a lower incidence of all-cause dementia after a median of 3·12 years (IQR 1·72–4·70; HR 0·83, 95% CI 0·78–0·88) than those for whom psychological treatment was not effective.

419 This result might suggest that people who have anxiety as part of preclinical dementia are less likely to find psychological treatment effective. A meta-analysis identified no association between anxiety symptoms and amyloid β (n=5141; 13 studies) or tau (n=1126; four studies) pathology in cognitively healthy adults.

420

Post-traumatic stress disorder

A systematic review of the associations between post-traumatic stress disorder and dementia identified three studies on this topic in the USA, Denmark, and Taiwan, with sample sizes ranging from 8750 to 489 994, and all studies observed an increased risk of dementia in people with post-traumatic stress disorder versus those without post-traumatic stress disorder in their 11–17 years of follow-up, ranging from an HR of 1·70 to 4·37.

110 The risk was more marked in people with comorbid depression than in people without depression, but the risk remained after adjustment for depression. An earlier systematic review and meta-analysis that included these studies and another five studies suggested that post-traumatic stress disorder is a risk factor for dementia, although there was considerable heterogeneity between the included studies (HR 1·61, 95% CI 1·43–1·81; I

2=85·8%).

421 Despite the increased dementia risk, a follow-up study over 5 years identified no increase in Alzheimer’s disease pathology in people with post-traumatic stress disorder and suggested that the increased dementia risk is from other causes.

422 There is only one meta-analysis, and evidence is too heterogenous to generalise and conclude at this stage that post-traumatic stress disorder is a modifiable risk factor for dementia.

Menopause and hormone replacement therapy

The role of menopause and hormone replacement therapy (HRT) was not discussed in the 2020 Lancet Commission, but it is possible that menopause and HRT might partly explain the higher prevalence of dementia in women than men due to the association between HRT and increased dementia risk.

423 Meta-analytic data found that woman with menopause occurring at age 45 years or older had a lower risk of dementia than those younger than 45 years when menopause occurred (RR 0·87, 95% CI 0·78–0·97; I

2=56·0%).

424Two nested case–control studies that used routinely collected primary care data from 16 291 women with dementia and 68 726 age-matched controls without dementia reported increased risks of developing Alzheimer’s disease in women who had used oestrogen–progestogen therapy for 5–9 years (RR 1·11, 95% CI 1·04–1·20) and for 10 years or more (1·19, 1·06–1·33) compared with women who did not use HRT.

425 In line with these findings, a study of 5589 Danish women who developed dementia and 55 890 age-matched controls aged 50–60 years found increased risk of all-cause dementia and Alzheimer’s disease in women who had used oestrogen–progestogen therapy compared with those who had never used this therapy (HR 1·24, 95% CI 1·17–1·33). Risk increased with more years of use, ranging from an HR of 1·21 (1·09–1·35) for use for 1 year or less to 1·74 (1·45–2·10) for use for more than 12 years.

426 Las personas que tomaban TRH tenían un mayor riesgo tanto si iniciaban el tratamiento a una edad más temprana (es decir, a los ≤55 años) como a edades mayores (es decir, a los >55 años). No se identificó el mismo riesgo para el tratamiento con progesterona sola o con estrógenos solos, y otro estudio mostró un menor riesgo de demencia por todas las causas entre las personas menores de 80 años que habían estado tomando tratamiento con estrógenos solo durante al menos 10 años que entre las mujeres no expuestas a la TRH (OR 0,85; IC del 95%: 0,76-0,94), pero no para las personas que habían tomado el tratamiento durante menos tiempo.

425Un metanálisis de 23 ECA heterogéneos, nueve de los cuales combinaron el uso de estrógenos y progesterona, informó que cualquier uso de TRH tuvo un efecto negativo pequeño pero significativo sobre la cognición global (diferencia de medias estandarizada -0,04; IC del 95%: -0,08 a -0,01; Yo

2=0,0%).

427 El análisis de subgrupos no mostró un efecto positivo en el uso a corto o largo plazo de la TRH en diferentes grupos de edad, pero un efecto más negativo si se inicia después de los 60 años. Un metanálisis adicional de ECA identificó pruebas de alta calidad de que las mujeres no deben tomar tratamiento con estrógenos solos después de la menopausia para prevenir la demencia y algunas pruebas de que este tratamiento aumentó el riesgo de demencia.

397

En general, no está claro si la menopausia y la TRH se relacionan causalmente con el riesgo de demencia. Existe cierta evidencia de que la terapia con estrógenos solos, la larga duración del tratamiento y la edad avanzada al inicio de la TRH podrían aumentar el riesgo de demencia.

Multimorbilidad y fragilidad

Las personas con multimorbilidad de enfermedades crónicas y graves tienen un mayor riesgo de demencia, especialmente si estas enfermedades comienzan en la mediana edad.

428

 

429 Se estima que hasta el 24% de las personas de 50 años o más tienen fragilidad, y la fragilidad es más común en las mujeres.

430 En un estudio longitudinal de 14 490 estadounidenses de 50 años o más (edad media de 72,2 años [DE 8,9]), una mayor fragilidad se asoció con una puntuación más baja en las pruebas neuropsicológicas

431 y un mayor riesgo de desarrollar deterioro cognitivo leve y demencia (HR para deterioro cognitivo leve de 1,66, 1,55-1,78 y HR para deterioro cognitivo leve a demencia de 1,14, 1,02-1,28 por aumento de 0,1 en el índice de fragilidad).

432 Un estudio adicional de 1,7 millones de adultos en Nueva Zelanda durante 30 años de seguimiento informó que la enfermedad física (definida como enfermedad coronaria, gota, enfermedad pulmonar obstructiva crónica, diabetes, cáncer, lesión cerebral traumática, accidente cerebrovascular o infarto de miocardio) se asoció con el riesgo de demencia (RR 1,19, IC 95% 1,16-1,21).

408 En un estudio del Biobanco del Reino Unido con 206 960 participantes, la multimorbilidad se asoció con un mayor riesgo de demencia incidente durante 15 años de seguimiento (media de 11,2 años [DE 2,2]) después de ajustar por edad, sexo, etnia, educación, nivel socioeconómico y estado de APOE ε4 (HR 1,63, IC del 95% 1,55-1,71).

429 El riesgo fue mayor en los individuos con grupos de enfermedad cardiovascular y cardiometabólica y en aquellos sin el gen APOE ε4. Los estudios de resultados, como la trayectoria danesa de la enfermedad,

433 Estudios finlandeses sobre la vivienda comunitaria,

434 y la Red de Mejora de la Salud en los registros de medicina general franceses y británicos,

434 El riesgo de demencia vinculado a una amplia gama de enfermedades, que podrían estar relacionadas con otros factores de riesgo, incluidas las secuelas de la enfermedad cerebrovascular, la osteoporosis, las infecciones graves y los trastornos mentales. La salud general, cuantificada por el grado de fragilidad, contribuye de forma independiente al riesgo de demencia en relación con la neuropatología,

435 Biomarcadores de la enfermedad de Alzheimer,

436 y puntuación de riesgo poligénico,

437 Por lo tanto, el riesgo de demencia transmitido por cada uno de estos factores es mayor en los individuos más frágiles.

Intervenciones y cuidados en la demencia

Diagnóstico

El camino hacia el diagnóstico

El diagnóstico oportuno de la demencia es una prioridad en muchos países, ya que el diagnóstico y la identificación de las causas subyacentes y los factores que contribuyen a ella son beneficiosos para permitir el tratamiento y la planificación.

438 Este diagnóstico es distinto del cribado y, como se establece en la Comisión Lancet de 2020, el único ensayo de cribado de la demencia se realizó en pacientes de atención primaria de EE. UU. de 65 años o más. Este ensayo no mostró efectos beneficiosos ni perjudiciales en la calidad de vida o en los síntomas de depresión y ansiedad al mes y en el uso de la atención médica, la planificación anticipada de la atención y el reconocimiento de la demencia por parte de los médicos a 1 año, por lo que no se recomiendan los exámenes de detección.

439Una revisión de las personas que buscaban un diagnóstico de 32 estudios en 13 países identificó que las personas con sospecha de demencia y los cuidadores familiares informaron múltiples barreras y facilitadores para el diagnóstico.

440 Las barreras incluyeron la negación, el estigma y el miedo, la falta de conocimiento, la normalización de los síntomas, el deseo de preservar la autonomía, la falta de necesidad percibida, la falta de conciencia de los cambios, la falta de apoyo de la red de familiares y amigos, las dificultades de los cuidadores, los problemas para acceder a la ayuda y la falta de preparación de los servicios para hacer un diagnóstico. Los facilitadores incluyeron el reconocimiento de los síntomas como un problema, el conocimiento y los contactos previos, y el apoyo de redes informales.

Equidad en el diagnóstico

Gran parte del trabajo sobre las vías hacia el diagnóstico proviene de los HIC. La identificación de la demencia como una afección médica ha sido un desafío en los países de ingresos bajos y medianos, donde, a pesar de la escasez de estudios, la atención médica carece de recursos suficientes y tiende a centrarse en las enfermedades infecciosas, con trastornos de salud mental a menudo estigmatizados y, por lo tanto, ocultos, y donde algunas personas aún desconocen la demencia.

441

 

442 Las personas en países de ingresos bajos y medianos tienen más probabilidades de acudir a los servicios en etapas tardías de la demencia que las personas en países de ingresos altos, tal vez debido a varios factores, incluido el buen apoyo en el hogar en los países de ingresos bajos y medianos y la falta de educación, concienciación, recursos, accesibilidad, estigma y creencias en materia de salud pública.

441

 

443 Además, muchos instrumentos de investigación, incluso cuando se denominan transculturales, se desarrollaron en los países de ingresos altos y no son adecuados para personas con bajos niveles de alfabetización o tienen un sesgo cultural.

444

 

445Incidencia de demencia

446

 

447

 

448 y prevalencia

36 es mayor en algunos grupos étnicos minoritarios que en los individuos blancos en países como Estados Unidos y el Reino Unido. En particular, la incidencia y la prevalencia son más altas en estos grupos cuando se miden mediante encuestas basadas en la población en lugar de mediante el uso de historias clínicas electrónicas, lo que indica un subregistro o una infrautilización de los servicios por parte de algunos grupos en los datos de rutina.

449 Las herramientas de detección cognitiva que se han desarrollado principalmente en poblaciones blancas de habla inglesa podrían ser inadecuadas en poblaciones más diversas porque se ven afectadas por la educación y los antecedentes culturales.

450 Por lo tanto, es fundamental que la evaluación cognitiva incluya la conciencia de la diversidad cultural dentro de las poblaciones en las que se utilizan, asegurando que las herramientas no dependan del nivel de alfabetización y educación, según corresponda.

451 Un posible indicador de calidad para la atención de la demencia es la proporción de personas con demencia que reciben un diagnóstico, pero el registro de un diagnóstico de demencia en el registro de atención médica de un individuo es menor para algunas etnias que para otras, por lo que es probable que cualquier suposición de una prevalencia similar en poblaciones minoritarias sea inexacta. Por lo tanto, es probable que estas medidas no sean adecuadas para determinar el acceso al diagnóstico.

Diagnóstico oportuno

There has been little evaluation of the relative clinical and cost-effectiveness of different models of service delivery,

452 resulting in a lack of clarity about what can be defined as good diagnostic services and care, and there is only indirect evidence that diagnosis of dementia is beneficial.

453The rationale for early or timely diagnosis is to sustain the wellbeing and health of people with dementia and their families by making care and treatment available. A diagnosis upholds an individual’s right to know about their illnesses.

438 Across three small studies identified in one review, a total of 92 (89%) of 103 people with a diagnosis of dementia said they wanted to know their diagnosis.

454 Another study reported that 998 (91%) of 1091 people who were diagnosed reported benefits in getting the diagnosis and 655 (60%) people wished they had known their diagnosis earlier.

455 These studies reported the views of people who had a diagnosis, although did not necessarily seek the diagnosis at an early stage. The views of people without a diagnosis were not represented in these studies.Diagnosis can provide psychological benefits and time to adjust. Diagnosis facilitates access to services, when they are available, that provide practical information, advice, guidance, and psychological and drug treatments. These services can support people’s ability to manage their condition, plan for the future, and make decisions about care, support, and financial and legal affairs while they have capacity.

456 Potential economic benefits from reducing health and social care costs by preventing unnecessary admissions to hospitals and care homes have been modelled.

457

 

458

 

459There are theoretical harms of a diagnosis of dementia;

456

 

460 for example, early diagnosis might be associated with increased risks of depression, anxiety, or social withdrawal, particularly if post-diagnostic interventions and care are unavailable. Evidence from a US national cohort study showed a decreased risk of suicide in people with a diagnosis of dementia (n=63 255) or MCI (n=21 085) compared with propensity matched patients (HR 0·71, 95% CI 0·53–0·94) but an increase in short-term suicide attempts (ie, in those diagnosed any time in the 5 years before the study) after people were informed they had MCI (1·34, 1·09–1·65) or dementia (1·23, 1·05–1·44).

461 There was no long-term increase in suicide attempts.Mobile and wearable devices hold promise for detection and diagnosis of neurodegenerative disease because their routine use in the general population is widespread and increasing and they can contain multiple sensors to study physical changes and cognitive abilities.

462 Nonetheless, a review of 20 mobile apps

463 reported that none met the criteria for use as a screening tool. Another review of 275 apps

464 suggested that those with artificial intelligence capabilities and use of machine learning had potential for detection and monitoring and should be further evaluated. There will be challenges in the existing data that inform such artificial intelligence, particularly from the lack of representation of diversity.

The balance of evidence and ethical principles finds that people should have access to timely and accurate diagnosis with appropriate interventions when they are seeking help, but the evidence does not justify screening the whole population for dementia.

Biomarkers in Alzheimer’s disease

Research on biomarkers for Alzheimer’s disease pathology has progressed since the 2020 Lancet Commission. Biomarkers that measure amyloid β, tau, and neurodegeneration are now incorporated into some definitions of Alzheimer’s disease pathology (ie, the amyloid–tau–neurodegeneration or A–T–N approach).

465

 

466 The presence of these biomarkers does not mean that someone has dementia; however, the absence of these biomarkers indicates the likely absence of Alzheimer’s disease pathology (but does not exclude other causes of dementia).

467

Neuroimaging

CT can show vascular changes, atrophy, and other reasons for neurodegeneration and is cheaper and more accessible than MRI, although its precision is lower. Although several types of MRI exist, the simplest is structural MRI (for cerebral atrophy, primarily in the hippocampus, entorhinal cortex, and medial temporal lobe).Advanced MRI sequences, including diffusion tensor imaging, arterial spin labelling, and susceptibility-weighted imaging, are needed to improve detection of brain microhaemorrhage and oedema that can occur with amyloid antibody treatment. Magnetic resonance spectroscopy, functional MRI, and PET (ie, in-vivo measurement of disease pathology by use of ligands) are emerging and useful metabolic and functional biomarkers. The limitations of these advanced imaging techniques include cost, patient consent and suitability, and expertise required to perform the procedures and interpret the results, although automated assessment performs nearly as well.

468 Amyloid-PET and tau-PET correlate with post-mortem amyloid plaques and neurofibrillary tangles.

CSF biomarkers

A low CSF Aβ42-to-Aβ40 ratio alone or combined with high phosphorylated tau (p-tau) is correlated with amyloid plaques and Alzheimer’s disease pathology. These CSF biomarkers can be used to evaluate underlying Alzheimer’s disease pathology as a possible cause of dementia or cognitive impairment and, in asymptomatic populations, to identify people at high risk of developing clinical Alzheimer’s disease for inclusion in clinical trial populations,

469

 

470 but there are important considerations in the interpretation of the biomarker changes. Interpretation depends on the clinical details and the age of the individual, because coincidental amyloid pathology is common at older ages. This interpretation issue applies to amyloid PET as well as CSF and plasma biomarkers. Overall biomarker interpretation depends on the clinical context.Biochemical changes in the brain are reflected in the CSF because of its contact with the extracellular space in the brain. These biomarkers are essentially proteins (ie, total tau, phosphorylated tau, Aβ42 and Aβ40, NF-L, and neurogranin) that have been validated against imaging methods. The advantage of CSF biomarkers, including NF-L, plasma tau phosphorylated at Thr181 (p-tau181), and GFAP (an astrocytic marker that appears to change around the time of amyloid accumulation

471), is their ability to detect early phases of disease. Biomarker changes 9–18 years earlier are associated with subsequent cognitive decline and diagnosis of dementia.

472

 

473

 

474 The disadvantages of these biomarkers are lack of infrastructure in many systems, the need for specialised health-care services, and concern around invasiveness.CSF-based protein aggregation and amplification assays, such as real-time quaking-induced conversion, are well established in the clinical diagnosis of Creutzfeldt–Jakob disease.

475 A similar approach has been developed for Lewy body dementia, and assays to detect neuronal α-synuclein in CSF show great promise.

476

 

477 A meta-analysis showed pooled sensitivities of 0·88 and specificities of 0·95 in distinguishing people with synucleinopathies from healthy controls and people with other types of dementia.

478 As with Alzheimer’s disease, biomarker results for Lewy body pathology become positive before symptoms of clinical dementia or parkinsonism develop and so might not be the cause of cognitive symptoms, especially in older adults. Further work is needed to clarify the position of neuronal α-synuclein assays in clinical practice, but they are likely to have a large role in the future. As with other assays, data from ethnically diverse cohorts are scarce.

Blood-based biomarkers

Since the 2020 Lancet Commission, research has progressed into the validity of blood-based biomarkers for the specific diagnosis of Alzheimer’s disease in individuals with dementia. CSF or PET markers might be replaced by blood-based biomarkers in determining eligibility for clinical trials and cohort studies in the future and for staging the extent of pathology related to Alzheimer’s disease, although further evidence of validity in each specific population of people with dementia is needed. Blood biomarkers might be useful in future to identify people with dementia who do not need more invasive or expensive investigation, either because of very low or very high probability of having Alzheimer’s disease.

479 The Aβ42-to-Aβ40 ratio in plasma detected with a high-precision assay has a strong correlation with amyloid-PET positivity.

480

 

481 Plasma p-tau181, tau phosphorylated at Thr217 (p-tau217), and tau phosphorylated at Thr231 (p-tau231) might have as good or better accuracy than CSF amyloid β, p-tau, and total tau at predicting a positive amyloid PET and hence Alzheimer pathology.

482

 

483

 

484 Los biomarcadores basados en la sangre ofrecen bajo costo, escalabilidad y aceptabilidad, superando varias limitaciones de los biomarcadores PET y los biomarcadores de LCR con una menor carga para el paciente y el médico a través de la recolección de muestras locales y el posible procesamiento central de control de calidad, lo que aumenta el acceso a un diagnóstico específico de patología de la enfermedad de Alzheimer.

Significado de los marcadores predictivos

Múltiples neuropatologías son comunes en las poblaciones de mayor edad y más frecuentes que la patología de la enfermedad de Alzheimer sola (figura 1).

20 La prevalencia de la placa β amiloide está relacionada con la edad (es decir, >20% a partir de los 70 años; >30% a los 80 años),

485 Lo que significa que un resultado positivo de amiloide β biomarcador debe interpretarse con cautela en personas mayores: refleja la patología de la placa β amiloide, pero podría no ser la causa del deterioro. No obstante, si un individuo es negativo para los biomarcadores de β amiloide (es decir, negativo para las placas en la PET o tiene una alta proporción de Aβ42 a Aβ40 en LCR), es poco probable que se diagnostique la enfermedad de Alzheimer, independientemente de la edad. Debido a que la acumulación de amiloide β placa ocurre muchos años antes del inicio de la neurodegeneración o los síntomas cognitivos, se demostró que un resultado positivo de amiloide β biomarcador por sí solo era solo un predictor modesto de deterioro cognitivo futuro en comparación con una TEP de amiloide negativa durante 6 años de seguimiento (HR para desarrollar demencia en participantes con un resultado positivo de β de amiloide pero negativo del biomarcador de tau vs aquellos con resultados negativos de β amiloide y biomarcadores de tau fue de 1,6, IC del 95%: 0,5-5,4).

486Como se discutió en la Comisión Lancet 2020, la mayoría de las personas cognitivamente sanas que son β positivas para el amiloide, ya sea en las imágenes cerebrales o en el líquido cefalorraquídeo, no desarrollan la enfermedad de Alzheimer en los próximos 10 años, ni durante su vida. En una muestra de voluntarios estadounidenses de 1524 participantes (698 mujeres), la prevalencia de positividad para el β amiloide fue del 10% (IC del 95%: 6-14) entre las mujeres a los 70 años, mientras que la prevalencia de la probable enfermedad de Alzheimer definida clínicamente fue del 1% (1-1).

487 A los 85 años, la prevalencia de positividad para el β amiloide era del 33% (24-41), mientras que la prevalencia de la enfermedad de Alzheimer probable clínicamente definida fue del 9% (9-12), con cifras similares para los hombres. En un estudio de cohorte de autopsias basado en la comunidad de marcadores de β amiloide, tauopatía y neurodegeneración, se informó que solo el 8 % de 398 participantes con marcadores de β y tauopatía (pero sin neurodegeneración) en comparación con el 68 % de los participantes con marcadores de β amiloide, tauopatía y neurodegeneración tuvieron demencia incidente en los últimos 5 años de vida.

488La captación de Tau-PET ocurre en una etapa y edad más tardías que la captación de PET de amiloide y se asocia más estrechamente con la disfunción cognitiva que la PET de amiloide.

489

 

490 Los biomarcadores de neurodegeneración, como la atrofia del hipocampo, el adelgazamiento de la corteza medial, la baja absorción de glucosa en fluorodesoxiglucosa (FDG)-PET o el aumento de la NF-L del LCR (es decir, un marcador no específico de neurodegeneración), están más estrechamente asociados temporalmente con el deterioro cognitivo que los biomarcadores de β amiloide y tau en LCR.

491 Las personas sin deterioro cognitivo que tienen β amiloide y tau en el lóbulo temporal medial o el neocórtex temporal tienen más probabilidades de deteriorarse cognitivamente en comparación con las personas que no tienen ninguno de los dos, y a lo largo de 6 años, el riesgo en los individuos que son tau positivos en el neocórtex temporal podría acercarse al 50%, pero las muestras son pequeñas y las estimaciones imprecisas.

486 Otros biomarcadores y avances en proteómica y metabolómica podrían descubrir nuevas dianas farmacológicas.

492

 

493

 

494Desde el punto de vista clínico, es posible que los biomarcadores basados en la sangre no agreguen valor a la predicción de si las personas desarrollarán demencia de Alzheimer (es decir, enfermedad de Alzheimer más deterioro cognitivo sustancial). Una combinación de múltiples biomarcadores sanguíneos e información demográfica, como la edad y el sexo, podría permitir calcular el riesgo individualizado de desarrollar la enfermedad de Alzheimer, como se ha hecho en una población con deterioro cognitivo leve.

495Además, la mayoría de las investigaciones se han realizado casi exclusivamente en poblaciones blancas, y una revisión sistemática identificó cinco estudios, de los cuales ninguno se realizó en participantes africanos negros, pero algunos en participantes afroamericanos.

496 Los participantes del estudio suelen ser más jóvenes que la mayoría de las personas con demencia. Pequeños estudios en afroamericanos informan concentraciones más bajas de p-tau tanto en individuos cognitivamente sanos como en personas con demencia que en estadounidenses blancos, por lo que la generalización de los biomarcadores de las poblaciones blancas no está clara. Una revisión posterior identificó siete estudios y nuevamente informó concentraciones más bajas de tau en las personas negras con demencia que en las personas blancas con demencia, pero ninguno de los estudios identificó una mayor carga vascular como explicación.

497 Los autores de la revisión sugirieron que las diferencias en los determinantes sociales de la salud entre las muestras blancas y negras podrían ser una explicación. El hecho de que esta diferencia se deba a los determinantes sociales es coherente con un estudio de una muestra comunitaria de adultos afroamericanos y blancos no hispanos que no identificó ninguna asociación independiente de biomarcadores plasmáticos para la enfermedad de Alzheimer en función de la raza autoinformada, con la edad, el sexo, la enfermedad renal crónica y los factores de riesgo vascular que contribuyen a la variación observada.

498

Selección de pacientes en ensayos de enfermedad de Alzheimer: biomarcadores y pruebas genéticas

Otro avance desde la Comisión Lancet de 2020 ha sido el uso de la PET de amiloide como criterio de elegibilidad y como resultado clínico sustituto para los ensayos clínicos de terapias con anticuerpos β antiamiloides para participantes con enfermedad de Alzheimer temprana. Los ensayos de fase 2 y fase 3 de anticuerpos monoclonales (es decir, aducanumab, lecanemab, donanemab y gantenerumab) que se dirigen a placas de β amiloide, fibrillas, protofibrillas solubles y especies de β de amiloide oligomérico requirieron evidencia de patología de placa amiloide para la inscripción en el ensayo, principalmente de PET de amiloide.

499

 

500

 

501

 

502 Los ensayos de fase 3 de lecanemab y donanemab mostraron una eficacia modesta para ralentizar el deterioro cognitivo en la enfermedad de Alzheimer temprana (tanto para el deterioro cognitivo leve como para la demencia). El ensayo de fase 3 de donanemab requirió que las personas con enfermedad de Alzheimer temprana tuvieran PET de amiloide y PET tau-PET positivos, lo que permitió que los participantes se dividieran en grupos de carga de tau positiva baja e intermedia o alta.

503 Tanto en el ensayo de lecanemab como en el de donanemab se utilizó la PET de amiloide para evaluar la disminución del β de amiloide y se observó una eliminación marcada del amiloide en un plazo de 18 meses.

499

 

501 Además, lograr un nivel bajo de unión a PET amiloide fue un criterio de interrupción en el ensayo de donanemab. En el futuro, los biomarcadores sanguíneos podrían utilizarse para evaluar si se debe realizar una PET y, por lo tanto, reducir el costo de dichos ensayos.

504

 

505El conocimiento sobre las pruebas genéticas en la demencia ha avanzado rápidamente, pero las pruebas genéticas no se usan ampliamente porque la mayoría de las demencias no son causadas por genes autosómicos dominantes. Una prueba genética positiva para uno de los alelos que conduce a la enfermedad de Alzheimer rara, autosómica dominante y de inicio temprano aumenta la precisión del diagnóstico, ayuda a los miembros de la familia a establecer el riesgo personal, podría informar las decisiones reproductivas y puede ayudar en los ensayos clínicos. Una proporción relativamente mayor (hasta un tercio en algunas estimaciones) de todas las demencias frontotemporales se deben a una mutación genética autosómica dominante, y las pruebas en el entorno clínico adecuado podrían ser importantes.

506Although it is well established that APOE genotype substantially affects Alzheimer’s disease risk,

507 genetic testing for the APOE ε4 allele is not used diagnostically, and many people with Alzheimer’s disease do not carry the ε4 allele. APOE alleles contribute to the heterogeneity of the Alzheimer’s disease course. A post-mortem study (n=1109) reported a 10% faster rate of cognitive decline yearly in APOE ε4 carriers (−3·45 vs −3·03 MMSE points per year) and a 20% lower rate of decline in ε2 carriers (−2·43 vs −3·03 MMSE points per year) compared with APOEε3/ε3 carriers.

508

Summary of biomarkers now and in the future

Biomarkers identify a particular pathology, not a clinical syndrome, and a biomarker is not a diagnostic test for dementia. Amyloid-PET and CSF amyloid and tau assays are approved by the US Food and Drug Administration (FDA) for marketing and reimbursement as Alzheimer’s disease diagnostic aids to help to establish the presence of amyloid plaques and Alzheimer’s disease pathology.Existen claras implicaciones éticas si las pruebas de biomarcadores se utilizan en personas sin deterioro cognitivo como marcadores de personas con enfermedad de Alzheimer (asintomática), ya que las pruebas tienen el potencial de aumentar las tasas medidas de la enfermedad de Alzheimer sin que haya ningún aumento en el número de personas con deterioro cognitivo o demencia, y podrían identificar erróneamente a las personas que no desarrollarán demencia y podrían causar daño potencialmente. En la actualidad, los biomarcadores por sí solos no deben utilizarse para el diagnóstico y para determinar el tratamiento, ya que la mayoría de las personas con un biomarcador β amiloide positivo por sí solos nunca desarrollarán demencia. La esperanza declarada es que si se desarrollan terapias presintomáticas eficaces y seguras y luego se vuelven accesibles, los biomarcadores rentables para la enfermedad de Alzheimer u otras demencias pueden ser importantes para predecir qué individuos tienen probabilidades de progresar a la enfermedad y cuándo, o como criterios de valoración sustitutos para la eficacia y para aumentar la equidad (figura 10).

505

Miniatura de la figura gr10
Figura 10Visión del uso futuro de biomarcadores para la demencia en ensayos clínicosMostrar pie de foto completoVer en grande ImagenVisor de figurasDescargar Hi-res imagenDescargar (PPT)

Intervenciones una vez realizado el diagnóstico

Principios de intervención en personas con demencia

La demencia es progresiva y las personas que viven con demencia requieren una reevaluación y el uso de enfoques personalizados para abordar sus necesidades de atención cambiantes a lo largo del tiempo. Estas necesidades pueden ser complejas e incluyen multimorbilidad física; síntomas psicológicos, conductuales y cognitivos; y los posibles riesgos derivados de estos síntomas.Las personas con demencia son individuos cuyas necesidades de apoyo e intervención están influenciadas por su propio curso de vida, familia, amistad, cultura y entorno, así como por los cambios en los síntomas cognitivos, neuropsiquiátricos, funcionales y físicos, como discutimos en la Comisión Lancet 2020.

2 A pesar de la disponibilidad de prácticas basadas en la evidencia, la demencia sigue estando poco detectada y las necesidades de muchas personas y cuidadores familiares no se evalúan ni se satisfacen.

3Las mejores prácticas publicadas para la atención de la demencia a nivel mundial incluyen el manejo de afecciones médicas, como la presión arterial alta, la diabetes y la enfermedad pulmonar obstructiva crónica; prevenir y tratar las infecciones y el delirio; adaptaciones ambientales para la seguridad, la prevención de caídas y el mantenimiento de la función; el manejo de la medicación, incluida la simplificación y la reducción de los medicamentos diarios, por ejemplo, reducir o suspender los tratamientos antihipertensivos si la presión arterial está disminuyendo; tratamiento de los síntomas a través de intervenciones conductuales; Uso de servicios sociales y de apoyo, incluida la asistencia con las actividades de la vida diaria, la actividad física, las actividades significativas, la participación social, la nutrición e hidratación saludables, y la atención de las necesidades de los cuidadores familiares.

2

 

3

 

10La mayoría de las intervenciones para la demencia se desarrollan en los países de ingresos altos. Las intervenciones deben diseñarse conjuntamente con las comunidades locales para garantizar que sean adecuadas al contexto, la cultura, las creencias y las prácticas, que varían dentro de los países y entre ellos.

509 En los países de ingresos bajos y medianos, la demencia a menudo no se reconoce ni se diagnostica y, cuando se produce, las personas que viven con demencia a menudo se enfrentan a recursos insuficientes para el tratamiento y la atención, incluido el tratamiento de otras enfermedades y el apoyo a las familias.

510 La idoneidad del uso de intervenciones basadas en la evidencia en los países de ingresos bajos y medianos puede ser incierta, no solo debido a la escasez de infraestructura de atención de salud y recursos para realizarlas, sino también debido a las diferencias culturales que podrían hacerlas inapropiadas o menos eficaces que en los países de ingresos altos.La eficacia de las intervenciones desarrolladas en un entorno variará con la aceptabilidad y la viabilidad en diferentes poblaciones y, por lo tanto, aunque los principios básicos deben seguir siendo los mismos en diferentes países, las intervenciones deben adaptarse al idioma y la cultura.

511

 

512 La adaptación cultural es importante para las intervenciones psicosociales en diversas afecciones de salud mental, y los metanálisis han demostrado que dichas intervenciones son más eficaces que las intervenciones no adaptadas culturalmente.

513

 

514

 

515En una revisión sistemática en la que se analizaron intervenciones adaptadas culturalmente para las personas que viven con demencia y los cuidadores familiares, se identificó que las intervenciones adaptadas culturalmente eran tan aceptables, factibles y eficaces cuando se utilizaban en los países de ingresos bajos y medianos como en su contexto original, siempre y cuando los componentes básicos no se vieran comprometidos en el proceso de adaptación.

511 La adaptación implica tener en cuenta las culturas, las necesidades y los recursos locales e identificar las barreras y los facilitadores para la implementación de la intervención. Las opiniones difieren en cuanto a si es necesario realizar un ECA completo en un nuevo entorno cuando ya se ha informado que una intervención es efectiva porque la heterogeneidad biológica, étnica, cultural y socioeconómica podría influir en la respuesta al tratamiento y la seguridad.

511

 

516 Después de la adaptación cultural, las intervenciones deben ser probadas y sus componentes evaluados en el contexto local para establecer su aceptabilidad y factibilidad y para ayudar a definir y refinar las características de la intervención. Es importante incluir a las partes interesadas clave en el proceso de adaptación e informar sobre los procesos y resultados considerados.

511 Otras consideraciones importantes son la idoneidad cultural de las medidas de resultados, muchas de las cuales se desarrollan en los países de ingresos altos, y la escalabilidad de la intervención.Los modelos de atención multicomponente de la demencia con coordinación de la atención centrada en la persona tienen como objetivo orientar la evaluación del riesgo y la necesidad de la persona que vive con demencia y del cuidador familiar utilizando enfoques basados en la evidencia. Un metanálisis encontró que la coordinación de las intervenciones mejoró los síntomas neuropsiquiátricos (diferencia de medias –9,5; IC del 95%: –18,1 a –1,0; cuatro estudios) y la carga del cuidador (diferencia de medias estandarizada: -0,54; IC del 95%: -1,01 a -0,07; p = 0,02; cinco estudios) con heterogeneidad en el resultado.

517 Los estudios individuales sobre la coordinación de la atención han demostrado una reducción de la admisión en residencias y de la rentabilidad desde una perspectiva social e individual.

518 pero el metanálisis de los ECA de coordinación de la atención no mostró una reducción significativa en el ingreso en el hogar de ancianos o la hospitalización.

517 Los modelos que incluyen una asociación entre la atención primaria y la especializada podrían reducir los costos de la atención médica.

519Although there are often positive aspects of being a family carer, caring for a family member with a deteriorating illness, such as dementia, is usually increasingly difficult. The difficulty can vary across the course of dementia, with greater anxiety and depression for some near the onset of disease than later in the disease course. A meta-analysis (43 studies; 19 911 participants) reported a pooled prevalence of depression in family carers of 31·2% (95% CI 27·7–35·2).

520 Evidence exists that some multicomponent carer interventions are effective in the short and long term, and these interventions usually include information about medical and community-based resources, skills training, stress reduction and coping techniques, emotional support, and future planning.

2

 

521

 

522

 

523

 

524

 

525 These interventions reduce the prevalence of family carer depression, burden, and stress and are cost-effective and cost saving. Evidence suggests that the interventions are effective in HICs, but little evidence exists in LMICs.

526 Interventions can be culturally adapted and delivered by trained facilitators without clinical qualifications. The Strategies for Relatives intervention, which was developed in and was clinically and cost effective in the UK, has been adapted for use to widen access by making it culturally appropriate for Black and south Asian carers and was successfully delivered in voluntary settings.

527

 

528 In another study in the USA, an intervention delivered by daycare staff reduced carer depression at 1 year.

529 A Cochrane review of RCTs on remote delivery of interventions including information and support for family carers identified 26 studies and reported that these interventions were no more effective than usual care.

530 A meta-analysis of internet-based psychoeducation for carers showed a small effect on depressive symptoms (standardised mean −0·19, 95% CI −0·03 to 0·35) but not on anxiety, burden, and quality of life.

531

Interventions for cognitive symptoms

Symptomatic treatment: cholinesterase inhibitors and memantine

In the previous Lancet Commissions, we discussed cholinesterase inhibitors and memantine, which are the available drugs for the treatment of cognitive symptoms in people with Alzheimer’s disease and Lewy body dementia. Although the drugs were initially evaluated for people with mild-to-moderate Alzheimer’s disease, meta-analyses of RCTs indicate that these drugs are also associated with a reduction in symptom severity (standardised mean difference 0·37, 95% CI 0·26–0·48; four studies), improvement in cognition (mean difference 0·78, 95% CI 0·33–1·23; three studies), improvement in activities of daily living (standardised mean difference 0·15, 95% CI 0·04–0·26; five studies), and decrease in mortality (RR 0·60, 95% CI 0·40–0·89; six studies) in people with severe dementia compared with placebo.

532Since the previous Commissions, longer-term, real-world studies have been published. One study of a register of all incident Alzheimer’s dementia diagnoses in Sweden showed that 11 652 individuals who took cholinesterase inhibitors performed slightly and persistently better on the MMSE, with an average of 5 years of follow-up, than did 5826 propensity-matched individuals who did not take cholinesterase inhibitors (0·13-point [95% CI 0·06–0·20] higher score per year), with a dose–response effect.

533 A similar, propensity-matched, longer-term study reported larger differences between people who did and did not take cholinesterase inhibitors: in 1572 individuals with dementia, the average decrease in MMSE score in people taking cholinesterase inhibitors was 5·4 points compared with 10·8 points in those not taking cholinesterase inhibitors at the end of 13·6 years of follow-up (p<0·001).

534 There was a strong association between cholinesterase inhibitors and lower all-cause mortality (HR 0·59, 95% CI 0·53–0·66). Additionally, in a study of 592 patients with dementia with Lewy bodies, the 100 participants who took cholinesterase inhibitors (0·67, 0·48–0·93) and 273 participants who took cholinesterase inhibitors and memantine (0·64, 0·50–0·83) had significantly lower risk of death than 219 participants who did not take cholinesterase inhibitors or memantine, after controlling for sociodemographic factors, physical and cognitive health, and medication use. People taking cholinesterase inhibitors or both cholinesterase inhibitors and memantine also spent significantly less unplanned time in hospital for physical disorders than people who took neither drug.

These studies are observational, not RCTs, and might reflect residual confounding based on willingness to initiate treatment, so people taking cholinesterase inhibitors might have unmeasured factors that would lead to better outcomes than for people who are unable or unwilling to initiate treatment. Trials show that cholinesterase inhibitors do not cure or stop cognitive decline but have short-term, modest positive effects and that stopping this treatment is associated with worse outcomes in the long term. Clinicians can offer these relatively affordable (compared with other drugs for dementia, and compared with requiring more care), readily available medications (in HICs but not LMICs) with few side-effects for people with Alzheimer’s disease and Lewy body dementia.

Amyloid-β-targeting antibodies for Alzheimer’s disease

Since the 2020 Lancet Commission, there have been positive trials of three anti-amyloid-β monoclonal antibodies for treatment of MCI due to Alzheimer’s disease and mild Alzheimer’s disease dementia in people with positive amyloid β biomarkers as well as three negative trials. In two conflicting, identically designed, phase 3 trials (ENGAGE and EMERGE), aducanumab was associated with a decline of 0·39 points (95% CI 0·09–0·69) compared with placebo on the Clinical Dementia Rating Scale-Sum of Boxes (CDR-SB; out of a total possible score of 18) at 18 months in one study, and a non-significant outcome favouring placebo in the other trial.

500 The CLARITY-AD trial of lecanemab was associated with a difference in CDR-SB points of 0·45 (0·23–0·67) compared with placebo after 18 months of treatment and less decline in secondary cognitive, activities of daily living, and compositive outcomes.

499 Presence of APOE ε4 is an important predictor of amyloid-related imaging abnormalities (ARIA), seen as MRI signal abnormalities. Effusion or oedema (also known as vasogenic odema) ARIA (ARIA-E) and cerebral microhaemorrhage ARIA (ARIA-H) are often present with treatment with anti-amyloid β antibodies. Participants who were treated with lecanemab and were APOE ε4 homozygous had a 33% (46 of 141 participants) incidence of ARIA-E compared with an 12% (58 of 479 participants) incidence in participants who were APOE ε4 heterozygous and 5% (15 of 274 participants) incidence in participants who were not APOE ε4 carriers.

499 Thus, the boxed warning for lecanemab recommends APOE genotyping and patient counselling before treatment.

535 Figures were similar with donanemab: 41% (58 of 143 participants) incidence of ARIA-E in participants who were APOE ε4 homozygous, 23% (103 of 452 participants) incidence for people who were heterozygous, and 16% (40 of 255 participants) incidence for people who were not carriers.

501People in the TRAILBLAZER-ALZ 2 trial who were taking donanemab had a smaller decline than the placebo group on the integrated Alzheimer Disease Rating Scale (cognition and functioning). The decline was −10·19 (95% CI −11·22 to −9·16) in the drug group and −13·11 (−14·10 to −12·13) in the placebo group after 18 months of treatment, and the intervention group had less decline in secondary cognitive, activities of daily living, and composite outcomes.

501 Since these studies were published, two new studies of the subcutaneously administered antibody gantenerumab with 2-year follow-up have shown similar biomarker clearance, with reduction in amyloid plaques but no significant effect on CDR-SB points (–0·31 and –0·19).

502

 

536 The difference between the drug group and placebo group was of similar size in some domains to the more positive trials but did not reach statistical significance.

536 Similarly, a trial of solanezumab,

537 did not slow cognitive decline in people with preclinical Alzheimer’s disease or affect amyloid plaque concentration but did influence CDR-SB, in line with the other studies (–0·34).

536Biogen, the manufacturer of aducanumab, has subsequently announced that they are withdrawing the drug from the market and that the phase 4 trial will be stopped. The FDA approved lecanemab in July, 2023.

499 The approvals were based partly on the reasonable expectation that a reduction in amyloid-PET load, or plaques, was likely to predict clinical benefit, although correlations between reduction in plaques and change on clinical ratings scales are positive but weak. These antibodies have not been tested in people with moderate or severe dementia, with the lowest participant MMSE score at 22 for lecanemab and 20 for donanemab.The clinical importance of these differences in cognitive outcomes at the end of trials is controversial.

538

 

539

 

540

 

541 There is excitement about positive results, which have been hoped for over the years, but no consensus exists about whether these treatments are a huge advance or not or whether the observed benefits need to be balanced with the known burden, risks, and costs.

542

Clinical implications and generalisability of amyloid-β-targeting drugs for cognitive symptoms

The modest effectiveness of these drugs is an important advance. In those that are effective, whether clinical benefits with treatment beyond 18 months will increase, remain steady, or reduce is unknown. Future results from open-label extensions of trials might help to answer these questions, but there will be many dropouts and morbidity and mortality from other diseases. The small effect of antibody treatment makes it difficult to discount the potential of unmasking due to adverse effects, such as ARIA-E and ARIA-H and decreased brain volume on MRI.

499

 

500

 

543The stringent eligibility criteria for clinical trials of drugs for Alzheimer’s disease often makes the study population’s health better than that of the general Alzheimer’s disease population,

544 and historically excluded racial and ethnic backgrounds are under-represented, although there were higher numbers of people from minoritised groups in the lecanemab trial than in other published immunotherapy trials. Only 237 (27%) of 869 participants in a community-recruited study using data from the Mayo Clinic Study of Aging had a positive amyloid-PET scan and met the criteria for MCI or mild dementia.

546 Of these people, only 19 (8%) would have met the lecanemab trial eligibility criteria, although drug trials by their nature have very constrained inclusion criteria.A meta-analysis of 101 drug trials for Alzheimer’s disease reported that a median of 94·7% (IQR 81·0–96·7) of participants in 46 trials with data were White and most trials excluded people with psychiatric illness (79 [78%] of 101 trials), cerebrovascular disease (68 [67%] trials), and cardiovascular disease (72 [71%] trials) and required a family carer to attend infusions (81 [80%] trials).

546 It is difficult to generalise findings to most people with Alzheimer’s disease who have high levels of multimorbidity and mixed neuropathology and to those who live in countries where health-care systems could not support this level of intervention.So far, the only marketing authorisation outside the USA has been for lecanemab in Japan and China, although other authorities are making decisions. Lecanemab is nominally priced at US$26 500 per patient per year.

547 The price that Medicare, the US Veterans Administration, and private insurers will pay is unknown. Additionally, costs are associated with the many physician visits, biweekly infusions, laboratory tests, MRIs, PET scans, and management of side-effects. Medicare patients are typically required to co-pay up to 20% of these costs. The US Institute for Clinical and Economic Review reported that the cost-effective annual pricing was lower than that charged for lecanemab, falling between $8900 and $21 500.

548 Donanemab infusions are less time consuming, given less frequently (ie, monthly), and less costly overall than lecanemab infusions because donanemab infusions are discontinued when amyloid is removed and so around 60% of people require treatment for only 1 year.

501Based on the US pricing, if lecanemab was available in the 27 EU countries for people qualifying for the drug, then treatment costs are estimated at €133 billion per year, equivalent to over half of the total pharmaceutical expenditures in the EU

549 before treatment-related costs are considered. However, historically the EU and the UK have paid less than the US list price for new and expensive medications.Finding amyloid-β-targeting treatments that influence cognition is an important milestone and might be the beginning of the development of impactful drugs for cognition (panel).

550 Currently, the effects of all drugs are small.

536 Los recursos necesarios para apoyar el diagnóstico precoz basado en biomarcadores, la supervisión de la administración y la seguridad, y la compra de los medicamentos significarán que el despliegue en muchos sistemas de salud será lento o inexistente en algunos. Si se aprueban tratamientos dirigidos a la β amiloide para un grupo menos restrictivo que el utilizado para los ensayos originales, como las personas con enfermedad temprana o multimorbilidad, se recomienda que se utilicen en centros de investigación para investigar tanto los efectos adversos para los pacientes típicos como si los efectos a largo plazo apoyan la modificación de la enfermedad o no. Las terapias subcutáneas, como se ha comentado anteriormente, continúan siendo probadas y reducirían sustancialmente la carga y aumentarían el acceso.

Tablero

Resumen de las controversias en torno a los anticuerpos dirigidos al amiloide β

Eficacia

El beneficio cognitivo es modesto. No está claro si el beneficio es clínicamente significativo o cuál es la duración del efecto.

Dificultades en la aplicación

Se necesitan infusiones mensuales o quincenales, lo que requiere muchas visitas a un centro de infusión durante un período de tratamiento típico de 18 meses. Se necesitan resonancias magnéticas frecuentes para la vigilancia de la seguridad. Es posible que sea necesaria una reestructuración sustancial de la infraestructura de atención de la salud existente para las visitas al médico, las infusiones, las pruebas de laboratorio, las resonancias magnéticas y las tomografías por emisión de positrones, así como para el tratamiento de los efectos adversos. La infraestructura que podría soportar este nivel de intervención es insuficiente en muchos sistemas de atención de la salud.

Costos

El precio nominal de lecanemab es de 26 500 dólares EE.UU. por paciente y año, sin incluir los costes asociados de la cribado, la administración y el seguimiento de la elegibilidad. Históricamente, la UE y el Reino Unido pagan menos que el precio de lista de Estados Unidos por medicamentos nuevos y caros.

Seguimiento y efectos secundarios

Se requiere un seguimiento clínico y radiológico regular del edema y la hemorragia, que puede ocurrir en el 20% de los pacientes tratados con lecanemab y casi el doble que en los pacientes tratados con donanemab.

Exclusiones

La mayoría de los pacientes comunitarios existentes no cumplirían con los criterios de elegibilidad del ensayo. Por lo tanto, es difícil generalizar los hallazgos a la mayoría de las personas con enfermedad de Alzheimer que son racial y étnicamente diversas y tienen altos niveles de multimorbilidad y neuropatología mixta.

Intervenciones cognitivas para personas con demencia

Anteriormente informamos que la literatura sugería que las personas que completaron las intervenciones cognitivas tuvieron mejoras en las habilidades cognitivas generales y específicas, como la fluidez verbal, que duró de unos pocos meses a 1 año.

2 Una revisión Cochrane de 2023 de 25 estudios que utilizaron el MMSE, con 1893 participantes en total, encontró que había evidencia de calidad moderada de una diferencia clínicamente importante de 1,99 puntos (IC del 95%: 1,24-2,74) entre los grupos de estimulación cognitiva y control y mejoras clínicamente relevantes en la comunicación y la interacción social.

551 Las mejoras fueron mayores cuando las sesiones fueron dos veces, en lugar de una, por semana y en personas con demencia leve en comparación con moderada.

Intervenciones para los síntomas neuropsiquiátricos de la demencia

Intervenciones de actividades

Una revisión sistemática y metanálisis de siete estudios (n = 160) de intervenciones de programas de actividad personalizados identificó un efecto moderado en la mejora de la calidad de vida (tamaño del efecto estandarizado d de Cohen 0,79, IC del 95%: 0,39-1,18), la disminución de los síntomas neuropsiquiátricos (0,62, 0,40-0,83) y la disminución de la carga del cuidador (0,68, 0,29-1,07).552 Esta revisión incluyó pequeños ensayos piloto en países de ingresos bajos y medianos, que mostraron efectos similares y validaron la transferibilidad entre entornos. 553 554 Estas intervenciones también podrían ser un ahorro de costos debido a la disminución del uso de los sistemas de atención de salud de rutina por parte de las personas que reciben la intervención.555 Los ECA de buena calidad de intervenciones con ejercicios para pacientes con demencia informaron que estas intervenciones no mejoraron los síntomas neuropsiquiátricos, la cognición ni el funcionamiento.556 557Los estudios varían en cuanto a la calidad de la evidencia y las estrategias de diseño, desde los estudios de factibilidad y los ECA pequeños hasta los ensayos aleatorios multicéntricos multicéntricos (tabla 2).

Tabla 2ECA de programas de actividad para personas con demencia

IntervenciónPoblación objetivoDiseño del estudioResultados clave
Ballard y otros558Intervención para el bienestar y la salud de las personas con demencia: personal asistencial formado para promover actividades e interacciones sociales personalizadas centradas en la persona y un sistema para cambiar los medicamentos inadecuadosEl personal capacitado por el equipo del ensayo proporcionó la intervención a los residentes de hogares de ancianosECA grupal de 9 meses que utilizó un análisis por intención de tratar en 69 residencias de ancianos del Reino Unido (n = 847)Mejora de la calidad de vida, la agitación y los síntomas neuropsiquiátricos y ahorro de costes
Gitlin y otros559TAP en el que se capacitó a los cuidadores para usar actividades y se les brindó educación sobre enfermedades y técnicas de reducción del estrés.Los terapeutas ocupacionales capacitados proporcionaron actividades adaptadas a los intereses y habilidades en el hogarECA paralelo simple ciego en 160 parejas de veteranos con demencia y sus cuidadores familiaresDisminución de los síntomas conductuales y del dolor en la persona con demencia y mantenimiento de la función diaria a los 4 meses, pero sin efecto a los 8 meses
Gitlin y otros560GRIFOLos terapeutas ocupacionales proporcionaron ocho sesiones en un TAP en casa a personas con agitación con demencia moderadaECA simple ciego en 250 parejas de personas con diagnóstico de demencia y agitación o agresión clínicamente significativas y sus cuidadoresLos TAP no ayudaron a la agitación; los cuidadores informaron que el TAP facilitó la vida, aumentó su capacidad para brindar cuidados y mejoró algo o mucho la vida de la persona con demencia; el grupo TAP tuvo menos muertes y hospitalizaciones que el grupo control de atención
Gitlin y otros561TAP con una submuestra de 153 parejas de cuidadores blancos y 90 negros y personas con demenciaEl terapeuta ocupacional proporcionó actividades e instrucciones personalizadas en el hogar a los cuidadores de personas con demenciaRCT simple ciego de dos brazos en 193 pares blancos y negrosBeneficios conductuales para las personas con demencia a los 3 meses, que fueron más fuertes para las parejas negras que para las parejas blancas
Cordero y otros557Ejercicios aeróbicos y de fuerza adaptados a la condición física y al estado de saludFisioterapeutas y asistentes de ejercicio prescritos y supervisados intervenciones para personas con demenciaECA multicéntrico, pragmático, enmascarado por el investigador (n=494)No se informó ningún efecto sobre la calidad de vida o los síntomas neuropsiquiátricos, pero se informó un mayor deterioro cognitivo en el grupo de ejercicio que en el grupo de control
Sanders y otros556El personal de investigación capacitó a los participantes en ejercicios combinados de caminata y fuerza para una intervención de entrenamiento aeróbico y de fuerzaEl personal de atención médica seleccionó a los participantes con demencia leve a moderada en la atención diurna o residencialECA (n=91)No hay efectos sobre la cognición, la resistencia, la movilidad, el equilibrio y la fuerza de las piernas, pero la velocidad de la marcha mejoró después del ejercicio de alta intensidad
Harwood y otros562Programa personalizado y específico para la demencia progresiva que se centra en la fuerza, el equilibrio, la actividad física y la realización de las actividades de la vida diariaIntervención realizada por el personal sanitario a personas con demencia leve o deterioro cognitivo leveECA (n=365)No mejoró las actividades de la vida diaria, la actividad física o la calidad de vida, ni redujo las caídas.

ECA=ensayo controlado aleatorizado. TAP=programa de actividades a medida.

En general, la evidencia apoya ensayos anteriores que muestran que la atención coordinada y los diferentes tipos de actividades y la participación activa redujeron la depresión y los síntomas neuropsiquiátricos y mejoraron el bienestar general en las personas con demencia y, en algunos casos, tuvieron beneficios importantes para los cuidadores, como el ahorro de tiempo en el cuidado. Las intervenciones exitosas orientadas a la actividad tienden a adaptarse a los intereses, preferencias y habilidades de los individuos e involucran al cuidador familiar. La escalabilidad y la implementación de intervenciones de actividades personalizadas, y la posible rentabilidad de estas intervenciones, requieren más investigación, con solo dos estudios que evalúan la relación coste-efectividad. Por el contrario, los ECA del ejercicio como actividad no informaron ninguna mejora en los dominios de salud mental en la comunidad o en los hogares de atención.556 557

Trastornos del sueño en personas con demencia

La desregulación del ciclo sueño-vigilia es común en las personas con demencia debido a múltiples mecanismos, incluidos los procesos fisiopatológicos que afectan al hipotálamo y al tronco encefálico, la actividad y la luz insuficientes, el dolor, la ansiedad y el medio ambiente.563 En un metanálisis, se informó que la prevalencia combinada de trastornos del sueño clínicamente significativos en personas con demencia que viven en la comunidad fue del 19% (IC del 95%: 13-25; n = 2753), y la prevalencia no ha cambiado con el tiempo, lo que sugiere que el tratamiento no ha mejorado el sueño.564 Los trastornos del sueño fueron menos comunes entre las personas con enfermedad de Alzheimer (24%, 16-33, n=310) que entre las personas con demencia con cuerpos de Lewy (49%, 37-61; n=65). La prevalencia fue similar en un metanálisis de residentes de residencias (55 estudios; n=22 780; 20%, 16-24).565Existe poca evidencia de que la medicación sea efectiva. Una revisión que incluyó nueve ECA,566 cada uno calificado como de baja calidad, identificó evidencia de certeza baja en un ensayo pequeño (n = 30) de que 50 mg de trazadona durante 2 semanas podría aumentar el tiempo total dedicado al ALSEEP (diferencia de medias 42,5 min; IC del 95%: 0,9 a 84,0), pero no hubo un efecto claro sobre otros parámetros del sueño. El uso de un antagonista de la orexina durante 4 semanas en 274 pacientes con enfermedad de Alzheimer leve a moderada aumentó el tiempo de sueño (28,2 min, 11,1 a 45,3) y disminuyó el tiempo de vigilia después del inicio del sueño (-15,7 min, -28,1 a -3,3) sin aumentar los efectos adversos, pero no afectó al número de despertares. No hubo evidencia de la eficacia de la melatonina. No existen ECA de benzodiazepinas, zopiclona, zaleplon o zolpidem para el sueño en personas con demencia, pero estos fármacos podrían causar daños notables. En estudios longitudinales de atención primaria, las dosis más altas de los llamados fármacos Z, como zopiclona, zaleplon, zolpidem (equivalente a ≥7,5 mg de zopiclona o >5 mg de diazepam), en personas con demencia se asociaron con un mayor riesgo de fracturas y accidentes cerebrovasculares, por lo que deben evitarse para este propósito.567 No existe evidencia concluyente de que las intervenciones no farmacológicas mejoren el sueño en la demencia, aunque se están realizando ensayos.568

Depresión

Anteriormente describimos la evidencia de que los antidepresivos no son más efectivos que el placebo para la depresión en personas con demencia.2 Las personas en ambos grupos muestran mejoría, y se podría argumentar que los tratamientos farmacológicos se mantienen en un estándar más alto que las intervenciones no farmacológicas cuando el grupo no intervencionista generalmente recibe el tratamiento habitual. Es probable que la depresión en las personas con demencia difiera de la depresión en las que no tienen demencia, y los cambios cerebrales en los diferentes subtipos de demencia podrían reducir la eficacia de los antidepresivos.569Una revisión Cochrane de ECA de tratamientos psicológicos para la depresión y la ansiedad en pacientes con deterioro cognitivo leve o demencia (es decir, cuatro estudios con terapia cognitivo-conductual, ocho con activación conductual y tres con terapia de resolución de problemas) identificó que los tratamientos basados en terapia cognitivo-conductual añadidos a la atención habitual para los pacientes con demencia o deterioro cognitivo leve y síntomas depresivos o diagnóstico depresivo tuvieron un efecto grande (diferencia de medias estandarizada -0,84, IC del 95%: –1,14 a –0,54; Yo2=24%; cuatro estudios, de los cuales tres fueron terapias de resolución de problemas; 194 participantes), pero hubo poco o ningún efecto en aquellos sin síntomas depresivos o diagnóstico al inicio del estudio.570 Los tratamientos de apoyo y asesoramiento no fueron efectivos.

Psicosis, agitación y delirio

La psicosis puede preceder a la demencia y, como se discutió en la sección de riesgos, la esquizofrenia de inicio muy tardío podría ser un pródromo de demencia.571 Los síntomas psicóticos en la demencia se asocian con una tauopatía particular y una disrupción sináptica neocortical, pero se desconoce si esta patología causa síntomas psicóticos.571 También existe una asociación modesta entre la psicosis en la enfermedad de Alzheimer y la APOE ε4, que no explica todo el riesgo.572Anteriormente discutimos cómo la evaluación clínica integral es esencial en la sospecha de psicosis en la demencia, ya que la memoria errónea experimentada por las personas con demencia es distinta de los delirios, y los nuevos síntomas psicóticos podrían deberse al delirio.1

Si una persona con demencia no está angustiada por la psicosis, es posible que no necesite tratamiento. El tratamiento debe continuar comenzando con intervenciones no farmacológicas para maximizar la estimulación, como mejorar la audición y la vista y aumentar la estimulación social y de otro tipo. Los inhibidores de la colinesterasa tienen un efecto muy pequeño en la mejora de la psicosis en los pacientes con enfermedad de Alzheimer, como lo demuestra un metanálisis de los datos de participantes individuales de 12 ECA de inhibidores de la colinesterasa para los síntomas psicóticos como resultados secundarios en la enfermedad de Alzheimer (tamaño del efecto para los delirios -0,08; IC del 95%: -0,14 a -0,03, I2=0%; alucinaciones 0,09, −0,14 a −0,04; Yo2=0%; n=5580).573 Siguen existiendo advertencias sobre cualquier uso de antipsicóticos, que incluyen un aumento de la mortalidad específica por demencia; Por lo tanto, los antipsicóticos pueden ser apropiados para las personas cuya psicosis crea angustia o deterioro funcional y deben recetarse en una dosis lo más baja posible y durante el menor tiempo posible. Los metanálisis sugieren que la risperidona y el aripiprazol son los antipsicóticos con la mejor evidencia para el tratamiento de la psicosis en pacientes con demencia, con evidencia de que hay menos riesgo de accidente cerebrovascular con risperidona para los delirios que para otras indicaciones.2 571Un ECA de la retirada de pimavanserina (un antipsicótico atípico con efecto agonista inverso selectivo del 5-HT-2A) en la psicosis relacionada con la demencia se detuvo temprano debido a las tasas más bajas de recaída en el grupo de tratamiento en comparación con el grupo de placebo, que pareció estar impulsado por los efectos en las personas con enfermedad de Parkinson.574 Un estudio de cohorte retrospectivo realizado en Estados Unidos que comparó pimavanserina (n = 3227) con antipsicóticos atípicos (n = 18 442) en personas con enfermedad de Parkinson con o sin demencia informó una tasa de mortalidad más baja en aquellos tratados con pimavanserina (HR 0,65, IC 95% 0,53-0,79).575 Un ECA anterior de eficacia en la psicosis de la enfermedad de Alzheimer mostró diferencias a favor de la pimavanserina en la semana 6, pero no en las semanas 2, 4, 9 o 12.576 La pimavanserina está aprobada como tratamiento para la psicosis en la enfermedad de Parkinson, pero la FDA rechazó el medicamento para el tratamiento de la psicosis relacionada con la demencia y la psicosis de la enfermedad de Alzheimer. Anteriormente recomendábamos, y seguimos recomendando, un enfoque para la evaluación integral y el tratamiento de la agitación en la demencia, que es común, heterogénea, angustiante y se asocia con una mayor carga del cuidador y los costos de la atención.1 La acción inmediata requiere la evaluación de las razones subyacentes de la agitación, como el dolor y la angustia, y el manejo de estas antes del uso de la medicación. Ciertos antipsicóticos, como la risperidona, están autorizados en el Reino Unido, Australia, Canadá y la UE para tratar la agitación en personas con demencia. En mayo de 2023, el brexpiprazol se convirtió en el primer antipsicótico en obtener la aprobación de comercialización de la FDA en EE. UU. para tratar la agitación en personas con enfermedad de Alzheimer, pero no ofrece una mayor eficacia ni seguridad que otros fármacos antipsicóticos atípicos para esta indicación.577 578 579 Un estudio de fase 3 (n = 433) mostró que el tratamiento con brexpiprazol 2 mg por día para la agitación en personas con enfermedad de Alzheimer se asoció con una mejora en el inventario de agitación de Cohen-Mansfield en 3,77 puntos frente a placebo a las 12 semanas.

578 El ECA de fase 3 más reciente, de 12 semanas, de brexpiprazol de 2-3 mg por día para la agitación en la enfermedad de Alzheimer (n = 345) informó una mejora en el Inventario de Agitación de Cohen-Mansfield en -5,3 puntos en comparación con el placebo.580 En comparación, un análisis combinado de tres ECA de risperidona que utilizaron el Inventario de Agitación de Cohen-Mansfield (n = 1150) mostró que una dosis media de 1 mg/día se asoció con una mejora de -5,4 puntos en el Inventario de Agitación de Cohen-Mansfield a las 12 semanas.581 La principal preocupación con los fármacos antipsicóticos en las personas con demencia es el aumento del riesgo de eventos adversos cardiovasculares y mortalidad.582 El tratamiento con brexpiprazol se asoció con más muertes que el placebo (seis muertes frente a una muerte), aunque no se informó la importancia.580 La risperidona es el antipsicótico atípico con la mayor base de evidencia de ECA en el tratamiento de la agitación. Los antipsicóticos deben usarse solo después de una evaluación y un tratamiento exhaustivos de las causas subyacentes de la agitación, la consideración de un ensayo de estrategias no farmacológicas y una discusión de cualquier riesgo potencial con la persona con demencia y sus cuidadores familiares, dependiendo de la capacidad. El delirio es común, poco reconocido y poco tratado en las personas mayores. Un estudio de cohorte informó que la cognición basal fue menor en las personas mayores (es decir, de ≥70 años) que desarrollaron delirio que en toda la cohorte, incluidas las que no desarrollaron delirio.583 En la Comisión Lancet de 2020, discutimos cómo el delirio y la demencia ocurren con frecuencia juntos, pero no existe evidencia definitiva de que algún medicamento mejore el delirio. Las benzodiacepinas sedantes son ineficaces y, al igual que los antipsicóticos, se asocian con un aumento de la mortalidad y la morbilidad.

2El delirio superpuesto a la demencia se asocia con un mayor tiempo de hospitalización, peores resultados cognitivos y funcionales, y un mayor riesgo de ingreso en residencias y mortalidad.584 Un metaanálisis reciente identificó que el delirio se asoció significativamente con el deterioro cognitivo futuro (tamaño del efecto, Hedges g 0,45, IC 95%: 0,34–0,57).585 En un estudio realizado en el Reino Unido, 209 (13,8%) de 1510 participantes de una cohorte prospectiva con una mediana de edad de 77 años (IQR 73-82) fueron ingresados en el hospital al menos una vez durante un seguimiento de 30 meses o más, de los cuales 115 (55,0%) tuvieron al menos un episodio de delirio.586 Las personas con mayor deterioro cognitivo tenían más probabilidades de ser ingresadas en el hospital y más propensas a desarrollar delirio; Además, el delirio era más severo y prolongado que el de las personas con mejor cognición. De manera similar, en una cohorte prospectiva del Reino Unido de personas mayores de 65 años, 82 (40%) de las 205 personas que ingresaron en el hospital desarrollaron delirio. Este resultado se asoció con un deterioro cognitivo a 1 año de –1,8 puntos (IC del 95%: –3,5 a –0,2) en el MMSE.587 El deterioro cognitivo general es un factor de riesgo para el delirio, que a su vez es un factor de riesgo para un mayor deterioro cognitivo y funcional.588 Es importante tratar el delirio con energía, tanto tratando la enfermedad subyacente como utilizando medios no farmacológicos para aumentar la orientación. La maximización de la visión y la audición, el tratamiento del dolor y la hipoxia, el apoyo a los líquidos y la ingesta de alimentos también son cruciales. Además, es fundamental vigilar la salud de las personas que son dadas de alta hospitalarias con delirio. Estas personas a menudo tienen deterioro cognitivo o demencia y no se puede esperar que inicien y trabajen en un plan de tratamiento en casa sin ayuda. La prevención y el tratamiento del delirio en personas sin demencia podrían disminuir el riesgo de demencia, pero actualmente no podemos estar seguros.589

Lecciones aprendidas de la COVID-19 y la demencia

La COVID-19 por sí sola y el aislamiento social y el confinamiento asociados han tenido un impacto sustancial, desproporcionado y negativo en los síntomas y la mortalidad de las personas con demencia y en sus familias y cuidadores.590 Las personas con demencia tuvieron una mayor mortalidad por COVID-19 (metanálisis de diez estudios; OR 5,17, IC 95% 2,31–11,59; n=119, 218) que las personas sin demencia.591 Una revisión sistemática de los efectos del aislamiento social durante la pandemia de COVID-19 identificó que nueve (60%) de 15 estudios con un total de 6442 participantes informaron un deterioro de la cognición peor de lo esperado y 14 (93%) de 15 estudios informaron un empeoramiento o una nueva aparición de síntomas no cognitivos.592Los residentes de las residencias de ancianos suelen necesitar cuidados personales y, por lo tanto, no pueden estar aislados del personal. Durante la pandemia, con frecuencia se restringió o prohibió la visita de las familias para contener el riesgo, lo que dejó a las personas aisladas.590  593 Los hogares de ancianos más grandes y los hogares que utilizaban más personal de la agencia, transferían al personal de un entorno a otro, se hacían pruebas de detección de la COVID-19 con menos frecuencia y tenían menos acceso a equipos de protección personal tenían niveles más altos de infección y mortalidad.594Las lecciones a largo plazo para otras pandemias incluyen una política que garantice que las personas no sean admitidas en un hogar de ancianos cuando su estado de infección sea positivo o desconocido para evitar exponer a los residentes existentes. Ahora conocemos los efectos positivos de restringir el movimiento del personal de las residencias de ancianos entre hogares y garantizar que el personal tenga acceso prioritario y use equipo de protección personal para reducir la infección. Las personas con demencia requieren acceso a una atención que sea adecuada para ellas, y es imposible aislar completamente a las personas que necesitan atención las 24 horas. Se debe alentar a las personas con demencia a tomar decisiones legales sobre lo que quieren mientras tengan la capacidad de tomar estas decisiones. Como discutimos en detalle en la Comisión Lancet 2020, las personas con demencia a menudo tienen otras enfermedades y mueren antes que las personas sin demencia.2 

Las personas con demencia u otra persona que toma decisiones, como un miembro de la familia, si no tienen capacidad para tomar decisiones, deben decidir sobre los posibles cuidados curativos y paliativos, en lugar de tomar decisiones generales para las personas con demencia. Las personas con demencia deben tener el mismo acceso a los cuidados paliativos que el resto de la población.

Tecnología y ejecución de intervenciones

La tecnología tiene varias funciones potenciales en el tratamiento de la demencia, como el diagnóstico y la evaluación, el seguimiento para promover la seguridad, la asistencia en las actividades de la vida diaria y la cognición, la facilitación de la interacción social y las actividades de ocio, y el apoyo a los cuidadores familiares.595 Existe una escasez de investigación de alta calidad sobre tecnologías emergentes, debido a la novedad y a un campo en rápida evolución, lo que significa que la evidencia para su uso es a menudo escasa.Las tecnologías para evaluar los síntomas de la demencia tienen poca evidencia sobre su efectividad. Una revisión de 14 estudios de tecnologías de detección para los síntomas de la demencia mostró que, en siete estudios, la actigrafía se correlacionó con la agitación y la agresión en personas con demencia, pero hubo una ausencia de evidencia para otras tecnologías.596 Una revisión de 55 estudios de evaluaciones de la calidad del sueño en la demencia identificó cinco estudios con actigrafía, pero estos estudios no mostraron ningún beneficio de la actigrafía en comparación con los instrumentos basados en cuestionarios.565Una revisión exploratoria indicó que las tecnologías de hogar inteligente, que son electrodomésticos y dispositivos en el hogar conectados a través de Internet para mejorar el entorno de vida, no están listas para su implementación para las personas con demencia y que no había evidencia clara de eficacia.597 Un ECA en 495 personas con demencia informó que la tecnología de asistencia y la teleasistencia recomendadas por un profesional de la salud o de la asistencia social para satisfacer las necesidades evaluadas no eran mejores que un paquete básico de dispositivos relacionados con la seguridad en términos de tiempo que los participantes permanecían en la comunidad, la carga del cuidador, la depresión o la ansiedad, la atención sanitaria y social o los costos sociales. y años de vida ajustados por calidad.598 En una revisión sistemática de 66 estudios, el uso de robots de asistencia social fue generalmente factible y aceptable para las personas con demencia y sus cuidadores y para los profesionales de la salud, pero no hubo evidencia de efectos sobre la cognición, los síntomas neuropsiquiátricos o la calidad de vida.599En general, no hay evidencia que recomiende tecnologías específicas para el tratamiento de la demencia. En la medida de lo posible, las tecnologías deben complementar en lugar de sustituir la atención presencial existente para evitar que conduzca a un aislamiento social perjudicial. Existe la preocupación de que la tecnología futura pueda reducir la equidad al crear problemas de accesibilidad para las personas con pocos recursos financieros.

Conclusiones

El número de personas que viven con demencia va a aumentar en todos los países, y los responsables políticos deben dar prioridad a los recursos que permitan reducir el riesgo para prevenir o retrasar la demencia y las intervenciones para mejorar los síntomas y la vida de las personas con demencia y sus familias.

El enfoque de prevención debe estar dirigido a abordar los niveles de factores de riesgo en una etapa temprana y continuar durante todo el curso de la vida. Las intervenciones individuales clave son la prevención y el tratamiento de la pérdida de audición, el tratamiento de la pérdida de visión y la depresión, la estimulación cognitiva a lo largo de la vida, la disminución del tabaquismo, la reducción y el tratamiento de los factores de riesgo vascular (es decir, colesterol, diabetes, obesidad y presión arterial), la reducción de las lesiones en la cabeza y el mantenimiento y fomento de la actividad física. Los cambios en las políticas pueden mejorar la educación (tanto en calidad como en años de educación) y reducir el tabaquismo, el consumo de alcohol, el riesgo de traumatismo craneoencefálico, la contaminación del aire y la sal y el azúcar en los alimentos, centrándose así en la obesidad, la hipertensión y la diabetes.

Los cambios estructurales pueden ayudar a aumentar el ejercicio y reducir el aislamiento social. En particular, las intervenciones o cambios en el estilo de vida en cualquier etapa de la vida pueden alterar el riesgo de demencia.

Ahora hay mucha más evidencia de la que existía cuando se publicó la Comisión Lancet de 2020 de que las intervenciones pueden ayudar a mantener la cognición y prevenir la demencia. Estas intervenciones deben estar dirigidas a las personas que más las necesitan. En muchos países, las intervenciones que se sabe que benefician a las personas con demencia no están disponibles o son prioritarias. El diagnóstico de buena calidad, la planificación de la atención y el apoyo posdiagnóstico personalizado permiten la prevención de daños, el tratamiento de los síntomas neuropsiquiátricos y la protección de la calidad de vida de las personas con demencia y sus cuidadores familiares. Existen intervenciones eficaces, pero no se llevan a cabo a gran escala para todos los que se beneficiarían de ellas.

El advenimiento de los fármacos modificadores de la enfermedad para la demencia es un avance científico largamente esperado, pero los resultados varían de modestamente positivos a neutros, y las implicaciones clínicas aún no están claras. Existe un progreso emocionante en el campo de los biomarcadores, pero los biomarcadores no son suficientes por sí solos para justificar el diagnóstico. Clínicamente, los biomarcadores deben usarse solo para ayudar a clasificar la neuropatología en las personas con demencia, particularmente la de la enfermedad de Alzheimer. Los tratamientos farmacológicos y psicosociales están progresando, y hay más personas que nunca viviendo con demencia. Por lo tanto, ahora es aún más importante que se mejore la atención a las personas con demencia y a sus familias.

Aplicación de Lean Management en la atención médica

Nota del editor del Blog: Lean Management es básicamente una filosofía de gestión, que se basa en la mejora continua, en una logística justo a tiempo, en el mantenimiento preventivo de la funcionalidad de la estructura, en la eliminación de desperdicios en los procesos, de estabilizar y ordenar las cargas de trabajo, en automatizar o digitalizar lo que sea posible, eliminando pasos repetitivos innecesarios, mejorar el flujo de los pacientes, involucrar a las personas, disminuyendo variabilidad en los procesos, relacionando los esfuerzos de los equipos con los objetivos estratégicos en un plan de largo plazo, disminuye el esfuerzo del personal, y mejora la gestión operativa de la atención, lo que resulta una evolución de la calidad y la eficiencia.

Son sus técnicas el Análisis de los desperdicios, la mejora continua o Kaizen, el mapeo de procesos o Value Stream mapping, el control visual del Gemba operativo, y gestionar la calidad.


Párrafo de Texto traducido

Autor: Eglė Vaičiulytė Tesis de Maestría. THE IMPACT OF BUSINESS MANAGEMENT MODELS ON HEALTHCARE INNOVATION

En la literatura sobre la gestión Lean en la atención médica, la implementación de la gestión Lean se asocia con una mayor efectividad organizacional y costo-efectividad (D’Andreamatteo et al., 2015; Costa y Godinho Filho, 2016; Hallam y Contreras, 2018).

Según Dunsford y Reimer (2017), la idea fundamental del Lean Management en la asistencia sanitaria es eliminar las actividades sin valor añadido, como los tiempos de espera o los tratamientos no deseados, para mejorar la eficiencia y la calidad general de la asistencia sanitaria y centrarse en la atención centrada en el paciente. Este enfoque ha demostrado ser muy relevante y aplicable en la atención sanitaria, donde la búsqueda de la rentabilidad y la calidad de la atención es crucial (Dunsford y Reimer, 2017).

Letelier et al. (2021) afirman que mediante el uso de la gestión Lean en la atención sanitaria, se puede aumentar la eficiencia de los procesos y la satisfacción de los usuarios (Letelier et al., 2021).

Por ejemplo, el mapeo del flujo de valor puede ayudar a las organizaciones sanitarias a identificar los cuellos de botella operativos que impiden la atención al paciente, lo que se traduce en una mejor asignación de recursos y una reducción de los tiempos de espera de los pacientes (Henrique et al., 2016).

Otra aplicación importante del Lean Management en la atención sanitaria es el uso de métricas de rendimiento y la toma de decisiones basada en datos (Schretlen et al., 2021; Singh, Verma y Koul, 2022).

Para evaluar y medir la eficiencia de los procesos y actividades, las organizaciones sanitarias pueden aplicar indicadores de rendimiento adelantados, como los KPI y otras técnicas de análisis de datos (Burlea-Schiopoiu y Ferhati, 2021).

El enfoque de la gestión Lean en la eliminación de residuos, la optimización de procesos y el aumento de la eficacia ha llevado al desarrollo de un enfoque más sistemático y centrado en los datos (Suresh et al., 2023) que permite a los líderes sanitarios tomar decisiones informadas y asignar recursos de forma más eficiente (Stefanini et al., 2020; Yu et al., 2023).

Estudio de caso: Aplicación de la gestión Lean en el Hospital Joniškis

Varios hospitales públicos de Lituania, como el Hospital de Rehabilitación de Abromiškės, la Policlínica del Distrito de Kėdainiai y el Centro Nacional de Patología, han introducido estrategias de gestión Lean.

Como resultado, los profesionales de la salud en el policlínico del distrito de Kėdainiai pudieron reducir significativamente las colas de pacientes, el papeleo y los tiempos de espera para acceder a los especialistas (hasta 35 días en algunos casos). También aceleraron la respuesta del servicio médico de urgencias a las llamadas de los pacientes (Rutkauskaitė 2016; LEAN projektai, 2022).

Sin embargo, el ejemplo más conocido de aplicación de la gestión Lean en el sector sanitario en Lituania es el Hospital Joniškis.

En 2021, el hospital público introdujo la gestión Lean y ha estado actualizando constantemente su metodología desde entonces (Joniškio ligoninė, 2022). De acuerdo con los informes de actividad del hospital para 2021 y 2022, se realizaron reuniones diarias en los distintos departamentos, para discutir KPIs y temas emergentes.

La medición y evaluación diaria de los objetivos de las actividades del centro permitió al hospital reconocer los problemas antes y responder más rápidamente (Joniškio ligoninė, 2022; Joniškio ligoninė, 2023).

Para mejorar la calidad del servicio al paciente, el hospital realizó encuestas anónimas a los pacientes durante todo el año y analizó los niveles de satisfacción de los pacientes, que fueron de 0,98 en 2021 y de 0,99 en 2022 (Joniškio ligoninė, 2022; Joniškio ligoninė, 2023).

Además, cada vez se empezó a tramitar electrónicamente un número cada vez mayor de documentos médicos: inscripciones de pacientes en la policlínica de consulta y en el servicio de urgencias, derivaciones, historias clínicas, pedidos y resultados de pruebas de laboratorio, imágenes de pruebas instrumentales y sus resultados, certificados de incapacidad laboral, certificados médicos de defunción y recetas electrónicas.

Además, varios departamentos estaban equipados con sistemas de llamada inalámbricos que los pacientes pueden utilizar para llamar al personal y a las enfermeras si es necesario. También se instaló un gabinete híbrido, que permite a los especialistas consultar a los pacientes a distancia, manteniendo los elementos esenciales que determinan la calidad de los servicios sanitarios (Joniškio ligoninė, 2022).

Como resultado, en 2021, el Hospital Joniškis fue el único hospital de Lituania que superó el nivel real de prestación de servicios especializados, que alcanzó el 112% ese año. Sin embargo, debido a los desafíos relacionados con la pandemia de COVID-19, incluido el aumento de los costos laborales y las necesidades de equipos médicos, el Hospital Joniškis se enfrentó a una carga financiera que resultó en una pérdida de 211.395,32 euros. A pesar de estos desafíos, el hospital continuó sus actividades, garantizó y desarrolló la prestación de servicios de atención médica integrales y de alta calidad y persiguió sus objetivos operativos estratégicos. La organización eficaz del trabajo mediante la aplicación de la gestión Lean garantizó los principales indicadores del funcionamiento del hospital (Joniškio ligoninė, 2022). Por último, según la memoria de actividades de 2022, el hospital generó un superávit financiero de 503.103,81 euros, lo que supone un incremento del 337,9 por ciento respecto a 2021.

El hospital también se había expandido con éxito: se ampliaron el servicio de urgencias y los servicios prioritarios fuera del hospital. Además, el Ministerio de Salud de la República de Lituania honró al municipio de Joniškis en la nominación «Por liderazgo en la atención médica» (Joniškio ligoninė, 2023).

Estudio de caso: Aplicación de la gestión Lean en el Hospital Central Militar

 Un estudio de caso convincente sobre cómo un enfoque de gestión Lean puede conducir a una reducción significativa de los tiempos de espera es presentado por el Hospital Central Militar 108 en Hanoi, Vietnam (Duong et al., 2021).

Los servicios de urgencias de los hospitales públicos de Vietnam suelen estar abarrotados y poblados por una variedad de enfermedades, lo que a menudo conduce a una mayor insatisfacción de los pacientes (Tran et al., 2017; Thi Thao Nguyen et al., 2018). Para aliviar estos problemas, este hospital ha implementado el mapeo del flujo de valor y los enfoques de la estrategia Lean para agilizar las operaciones y, finalmente, ha logrado resultados notables (Duong et al., 2021). En su encuesta, Duong et al. (2021) afirmaron que después de implementar la gestión Lean, el tiempo medio de espera de los pacientes que requerían procedimientos/operaciones médicas disminuyó de 134,4 minutos a 89,4 minutos.

Una conclusión similar se extrajo para aquellos que requirieron intervenciones vasculares, donde el tiempo medio de espera de 54,6 minutos disminuyó a 48,9 minutos. Por último, en el caso de los pacientes ingresados en el servicio de urgencias pero finalmente trasladados a otros servicios hospitalarios, los resultados también mostraron que había suficiente evidencia para concluir que el tiempo medio de espera de 59,8 minutos tras la implementación de la estrategia Lean, fue significativamente menor que antes de su implantación (118,3 minutos). Los pacientes tenían un acceso más rápido a los servicios de atención médica, lo que llevó a decisiones de tratamiento más rápidas. Esto no solo mejoró la satisfacción de los pacientes, sino que también contribuyó a mejorar los resultados de la atención médica, especialmente en casos críticos donde las decisiones oportunas son esenciales (Duong et al., 2021).

Estudio de caso: Aplicación de gestión Lean en el Centro Médico de la Universidad de Maastricht

En el Centro Médico de la Universidad de Maastricht, se aplicó una metodología de mejora de procesos Lean basada en datos para reducir las cancelaciones quirúrgicas. Para garantizar una atención más oportuna, eficiente, equitativa, centrada en el paciente y más segura, un equipo de proyecto multidisciplinario siguió el ciclo de mejora ‘DMAIC’ (Definir, Medir, Analizar, Mejorar, Controlar). Al implementar un enfoque basado en datos, el centro médico pudo reducir las cancelaciones quirúrgicas de última hora en un 50 %, los diagnósticos preoperatorios repetidos en un 67 %, el tiempo de derivación al tratamiento en un 35 % y aumentar el Net Promoter Score de los pacientes en un 14 %. Los factores clave de éxito fueron el uso de un enfoque estructurado de resolución de problemas basado en datos, el enfoque en el valor del paciente y el flujo del proceso, el apoyo al liderazgo y la participación de los profesionales de la salud involucrados en todo el proceso de atención (Schretlen et al., 2021). Sin embargo, algunos académicos llegan a conclusiones contradictorias. Por ejemplo, Mazzocato et al. (2014) afirman que la complejidad y singularidad del caso de cada paciente puede convertirse en un reto importante a la hora de implementar la gestión Lean en la atención sanitaria (Mazzocato et al., 2014). A diferencia de lo que ocurre en la manufactura, donde los procesos estandarizados pueden racionalizarse (Benton y Shin, 1998; Vamsi, Krishna Jasti y Kodali, 2014; Mohanty, Yadav y Jain, 2007), la atención sanitaria a menudo implica necesidades complejas e individuales del paciente que no siempre pueden clasificarse u optimizarse de forma ordenada mediante la estandarización (Daultani, Chaudhuri y Kumar, 2015). Según Sacristán (2013), los principios Lean pueden tener dificultades para adaptarse a la variabilidad, incluyendo el historial médico del paciente, su estado actual y sus preferencias personales, y el intento de imponer una estandarización estricta puede llevar a un desajuste con la atención centrada en el paciente, comprometiendo la calidad de la atención sanitaria (Sacristán, 2013). Para cumplir con los principios Lean y proporcionar una atención de alta calidad, también se debe tener en cuenta el bienestar del personal y proporcionar a los profesionales de la salud las condiciones necesarias y las oportunidades de desarrollo profesional (Maijala et al., 2018). Como afirman Drotz y Poksinska, (2014), empoderar a los empleados para resolver problemas relacionados con el trabajo puede mejorar significativamente su satisfacción laboral y su productividad general (Drotz y Poksinska, 2014). Este enfoque está muy extendido en los países de ingresos más altos. Para establecer objetivos, valores, visiones y 50 indicadores clave de rendimiento claros, en Suecia, por ejemplo, se pedía a los médicos que cada día laborable marcaran los problemas que encontraban durante las horas de trabajo (por ejemplo, el tiempo de espera del paciente, el tiempo desde el examen de derivación hasta la presentación de los resultados, una medida de la satisfacción del paciente). Esta información se revisó periódicamente para analizar cómo abordar los problemas y mejorar la calidad de los servicios de atención sanitaria (Drotz y Poksinska, 2014). En comparación, este enfoque no se aplica comúnmente en los países de bajos ingresos. Por ejemplo, un estudio de caso realizado en centros de atención primaria de salud en Nigeria muestra que las enfermeras se enfrentan a diversos desafíos para implementar la atención centrada en el paciente (Lateef y Mhlongo, 2021). Alves et al. (2021) señalan que los profesionales de la salud deben estar adecuadamente preparados para hacer frente a las complejas necesidades y preferencias individuales de los pacientes, lo cual es otro desafío en la implementación de la gestión Lean en la atención médica (Alves et al., 2021). En opinión de Lateef y Mhlongo (2021), la gestión Lean requiere una fuerza laboral con una comprensión profunda de los principios y herramientas, así como las habilidades para implementarlos de manera efectiva (Lateef y Mhlongo, 2021). De lo contrario, las iniciativas Lean pueden tambalearse si las organizaciones sanitarias no educan y capacitan completamente a su personal. Esto a menudo conduce a una implementación incompleta o incorrecta, lo que no se puede esperar que conduzca a un aumento de la eficiencia y la calidad de la atención (Sodhi, Singh y Singh, 2019). En resumen, un sistema Lean está diseñado para eliminar el desperdicio, la variabilidad y la inflexibilidad (Breen, Trepp y Gavin, 2020; Detyna, Detyna, 2022; Suresh et al., 2023), aunque dada la variedad y complejidad de los procesos asistenciales (Mazzocato et al., 2014; Alves et al., 2021), la resistencia al cambio (Allaoui y Benmoussa, 2020; Mohanty, Yadav y Jain, 2007; Camagú, 2010; Benton y Shin, 1998) y el retraso en el ahorro de costos (Jørgensen et al., 2007; Dombrowski y Mielke, 2014; Todorovic, Cupic y Jovanovic, 2022), su aplicación puede no siempre ofrecer los beneficios esperados.

Para realizar un análisis exhaustivo de la aplicación del Lean Management en la atención sanitaria, es crucial reconocer estas limitaciones y realizar un análisis exhaustivo del contexto específico. Para mejorar la calidad de la atención primaria, se debe reforzar el apoyo adecuado a la gestión, así como la educación y formación de los profesionales sanitarios (Lateef y Mhlongo, 2021).

Sin embargo, a pesar de sus limitaciones, los principios de la gestión Lean se han convertido en un marco valioso para mejorar las operaciones sanitarias, mejorando la calidad de la atención (Dunsford y Reimer, 2017; Rachh, Davis y Heilbrun, 2023), aumentando la satisfacción del paciente (Duong et al., 2021; Letelier et al., 2021), y el control de costos (D’Andreamatteo et al., 2015; Costa y Godinho Filho, 2016; Dunsford y Reimer, 2017), convirtiéndose así en una piedra angular para la mejora de la atención sanitaria.

A medida que el sistema sanitario evoluciona, la aplicación de la gestión Lean seguirá siendo una estrategia importante para alcanzar estos objetivos y garantizar una atención sostenible y centrada en el paciente.

Editorial. Recursos humanos en sanidad: más de lo mismo no es una solución. Informe SESPAS 2024

Negrín MA. Ortún Rubio V.

Mejor 5 minutos de un buen médico que 20 de uno mediocre. Al igual que los buenos profesores tienen un impacto enorme en la trayectoria vital de los alumnos1 —como reconoció Albert Camus al recibir el premio Nobel de Literatura—, un buen profesional sanitario, en circunstancias adecuadas, resulta el factor clave en
la efectividad de la prestación sanitaria.
Este Informe SESPAS se centra en la planificación y la gestión de los recursos humanos en sanidad. La planificación es la mejor expresión de la gestión de la utilización. Lo que conocemos como morbilidad refleja el encuentro entre la oferta y la necesidad expresada (o la disposición a pagar). Modular el tamano˜ y la composición de esa oferta es la manera de aproximarse al óptimo social, el punto X* de la figura 1.


Beatriz González y Patricia Barber2,3 destacan que «tenemos
tasas altas de médicos y de graduados, y bajas de enfermeras, un
pluriempleo creciente simultaneando la práctica pública y privada,
y déficits a corto plazo en algunas especialidades, particularmente
medicina de familia, que necesita urgentemente incentivos específicos para estimular vocaciones». En cuanto a cómo solucionar los
desequilibrios en los mercados educativo y laboral, cabe destacar
que las autoras no fían la solución a la convocatoria de plazas, sino
a la reforma del marco regulatorio, con unos sistemas de incentivos y una capacidad, ahora inexistente, de la gestión pública
—preocupada por la legalidad, o su apariencia, mucho más que
por la efectividad— para competir con la privada por la atracción
y la retención de talento. Los modelos de planificación de recursos humanos para la salud, y en particular de médicos, pueden ser
una herramienta clave para guiar las políticas, pero para ello necesitamos más y mejor información. A esta misma conclusión llega
Ángela Blanco4 en su análisis sobre la movilidad de profesionales
en la Unión Europea, donde Espana˜ mantiene un perfil de emisor. La
utilización y la mejora de los sistemas de información disponibles
resulta una baza esencial de la planificación.
Javier Hernández5, en su original sobre gobernanza de los
recursos humanos en la sanidad pública, destaca la necesidad de
incorporar reformas que disminuyan la incertidumbre en la planificación y la gestión del personal, mejoren los incentivos y anadan ˜
flexibilidad.
El dato de un 30% de médicos en ejercicio (sin contar a los residentes) que ejercen únicamente en la red privada informa, pero
no suscita, los problemas inmediatos que se derivan del 40% de
médicos del sector público con pluriempleo en el sector privado.
Esta práctica dual, analizada por Ariadna García-Prado y Paula
González6, plantea las dificultades esperables derivadas de trabajar para una organización y para su competencia, algo que en países
como el Reino Unido, Canadá o Suecia está claramente limitado. En
Espana˜ también habrá que encauzar la práctica dual, tanto aumentando el atractivo y la capacidad de retención de profesionales de
las organizaciones públicas, más allá de las remuneraciones, como
Figura 1. Procedimientos realizados, con productividad marginal decreciente conforme se extiende su indicación, según las restricciones de oferta a las que se
enfrentan los proveedores de servicios sanitarios. D es el valor de la vida multiplicado por la productividad marginal del gasto sanitario. En un sistema nacional de
salud hipotético, el Sistema Nacional de Salud, las restricciones de oferta van más
allá de lo que sería el coste social óptimo q; este país proporciona servicios sanitarios por debajo de la cantidad óptima X. El óptimo social se sitúa en X, y un país
que gaste por encima es aquel en que , la combinación de restricciones de oferta
para el proveedor, está por debajo de q. Nótese que si es, como mínimo, igual a
p, el precio para el paciente en el momento de la utilización, los beneficios para el
paciente serán equivalentes al copago p que afronta por el procedimiento. (Fuente:
Chandra y Skinner, 2012 19.)
permitiendo que los centros públicos complementen su financiación con recursos privados practicando la extensión horaria
(moonlighting)7 con transparencia y lealtad. Algo que se practica
ya en algunos prestigiosos centros de nuestro país, sin que el tema
se debata, y en la reputada Mayo Clinic. La enfermería, la otra gran
profesión sanitaria, hubiera tenido más espacio en este Informe de
no haber fallado uno de los artículos previstos, y que, entre otros
aspectos, hubiera cubierto su formación de manera homóloga a
como Felipe Ruiz et al. 8 lo hacen con la medicina en su artículo.
Afortunadamente, Paola Galbany y Pere Millán9 proporcionan una
caracterización de gran angular sobre las causas de la escasez de
enfermeras en Espana, ˜ aportando pistas para su manejo.
El segundo bloque del Informe se dedica a la gestión. Desde
hace más de 20 anos ˜ se ha venido creando una base de datos
sobre calidad de la gestión que cubre 13.000 empresas, 4000 escuelas y centros sanitarios, y administraciones públicas en 35 países:
la World Management Survey10. Con mayor especificidad clínica
y sanitaria se dispone, entre otros, de los informes del Institute
for Health Metrics and Evaluation11.

Ambos son importantes porque la calidad de la gestión explica un tercio de las diferencias de productividad entre países.

Ricard Meneu12 aborda el reclutamiento, la selección y la retención de profesionales en gestión directa describiendo la regulación estatutaria, que produce un 50%
de temporalidad entre los profesionales del Sistema Nacional de Salud, y plantea alternativas verosímiles para cubrir racionalmente
las necesidades de los servicios.
José-Ramón Repullo y José-Manuel Freire13,14 tratan la evaluación del rendimiento y la compensación en centros sanitarios de
gestión directa, mientras Olga Pané y Pau Gomar15 se centran, para
elmismo asunto, encentros sanitarios de gestiónindirecta y gestión
privada. Como al resto de los/las autores/as, les avala la imprescindible mezcla de conocimiento y valiosa experiencia.
A los editores del Informe, Miguel Ángel Negrín y Vicente Ortún,
nos tendrás que perdonar, lectora o lector, la osadía de intentar
cerrar la parte de gestión, conocedores de la polarización social,
pero convencidos de que inhibirse no es una opción. Caben mejoras consensuables en recursos humanos, espoleados tanto por la
Unión Europea como por la ciudadanía, sin plantear batallas de
antemanoperdidas yprocurandomás bienuna estrategiade radicalismo selectivo16: actuaciones sobre un frente clave y reducido, que
evite la formación de coaliciones de bloqueo entre capturadores, y
que en caso de éxito se generalice por un proceso de innovacióndifusión. La legalidad, y su apariencia, importan para la gestión
sanitaria, pero es necesaria también efectividad en unos momentos
en que se precisa no tanto más estado como mejor estado17.
Finalmente, un Informe SESPAS requería, más allá de la planificación y la gestión de recursos humanos, una preocupación más
identificable como salubrista para tratar un asunto tan central como
el de la salud y el bienestar de los 1,3 millones de personas que integranelpersonal sanitario enEspana. ˜ Seha contado conrevisores a la
altura de los autores —agradecemos eltrabajo de Ildefonso Hernández, José María Martín-Moreno y Fernando Rodríguez-Artalejo—,
pero solo Fernando García-Benavides, Mireia Utzet y Consol Serra
et al. 18 han podido figurar como autores.
El análisis de un sistema complejo como el de los recursos humanos, cada vez con más profesiones, no se cierra con este Informe
SESPAS. Gaceta Sanitaria agradece el trabajo de todos quienes lo
han hecho posible y permanece receptiva a nuevas contribuciones.

Migración de recursos humanos en salud, un problema de gestión.

Informe SESPAS 2024.

Autora. Angela Blanco Moreno.

Puntos clave

  • •La movilidad de los profesionales de la salud en la UE, que está asociada a problemas de fuerte dependencia de la contratación en el extranjero y a la escasez debido a la emigración de profesionales, se ha identificado como un desafío en el proceso de SE en un número significativo de veces durante el período 2017-2023.
  • •La pandemia de COVID-19 ha agravado la escasez preexistente, poniendo de relieve la necesidad de lograr un equilibrio entre los objetivos sanitarios y los objetivos del mercado interno.
  • •La movilidad como solución a la escasez también supone una amenaza para la planificación y la prestación de servicios, por lo que la planificación y la previsión aparecen como una herramienta política pertinente a nivel nacional y de la UE que requeriría una mayor mejora de los sistemas de información .
  • •El sistema de información sobre el personal sanitario ha experimentado una notable mejora, lo que ha permitido establecer un marco razonable para la movilidad del personal sanitario. Hemos centrado nuestros análisis en cuatro categorías de profesionales sanitarios sujetos a la información disponible. No obstante, incluso para estas cuatro categorías amplias, hemos identificado algunos inconvenientes: lagunas de información, comparabilidad limitada en cuanto a categorías profesionales y diferencias entre fuentes. Sería beneficioso profundizar en la armonización de la definición de las profesiones sanitarias, especialmente en el caso de las enfermeras, para realizar análisis más detallados y de mayor calidad.
  • •Los Estados miembros de la UE están inmersos en una ola de reformas sanitarias que se están financiando con fondos europeos del Mecanismo de Recuperación y Resiliencia. Promover la planificación y previsión del personal sanitario sería una acción necesaria, incluida la mejora de la información armonizada.
  • •Además, es fundamental aprovechar la información disponible, y analizar de manera sistemática los desafíos identificados en los informes del SE puede proporcionar algunas pistas para dar respuestas a la formulación de políticas relativas a la movilidad de los profesionales de la salud.

Introducción

La Unión Europea (UE) se enfrenta a migraciones internas y las autoridades sanitarias necesitan lograr un equilibrio entre los objetivos de la política sanitaria y los objetivos del mercado interno, lo que incluye respetar la libre circulación de los profesionales de la salud.

El objetivo de este artículo es proporcionar una visión general de la movilidad del personal sanitario (HWF) en la Unión Europea (UE). A pesar del Brexit , incluimos los países de la Unión Europea-28 (UE-28) porque analizamos datos de años anteriores. La lista de países se muestra en líneaapéndice B.

Abordamos el trabajo bajo la perspectiva del mercado interior, “un espacio sin fronteras interiores en el que esté garantizada la libre circulación de mercancías, personas, servicios y capitales ”. Es el marco donde el Derecho comunitario fija “el derecho a ejercer una profesión, por cuenta propia o ajena, en un Estado miembro distinto de aquel en el que se hayan obtenido las cualificaciones profesionales” . En concreto, nos apoyamos en la Directiva sobre reconocimiento de cualificaciones profesionales.1que regula la movilidad de las profesiones reguladas en la UE, entre las que se incluyen las profesiones sanitarias.

A pesar de la perspectiva del mercado interior, no perdemos de vista la cuestión central de la política sanitaria de la UE y de los Estados miembros: garantizar el acceso a la asistencia sanitaria en las condiciones establecidas por las leyes y prácticas nacionales. Y sin perder de vista que la política sanitaria de la UE y de los Estados miembros no puede llevarse a cabo a espaldas de la agenda de gobernanza económica de la Unión. Así pues, para describir la movilidad de los profesionales sanitarios en la UE la relacionamos con los retos identificados en el Semestre Europeo (SE) en relación con el suministro de agua y saneamiento.2

Este artículo está organizado de la siguiente manera: a continuación, describimos brevemente nuestro método. Luego nos centramos en los resultados. Terminamos el análisis con algunas conclusiones que incluyen puntos clave. Dos apéndices en línea y referencias cierran el artículo.

Método

Para describir la movilidad del personal sanitario en la UE , utilizamos un método de investigación descriptivo basado en el análisis de datos secundarios, tanto cuantitativos como cualitativos, de bases de datos administrativas y estadísticas internacionales y de informes de la UE sobre los SE.

Enfoque cuantitativo

Abordamos la movilidad de los trabajadores sanitarios en la UE midiendo los flujos de profesionales sanitarios entre los países de la UE. Calculamos una variable proxy basada en el “número de decisiones positivas adoptadas sobre el reconocimiento de cualificaciones profesionales a efectos de establecimiento permanente en los Estados miembros de la UE, los países del EEE y Suiza ”. Para cada país, obtenemos el ratio de saldo neto (NBR): la relación entre la diferencia entre los flujos de entrada y salida de trabajadores sanitarios y el número total de profesionales sanitarios. En cuanto a los flujos, la fuente de información es la Base de Datos de Profesiones Reguladas (RPD).3En cuanto a las cifras, la fuente de información es múltiple. La principal es la oficina estadística de la Unión Europea (Eurostat), que hemos complementado con bases de datos proporcionadas por la Organización Mundial de la Salud (OMS) y la Organización para la Cooperación y el Desarrollo Económicos (OCDE). Puede consultar la información en líneaApéndice APara más detalles sobre los indicadores utilizados y sus fuentes, observamos que, al manejar la información cuantitativa en las bases de datos internacionales mencionadas, hemos detectado varias debilidades (lagunas de información, comparabilidad limitada en cuanto a categorías profesionales, diferencias entre fuentes, etc.). Abordar estas cuestiones excede el alcance de este trabajo. No obstante, desde la perspectiva de la formulación de políticas de la UE y de los países, mejorar los sistemas de información internacionales sobre el trabajo doméstico es un primer paso necesario para apoyar la planificación y la previsión.

Enfoque cualitativo

Para caracterizar la movilidad de los profesionales sanitarios en la UE, la relacionamos con los retos identificados en el EE en relación con el suministro de FHS.

La oferta de personal sanitario depende de las decisiones de los trabajadores sanitarios al respecto , que terminan determinando el tamaño y la composición del personal sanitario. Hemos creado un marco estilizado que incluye los principales impulsores de la oferta de personal sanitario. En cuanto al tamaño, tomamos prestado el enfoque de la OCDE.4y utilizamos el modelo clásico de stock/flujo. En cuanto a la composición, hemos seleccionado algunas características relevantes vinculadas a la oferta de FT, a saber: distribución por edad y sexo, distribución geográfica, distribución de competencias, mezcla de habilidades y participación laboral y horas trabajadas. Adicionalmente, incluimos algunas características institucionales.

Entabla 1Presentamos ese marco, que está “orientado a los desafíos”, lo que significa que, con base en modelos teóricos, hemos incluido aquellos impulsores del suministro de agua potable para los cuales se han señalado desafíos en el contexto del SE.

Para medir en qué medida estos retos podrían considerarse prioritarios, hemos medido su “intensidad” por el número de países en los que se ha señalado el componente durante el periodo 2017-2023, donde la unidad de contabilidad es el país y el año. Para ello, hemos creado una base de datos textual, que incluye para cada año y cada país la descripción de los retos señalados. Las fuentes de información son los Informes por País del Semestre Europeo 2023, complementados con los informes sobre el Estado de la Salud en la UE (2017, 2019 y 2021), que alimentan el proceso del SE y que aportan detalles más amplios para el sector sanitario (en adelante, los informes). Puede consultarse en líneaApéndice APara obtener más detalles sobre este indicador y sus fuentes, completamos el documento con una descripción general de las Recomendaciones específicas por país (CSR) de ES.

Resultados

Enfoque cuantitativo: flujos de profesionales sanitarios en la UE

En lineaApéndice B, Figuras B1-B5, mostramos el resultado de nuestros cálculos para el NBR de los HFW en la UE. Los presentamos ordenados, mostrando en las primeras posiciones aquellos países que son los principales receptores de HFW.

Los países con un NBR positivo son receptores de profesionales de la salud. Para un país determinado, la naturaleza de la proporción depende de la profesión de salud. Sin embargo, un conjunto de países son sistemáticamente receptores de HWF: AT, DE, IE, LU, NL y SE; BE, MT y UK son casi sistemáticamente receptores, excepto que BE es un país emisor para enfermeras, MT para médicos y el Reino Unido para farmacéuticos. Destacamos que, en el caso de DE, aunque positivo, el NBR es muy cercano a 0 para todas las profesiones (tenga en cuenta que una decisión administrativa positiva que otorga el reconocimiento para el propósito de establecimiento permanente para ejercer en el país anfitrión de manera permanente podría no siempre implicar una migración efectiva). Por otro lado, BG, EL, ES, FI, HR, HU, LT, LV, PL, PT y RO son sistemáticamente emisores de profesionales de la salud; DK, EE, FR, IT, SI y SK son sistemáticamente países emisores para todos los profesionales de la salud excepto farmacéuticos y CZ excepto para dentistas. En cuanto al resto (CY), no podemos identificar un patrón global. Sin embargo, las cifras para CY muestran valores positivos altos para médicos y dentistas y negativos altos para enfermeras; donde “alto” significa fuera del límite superior o inferior del intervalo de una desviación estándar alrededor de la media de la distribución. De acuerdo con eso, los datos señalan que los países con un “perfil receptor” son LU, BE, CY, IE, AT, MT y SE. Por otro lado, aquellos con un “perfil emisor” son RO, SK, ES, LT, LV, PT, BG, CY, EL, FI, HR, HU, IT y SI. Consulte la información en líneaApéndice B, Tabla B5.

También mostramos la densidad de profesionales de la salud en línea.Apéndice B, Tablas B1-B4, derivada del número de profesionales sanitarios utilizados para calcular el NBR, que ayuda a establecer el contexto de la movilidad del personal sanitario en la UE. Los datos muestran una variabilidad significativa entre los países de la UE, especialmente para enfermeras y dentistas (el coeficiente de variación supera el 20%). Entre 2010 y 2022, se registró una tendencia al alza para todas las profesiones en la UE (Fig. B5 en línea).

Enfoque cualitativo: desafíos relacionados con los factores impulsores del suministro de agua potable en la UE

En lineaApéndice B, Tablas B6 y B7, mostramos los resultados de la medición de la intensidad de los desafíos relacionados con los factores impulsores de la oferta de los trabajadores domésticos que se señalan en los informes. La consideración se centra igualmente en cuestiones relacionadas con el tamaño de los trabajadores domésticos y su composición , con alrededor del 40% de intensidad cada una. Para otras características institucionales y del mercado laboral , la intensidad cae a menos del 20%.

En cuanto a la movilidad, la inmigración y la emigración han sido señaladas como un desafío en el 15,37% de las ocasiones. Los países de la UE con mayor intensidad para el desafío de la emigración son RO, BG, HR, MT, PL, SK, EL, HU, IE, LT, LV, PT, CZ, EE, ES, IT y SI. Por otro lado, los países de la UE que han sido marcados como un «desafío» de inmigración son LU, MT, DE, IE, UK, HU y SE. Consulte la información en líneaApéndice B, Tabla B7.

La movilidad se utiliza como solución a la escasez. Registramos la escasez como problemas de existencias, ya sea en general o para profesiones específicas. Conservan la mayor parte de la preocupación sobre el tamaño de los equipos de protección personal . De hecho, los informes han señalado problemas de escasez el 25,67% de las veces: de 670 menciones a los problemas de los equipos de protección personal en los informes, 172 fueron para destacar la escasez de equipos de protección personal (en línea).Apéndice B, Tabla B6yFigura 1).

Por lo general, un desafío grave recibiría una recomendación específica del cliente para abordarlo. Por lo tanto, es útil recurrir a la recomendación específica del cliente para ver en qué medida son desafíos prioritarios. En 2020, 21 Estados miembros de la UE recibieron una recomendación específica del cliente para abordar problemas de escasez de agua y saneamiento, y la mayoría de ellos (17 veces) se referían específicamente a la escasez de agua y saneamiento.

La escasez de personal sanitario se ha revelado como una amenaza relevante durante la pandemia de COVID-19. De hecho, como se informa en el informe complementario de 2021 sobre el estado de la salud en la UE , “la pandemia de COVID-19 puso de relieve la escasez de personal sanitario, pero no se trata en absoluto de un nuevo desafío para los sistemas sanitarios en Europa (…) En la edición de 2021 de los perfiles sanitarios nacionales del Estado de la salud en la UE, la escasez de personal sanitario sanitario se considera un desafío clave para el sistema sanitario en 15 países”. El informe mencionado afirma que la demanda y la complejidad de la atención prestada en Europa ha crecido a un ritmo comparativamente más rápido que la densidad de personal sanitario debido al envejecimiento de la población y la creciente carga de enfermedades crónicas .

Los informes han señalado problemas de escasez, principalmente en el caso de los médicos y las enfermeras, y han documentado diversas razones para esa situación. En el caso de algunos Estados miembros, el problema era la existencia de numerosas cláusulas que en el pasado se habían fijado a un nivel bajo y que ha sido necesario suavizar. En otros casos, el país carecía de un sistema de educación sanitaria y necesitaba establecerlo para evitar una gran dependencia de profesionales extranjeros. La emigración es un problema en muchos países, que también se ve agravado por el envejecimiento de los trabajadores sanitarios, una parte importante de los cuales está a punto de jubilarse en los próximos diez años. Los informes no señalan cambios de carrera en ningún país (lo que podría deberse a la falta de datos sobre esta cuestión). Por el contrario, las condiciones de trabajo se han señalado como un problema en el 15,52% de las ocasiones, el segundo componente más señalado después de la escasez de trabajadores sanitarios. Los bajos salarios y la creciente sobrecarga de trabajo (que parecen ser más frecuentes en las zonas rurales y desfavorecidas) son los componentes mencionados con más frecuencia cuando se señalan las condiciones de trabajo como un problema asociado a la emigración o a la decisión de no elegir una carrera sanitaria. Aunque durante la pandemia se ha recurrido al recurso de los contratos a tiempo parcial o temporales para aumentar rápidamente los recursos humanos, en algunos casos, como en España, se ha producido un cambio hacia el contrato temporal, lo que se traduce en una gran rotación. En unos pocos países, los informes señalan pagos informales (12,30% de las menciones dentro de las condiciones de trabajo). Hemos tenido en cuenta estas menciones dentro de las condiciones de trabajo porque consideramos que este componente tiene un efecto perjudicial sobre la motivación.

En cuanto a los factores de oferta en el lado de la composición del marco, lo que muestran los informes es la presencia en muchos países de desequilibrios notables en la distribución geográfica de los recursos humanos, que con frecuencia se ven agravados por una concentración desigual en las zonas urbanas. Por lo general, los especialistas tienden a concentrarse en las zonas urbanas. Sin embargo, también se informa de una escasez importante de médicos de cabecera en las zonas rurales. En muchos casos, la solución a los desafíos requiere innovación en la distribución de competencias para dar respuesta a las necesidades actuales. Esto comienza en algunos casos con el diseño de nuevos planes de estudio. También será necesario cambiar la combinación de habilidades, por ejemplo, para tener en cuenta la creciente presencia que se requiere de profesionales de la atención a largo plazo y de nuevas profesiones sanitarias.

Conclusiones

La movilidad de los trabajadores migrantes ha sido identificada como un desafío para algunos países de la UE en el período analizado con una intensidad no despreciable. Tanto como un problema de fuerte dependencia de la contratación en el extranjero (entradas) como una amenaza de escasez debido a la emigración de profesionales. La lista de países marcados con mayor intensidad con respecto a un desafío de emigración es coherente con aquellos identificados con un «perfil de emisor» basado en la base de datos sobre calificaciones profesionales. Asimismo, la lista de países marcados con mayor intensidad con respecto a un desafío de inmigración es coherente con aquellos identificados con un «perfil de receptor». Existe una alta coincidencia en los países marcados con un «perfil de emisor» bajo ambos enfoques: RO, SK, ES, LT, LV, PT, BG, EL, HR, HU, IT y SI (un 86% de los países señalados bajo el enfoque cuantitativo también lo están bajo el cualitativo). Por su parte, LU, IE, MT y SE podrían marcarse con un «perfil de receptor» (respectivamente 57%).

La movilidad se utiliza como solución a la escasez. Parece que la pandemia ha agravado la escasez preexistente, poniendo de relieve la necesidad de lograr un equilibrio entre los objetivos sanitarios y los del mercado interior. El caso rumano es paradigmático: Rumanía es sistemáticamente uno de los países más afectados por la salida interna de profesionales sanitarios. Al mismo tiempo, ocupa un puesto destacado en la UE en cuanto a necesidades médicas no satisfechas.5Por el contrario, Luxemburgo es el mayor receptor neto de trabajadores sanitarios para todas las categorías analizadas, ocupando una posición muy baja en cuanto a necesidades no satisfechas.

Hay indicios de que la Unión tendrá que abordar la escasez de personal sanitario en un futuro próximo. Ya existía antes de la pandemia, que no hizo más que agravarla. Aunque la evolución de la densidad de personal sanitario es positiva a nivel de la UE, parece que no ha sido suficiente para compensar la presión sobre la demanda.

Por otra parte, la movilidad como solución a la escasez de personal sanitario supone una amenaza para la planificación y la prestación de servicios, por lo que la planificación y la previsión aparecen como una herramienta política pertinente a nivel nacional y de la UE para lograr el equilibrio necesario entre la política sanitaria y los objetivos del mercado interior. Los Estados miembros de la UE están inmersos en una ola de reformas sanitarias que se están financiando con fondos europeos del Mecanismo de Recuperación y Resiliencia. Promover la planificación y la previsión del personal sanitario se perfilaría como una acción necesaria, incluida la mejora de la información armonizada. Además, trazar de forma sistemática los retos identificados en los informes del Semestre Europeo puede proporcionar algunas pistas para dar respuestas a la formulación de políticas relativas a la movilidad de los profesionales sanitarios.

Inteligencia artificial en la gestión de quirófanos

Valentina BelliniMichele RusoTania Domenichetti , Matteo Panizzi , Simone Allai ,y Elena Giovanna Bignami

Abstract

Esta revisión sistemática examina el uso reciente de la inteligencia artificial, en particular el aprendizaje automático, en la gestión de quirófanos. Se analizan un total de 22 estudios seleccionados desde febrero de 2019 hasta septiembre de 2023.

La revisión enfatiza el impacto significativo de la IA en la predicción de la duración de los casos quirúrgicos, la optimización de la asignación de recursos de la unidad de cuidados postanestésicos y la detección de cancelaciones de casos quirúrgicos.

Los algoritmos de aprendizaje automático como XGBoost, random forest y redes neuronales han demostrado su eficacia para mejorar la precisión de las predicciones y la utilización de los recursos.

Sin embargo, se reconocen desafíos como el acceso a los datos y las preocupaciones por la privacidad.

La revisión destaca la naturaleza cambiante de la inteligencia artificial en la investigación de la medicina perioperatoria y la necesidad de una innovación continua para aprovechar el potencial transformador de la inteligencia artificial para los administradores de atención médica, los profesionales y los pacientes. En última instancia, la integración de la inteligencia artificial en la gestión de quirófanos promete mejorar la eficiencia de la atención médica y los resultados de los pacientes.

Palabras clave: Inteligencia artificial, Machine learning, Quirófano, Gestión, Perioperatorio

Introducción

El quirófano es el epicentro de la atención médica, la gestión eficiente de los recursos del quirófano, el personal y el equipo, es vital para una atención quirúrgica de primer nivel [ 1 ]. Recientemente, la integración de la inteligencia artificial (IA) y el aprendizaje automático (AA) están transformando la gestión del quirófano, redefiniendo la planificación y la optimización quirúrgicas [ 2 ]. El viaje hacia la IA y el AA en la gestión del quirófano comenzó con una constatación: los datos de la atención médica tenían un potencial sin explotar, desde la demografía de los pacientes hasta los historiales quirúrgicos, los protocolos de anestesia y la dinámica de la sala de recuperación [ 3 ]. En 2015, la investigación sobre el AA en medicina creció exponencialmente, pasando de la teoría a las aplicaciones del mundo real [ 4 ]. Con una mayor comprensión del AA y la potencia informática, la atención médica está utilizando esta tecnología para abordar desafíos complejos [ 5 ]. En la era de la atención médica basada en datos, el AA se convirtió en una piedra angular para las tareas del quirófano, prediciendo las duraciones quirúrgicas, optimizando los horarios y mejorando el uso de los recursos [ 6 ]. Los algoritmos de ML, como los árboles de decisión y los bosques aleatorios, redefinieron la eficiencia de los quirófanos, prometiendo predicciones más precisas y una toma de decisiones proactiva [ 7 ]. Esta revisión sistemática actualiza nuestro trabajo anterior, “Inteligencia artificial: una nueva herramienta en la gestión de quirófanos. Función de los modelos de aprendizaje automático en la optimización de quirófanos”, centrándose en el período comprendido entre febrero de 2019 y el 28 de septiembre de 2023 [ 4 ]. En la revisión anterior, exploramos el papel fundamental de ML en la remodelación de la gestión de quirófanos, haciendo hincapié en el potencial de los algoritmos impulsados ​​por IA para la programación, la predicción de la duración de los casos y la optimización de la asignación de recursos. En esta actualización, profundizamos en los últimos desarrollos de ML en medicina perioperatoria, explorando cómo redefinen la eficiencia de los quirófanos y la atención al paciente. Exploramos la expansión de ML en la medicina perioperatoria, desde la asignación de recursos de la Unidad de Cuidados Postanestésicos (PACU) hasta la reducción de las cancelaciones de casos quirúrgicos. También destacaremos los desafíos y las oportunidades de integración mientras buscamos maximizar el potencial de la IA para todos en la atención médica.

Resultados

La búsqueda arrojó 90.492 artículos publicados entre febrero de 2019 y el 28 de septiembre de 2023, sin duplicados; 44.723 eran texto completo. Solo 2.009 eran ensayos clínicos y ensayos controlados aleatorios. Hicimos una revisión más detallada, conservando solo los estudios en inglés que involucraban a la población humana adulta (18 años o más), con un total de 1.071 estudios. Después de examinar los 30 estudios restantes, descartamos ocho artículos: dos no estaban estrictamente relacionados con la aplicación de ML y seis eran estudios teóricos. En la selección final, se incluyeron 22 estudios en el análisis [ 8 – 29 ]. 1muestra el diagrama de flujo PRISMA.

Entre los 22 estudios analizados [ 8–29 ], dieciséis se centraron principalmente en predecir la duración de los casos quirúrgicos [ 8–13 15–24 , tres se centraron en predecir la duración de la estancia en la UCPA [ 25–27 ] . Un estudio abordó ambos aspectos [ 14 ] , mientras que solo dos estudios examinaron la identificación de casos quirúrgicos con alto riesgo de cancelación [ 28 , 29 ]. Además, cabe destacar que solo uno de los estudios es un ensayo clínico aleatorizado [ 23 ] , lo que sugiere la necesidad de diseños experimentales más sólidos en este dominio de investigación.

En los estudios seleccionados, los algoritmos de aprendizaje automático utilizados con mayor frecuencia están representados por Random Forest, XGBoost, regresión lineal, regresión de vectores de soporte (SVR), redes neuronales, bagging, métodos de conjunto, perceptrón, CatBoost y regresión logística.

Todos ellos [ 8–29 ] demostraron la capacidad de mejorar la precisión predictiva de las duraciones quirúrgicas, la duración de la estancia en la UCPA y las predicciones de cancelación de casos quirúrgicos de alto riesgo.

En particular, XGBoost exhibió el mejor rendimiento general cuando se utilizó. Los métodos de conjunto, como Bagging y Random Forest, mejoraron la precisión de la predicción al combinar modelos [ 14 ] .

Los modelos de ML también optimizaron la programación y la asignación de recursos. Por ejemplo, Hassanzadeh et al. [ 11 ] predijeron las llegadas diarias al quirófano con un 90% de precisión, optimizando la dotación de personal y la asignación de recursos. Varios estudios, incluidos los de Bartek et al. [ 8 ] y Lam et al. [ 13 ], enfatizaron la importancia de adaptar los modelos de ML a los cirujanos individuales o considerar factores adicionales relacionados con el paciente y la cirugía.

La tendencia observada en las publicaciones de artículos científicos sobre ML en medicina perioperatoria mostró un aumento de 2015 a 2019 [ 4 ], seguido de una disminución (Fig. 2).

Figura 2

Publicación por año desde 2019. Nota: la cronología cuenta todas las fechas de publicación de una cita proporcionadas por el editor. Estas fechas pueden abarcar más de un año. Esto significa que la suma de los resultados representados en la cronología puede diferir del recuento de resultados de búsqueda

Esto puede ser indicativo de varios factores. Inicialmente, hubo un aumento en el interés y la inversión en aplicaciones de ML, la optimización de la gestión de quirófanos, la reducción de costos y la mejora de la calidad de la atención al paciente. Sin embargo, la disminución a partir de 2020 puede deberse a investigaciones prometedoras que ya se están publicando, desafíos prácticos o una necesidad de comprensión y recursos más profundos. Las características de la curva de aprendizaje se representan en la (Fig. 3).

Fig. 3

Curva de aprendizaje de la inteligencia artificial y publicaciones

Esta tendencia refleja la naturaleza cambiante del aprendizaje automático en la medicina perioperatoria, lo que requiere un análisis detallado del panorama de investigación, la financiación, la tecnología y las prioridades cambiantes. Aunque los estudios han demostrado la eficacia de los sistemas de IA/ML en aplicaciones de quirófano, la vacilación o renuencia de los médicos a incorporar estos sistemas en la toma de decisiones sigue siendo una barrera importante. Este fenómeno es causado por muchos factores. La naturaleza compleja de las tecnologías de IA/ML, en particular en el ámbito sanitario, puede contribuir a una adopción lenta en la práctica clínica. Para los médicos, puede ser un desafío comprender los algoritmos y procesos que sustentan estos sistemas. La naturaleza novedosa y cambiante de las tecnologías de IA puede crear un riesgo percibido, lo que hace que los médicos duden en adoptar y confiar plenamente en estas herramientas. Es posible que los médicos no estén lo suficientemente familiarizados con los conceptos y el funcionamiento de los sistemas de aprendizaje automático/IA. La falta de educación y capacitación sobre cómo funcionan estas tecnologías puede generar escepticismo. Llenar esta brecha de conocimiento es esencial para generar confianza entre los médicos. Además, en el quirófano, donde la seguridad del paciente es primordial, los médicos pueden ser particularmente reacios a adoptar tecnologías que puedan afectar los resultados del paciente. Las preocupaciones sobre la fiabilidad y seguridad de los sistemas de IA pueden contribuir a un enfoque conservador para su adopción. Si bien los estudios han demostrado la eficacia de los sistemas de IA/ML en entornos controlados, los médicos pueden ser reacios a considerar su aplicabilidad y generalización en el mundo real. La validación clínica limitada y la evidencia insuficiente de mejores resultados para los pacientes en diversos escenarios pueden obstaculizar la aceptación de estas tecnologías. Además, los médicos a menudo enfrentan consideraciones éticas y legales al integrar la IA en la atención al paciente. Los problemas relacionados con la privacidad de los datos, la responsabilidad y las implicaciones éticas de la toma de decisiones automatizada pueden contribuir a la vacilación en la adopción de sistemas de ML/IA en los quirófanos. Finalmente, la comunicación y colaboración efectivas entre científicos de datos, ingenieros y médicos son cruciales. La falta de alineación en los objetivos, las expectativas y el lenguaje entre estos equipos interdisciplinarios puede conducir a malentendidos y obstaculizar la implementación exitosa de la IA en entornos clínicos. Abordar estos factores implica no solo mejorar la explicabilidad y la transparencia de los modelos de IA, sino también implementar programas sólidos de educación y capacitación para los médicos [ 30 ]. La creación de un entorno colaborativo que involucre a los médicos en el proceso de desarrollo, que garantice una validación clínica rigurosa y que aborde las cuestiones éticas y legales son pasos esenciales para fomentar la confianza y la aceptación. Superar estos desafíos puede contribuir a acelerar la integración de los sistemas de IA/ML en los procesos de toma de decisiones en el quirófano. Figura 4Ilustra una comparación del número de publicaciones en cada área entre la versión anterior de la revisión y esta actualización.

Figura 4

Número de publicaciones por área

Discusión

De los 22 artículos seleccionados [ 8–29 ] , 17 se centran en predecir la duración de la planificación quirúrgica [ 8–24 ] . Este hallazgo subraya el papel crucial de la estimación precisa en la duración del caso quirúrgico para una gestión eficaz del quirófano. Presenta un desafío complejo y multifacético que afecta profundamente la programación del quirófano, la asignación de recursos y la eficiencia operativa general. Nuestra revisión anterior [ 4 destacó principalmente los resultados prometedores de un algoritmo propietario conocido como leap Rail® [ 31 ]. Si bien mostró una mejora en la precisión predictiva en comparación con los métodos tradicionales, nuestra revisión actualizada revela un panorama más matizado. Estudios más recientes, como el trabajo de Bartek y colegas [ 8 ], han profundizado en el uso de modelos de aprendizaje automático, enfatizando la importancia de los modelos específicos del cirujano. Estos modelos más nuevos superan a los específicos del servicio y mejoran significativamente la precisión de las predicciones del tiempo del caso, ofreciendo beneficios sustanciales en términos de gestión del quirófano. Nuestro análisis actualizado también demuestra el predominio de XGBoost en los modelos de aprendizaje automático sobre otros algoritmos, incluido el modelo de bosque aleatorio y la regresión lineal. Se muestran las capacidades predictivas superiores de XGBoost, lo que es una desviación notable del enfoque de la revisión anterior en leap Rail® [ 30 ]. Esto subraya los rápidos avances en la tecnología de aprendizaje automático y su potencial para refinar las predicciones de duración de los casos quirúrgicos. Sin embargo, es importante tener en cuenta que diferentes resultados podrían requerir diferentes algoritmos de ML. [ 32 ]

Otro hallazgo clave en la revisión anterior fue el potencial ahorro de costos asociado con predicciones precisas de la duración de los casos quirúrgicos en la cirugía robótica. Sin embargo, nuestra revisión actualizada proporciona nuevos conocimientos.

Jiao y colegas [ 11] introdujeron el uso de redes neuronales artificiales modulares (MANN) para predecir la duración restante de la cirugía. Las MANN son redes neuronales equipadas con memoria externa. Se destacan en tareas que requieren contexto y razonamiento secuencial, lo que las hace adecuadas para ciertas aplicaciones clínicas. Aprovecharon los registros de anestesia de una amplia gama de poblaciones quirúrgicas y tipos de hospitales, lo que demuestra la solidez y adaptabilidad de su modelo.

MANN superó constantemente los enfoques estadísticos bayesianos, particularmente durante el último cuartil de la cirugía, lo que indica su potencial para ahorrar costos y mejorar la eficiencia operativa.

El estudio también evaluó la generalización y transferibilidad del modelo MANN. Encontró que incluso los sistemas de atención médica con volúmenes quirúrgicos más bajos podrían beneficiarse de ajustar un modelo entrenado en sistemas cercanos más grandes. También destacó la falta de información significativa en el registro de anestesia durante ciertas fases de la cirugía, lo que sugiere margen de mejora. Este estudio subraya los rápidos avances en los algoritmos de aprendizaje automático y su aplicación en escenarios quirúrgicos del mundo real.

Los autocodificadores variacionales (VAE), que son modelos generativos diseñados para aprender representaciones latentes de datos, también encajan en este contexto. Consisten en un codificador y un decodificador. El codificador asigna datos de entrada a una distribución de probabilidad en un espacio latente, y el decodificador reconstruye datos a partir de muestras en este espacio latente. Vincular modelos avanzados como MANN y VAE al sentido clínico implica que estos modelos podrían contribuir al campo de la medicina personalizada al aprender representaciones específicas del paciente, lo que permite planes de tratamiento personalizados y también abordar necesidades clínicas, mejorar los diagnósticos, mejorar los resultados del paciente o agilizar los procesos de atención médica33 ].

El trabajo realizado por Strömblad et al. [ 23 ], un ensayo clínico aleatorizado de un solo centro, aportó conocimientos adicionales.

Exploraron la precisión de la predicción de las duraciones de los casos quirúrgicos utilizando un modelo de aprendizaje automático en comparación con el sistema de flujo de programación existente.

Esta investigación destacó los beneficios de un enfoque de predicción integral y basado en datos, que dio como resultado una reducción significativa del error absoluto medio (MAE), lo que contribuyó a una mayor precisión de la predicción. Es importante destacar que esta disminución del MAE se tradujo en una reducción de los tiempos de espera de los pacientes sin afectar negativamente los tiempos de espera de los cirujanos ni la eficiencia operativa, lo que indica un equilibrio armonioso entre la eficiencia y los resultados de los pacientes. Este estudio es el primer y único ensayo clínico aleatorizado sobre el tema, hasta donde sabemos, lo que representa un hito significativo.

Al comparar las revisiones, tanto la anterior [ 4 ] como la actualizada subrayan los posibles beneficios de una mejor precisión de predicción en la programación quirúrgica y la gestión de quirófanos. Sin embargo, los estudios más nuevos proporcionan información más específica sobre las implicaciones prácticas.

El trabajo de Bartek y colegas [ 8 ] muestra una reducción en los tiempos de espera y la utilización de recursos mediante la implementación de modelos impulsados ​​por el aprendizaje automático. Esto tiene un impacto significativo en los resultados de los pacientes sin interrumpir la eficiencia operativa, lo que refuerza el valor de estos modelos predictivos en entornos de atención médica del mundo real. Al comparar la revisión actualizada de los modelos predictivos para la duración de la estadía en la UCPA con la versión anterior [ 4 ], podemos discernir una evolución sustancial también en este campo.

La revisión anterior ya había reconocido la importancia de mejorar la organización del hospital y la logística interna para reducir los costos asociados con el desperdicio de tiempo y espacio en la atención médica [ 4 ]. Había destacado problemas de congestión en la UCPA debido a una planificación quirúrgica inadecuada, que a menudo llevaba a que los pacientes fueran retenidos en el quirófano cuando las camas de la UCPA no estaban disponibles, lo que generaba costos más altos. En la actualización actual, hemos ampliado nuestro análisis para incluir estudios más recientes, centrados específicamente en predecir la duración de la estancia en la UCPA, y sus hallazgos son sorprendentes.

Un estudio realizado por Schulz y colegas [ 25 ] utilizó un conjunto de datos de 100.511 casos para desarrollar modelos predictivos para la duración de la estancia en la UCPA. Consideraron variables como la edad del paciente, la urgencia quirúrgica, la duración de la cirugía y más para crear un modelo de red neuronal. En particular, el estudio evaluó a anestesiólogos individuales, categorizándolos en función de su duración media de estancia en la UCPA. El modelo predictivo, basado en datos administrativos recopilados de forma rutinaria, explicó significativamente las variaciones en la duración media de la estancia en la UCPA de los anestesiólogos individuales. Este estudio subrayó la practicidad de implementar modelos predictivos dentro de la infraestructura hospitalaria existente.

La investigación de Tully y colegas [ 27], otro estudio notable en este campo, tuvo como objetivo desarrollar un modelo que pudiera clasificar a los pacientes con alto riesgo de una estadía prolongada en la UCPA de ≥ 3 h.

El estudio consideró factores como el procedimiento quirúrgico, la edad del paciente y la duración programada del caso. El modelo más eficaz fue XGBoost, que mejoró significativamente la capacidad de predecir estadías prolongadas en la UCPA. Además, al utilizar las predicciones del modelo XGBoost, los casos se volvieron a secuenciar en función de la probabilidad de una estadía prolongada en la UCPA, lo que llevó a una reducción sustancial en el número de pacientes en la UCPA fuera del horario laboral. Estos estudios recientes significan colectivamente un cambio notable en el campo de la predicción de la duración de la estadía en la UCPA. Destacan el potencial de los modelos predictivos, el aprendizaje automático y los enfoques basados ​​en datos para mejorar la calidad de la atención médica y la eficiencia operativa.

La adopción de análisis de big data y la optimización de la secuenciación de casos tienen claras implicaciones para mejorar los resultados de los pacientes y la asignación de recursos. Es evidente que estos modelos son muy prometedores para las instituciones de atención médica, ya que potencialmente ofrecen ahorros de costos considerables y una mejor atención al paciente. Al comparar estos hallazgos recientes con la versión anterior de la revisión, vemos un avance notable en la sofisticación de los modelos predictivos. La versión anterior enfatizaba principalmente la cuestión del uso ineficiente de la unidad de cuidados postoperatorios y sus implicaciones financieras, destacando el potencial de ahorro de costos mediante una mejor planificación quirúrgica. Los nuevos estudios demuestran no solo el potencial de ahorro de costos sino también el poder de los modelos predictivos basados ​​en datos, que pueden mejorar significativamente la eficiencia y la eficacia de las operaciones de atención médica.

Uno de los desafíos importantes en la industria de la salud es la cancelación inesperada de casos quirúrgicos. Las cancelaciones quirúrgicas no solo interrumpen el flujo de trabajo de los centros de salud, sino que también plantean riesgos para la seguridad y la satisfacción del paciente [ 34 ]. Para abordar este problema y optimizar la programación quirúrgica, las técnicas de ML han surgido como una solución prometedora para la detección temprana de posibles cancelaciones. La comparación de la revisión actualizada con la versión anterior [ 4 ] revela avances sustanciales en este aspecto crítico de la gestión de la atención médica.

En la revisión anterior [ 4 ], el enfoque estaba en los altos costos asociados con las cancelaciones de casos quirúrgicos, destacando particularmente la variación de costos entre diferentes tipos de cirugías. Subrayó la necesidad de métodos de clasificación automática para detectar cancelaciones de alto riesgo a partir de grandes conjuntos de datos. Además, la revisión analizó el potencial de los algoritmos de ML, específicamente el bosque aleatorio, para identificar cirugías con alto riesgo de cancelación, con la promesa de optimizar la utilización de los recursos de atención médica y la rentabilidad. La revisión actual continúa enfatizando la importancia de abordar las cancelaciones de casos quirúrgicos en la atención médica.

Por ejemplo, Luo et al. [ 28 ] contribuyen significativamente al campo al aprovechar el ML para identificar cancelaciones de alto riesgo.

Su investigación se centra en un conjunto de datos de cirugías urológicas electivas, que comprende más de 5000 casos, con el objetivo de identificar cirugías propensas a la cancelación debido a factores relacionados con los recursos y la capacidad institucional. Los autores emplearon tres algoritmos de ML, incluidos el bosque aleatorio, la máquina de vectores de soporte y XGBoost, y evaluaron su rendimiento en varias métricas.

Sus hallazgos revelaron la idoneidad de los modelos de ML para identificar cirugías con bajo riesgo de cancelación, reduciendo efectivamente el grupo de cirugías con mayor riesgo. Además, los modelos de bosque aleatorio mostraron una buena eficacia para distinguir las cirugías de alto riesgo, con un área bajo la curva (AUC) superior a 0,6, lo que indica un resultado interesante en este contexto.

Diferentes métodos de muestreo permitieron ajustes en el rendimiento del modelo, destacando las compensaciones entre la sensibilidad y la especificidad. El estudio concluyó que los modelos de ML son factibles para identificar cirugías con riesgo de cancelación.

En un estudio posterior de Zhang y colegas [ 29] del mismo centro, el enfoque se desplazó a proporcionar metodologías efectivas para reconocer cirugías de alto riesgo propensas a cancelación.

También utilizaron el mismo conjunto de datos pero exploraron una variedad de modelos de aprendizaje automático, incluidos bosques aleatorios, regresión logística, XGBoost, máquinas de vectores de soporte y redes neuronales. El estudio identificó el modelo de bosque aleatorio como el algoritmo de mejor rendimiento, logrando una alta precisión de 0,8578 y un AUC de 0,7199. A pesar de la alta especificidad y el valor predictivo negativo, el estudio reconoció la necesidad de mejorar la sensibilidad y el valor predictivo positivo para identificar casos de alto riesgo.

En resumen, ambos estudios [ 28 , 29 ] tienen como objetivo abordar el desafío de las cancelaciones de casos quirúrgicos en la atención médica utilizando técnicas de aprendizaje automático. Destacan la importancia de seleccionar el algoritmo de aprendizaje automático adecuado para esta tarea y reconocen la necesidad de mejorar la sensibilidad y el valor predictivo positivo. Ambos estudios [ 28 , 29 ] reconocen limitaciones relacionadas con su enfoque en cirugías urológicas electivas dentro de un solo hospital y sugieren el potencial de que la investigación futura se expanda a diversos entornos de atención médica para mejorar la generalización. Al comparar las dos revisiones, la versión anterior [ 4 ] enfatizó la necesidad de algoritmos de ML para abordar las cancelaciones de casos quirúrgicos, pero no profundizó en los hallazgos de investigaciones específicas por falta de estudios sobre el argumento. Por el contrario, en la versión actual proporcionamos información detallada sobre la idoneidad de diferentes modelos de ML para identificar cirugías de alto riesgo. Ambas revisiones comparten un tema común: el papel fundamental de las técnicas de ML para abordar las cancelaciones de casos quirúrgicos para mejorar la utilización de los recursos de atención médica y la rentabilidad.

En resumen, la comparación entre las dos ediciones de las revisiones sistemáticas sobre la integración de la inteligencia artificial en la gestión de quirófanos destaca una notable evolución en cada dominio. En el caso de la estimación de la duración de los casos quirúrgicos, la revisión más reciente muestra un cambio hacia modelos basados ​​en el aprendizaje automático, en particular XGBoost, y un mayor enfoque en los modelos específicos para el cirujano.

Esto significa la realización del potencial del aprendizaje automático, que promete una mayor precisión en las predicciones, reducción de costos y una mejor gestión del quirófano.

De manera similar, en el dominio de la predicción de la duración de la estancia en la UCPA, la revisión actualizada subraya el potencial transformador de los modelos predictivos, haciendo hincapié en el valor del análisis de big data, la secuenciación optimizada de casos y las métricas ajustadas al riesgo para mejorar los resultados de los pacientes y la asignación de recursos.

Reconoce los desafíos de la implementación en el mundo real y la necesidad de una mayor validación a través de estudios prospectivos y esfuerzos de colaboración. En general, la revisión actualizada proporciona conocimientos más profundos sobre las aplicaciones prácticas de estas técnicas avanzadas, ofreciendo a los proveedores y gerentes de atención médica herramientas valiosas para mejorar la eficiencia, reducir los costos y mejorar la atención al paciente. El cambio hacia modelos específicos para cada centro en el ámbito de la atención sanitaria, en particular en lo que respecta a los aspectos organizativos, merece una exploración en profundidad. Esta tendencia refleja el creciente reconocimiento de que la personalización basada en variables específicas del centro, como el tipo de cirujano o anestesista, puede conducir a predicciones más precisas y una mejor asignación de recursos.

El equilibrio entre las aplicaciones clínicas y organizativas en estos modelos sigue siendo una consideración clave.

Mientras que los modelos clínicos se centran en factores específicos del paciente, los modelos organizativos, incluidos los específicos para cada centro, abordan principalmente la optimización de recursos, la eficiencia de la programación y la reducción de costos.

La elección entre modelos específicos para cada centro y modelos clínicos depende en última instancia de los objetivos y prioridades específicos de una institución sanitaria.

En cuanto a la implementación clínica, es fundamental investigar cuántos de estos modelos avanzados progresarán más allá de la investigación hasta la aplicación práctica.

El cambio hacia la usabilidad en el mundo real está ganando terreno, pero no todos los estudios proporcionan herramientas o software para la aplicación directa.

Un aspecto fundamental es la integración de estos modelos en las rutinas de trabajo diarias. La implementación exitosa a menudo implica la colaboración interdisciplinaria entre científicos de datos, profesionales de la salud y administradores.

Estas herramientas pueden ser utilizadas por una amplia gama de partes interesadas, incluidos cirujanos, anestesistas, equipos de programación y administradores de hospitales. Los diferentes resultados de estos modelos sirven para diversos propósitos.

Por ejemplo, los modelos clínicos pueden guiar las decisiones de tratamiento, mientras que los modelos organizacionales pueden mejorar la asignación de recursos y la eficiencia de la programación.

El grado en que estos modelos están diseñados para una fácil integración y uso en las operaciones diarias de atención médica es un área clave de investigación. lo que en última instancia repercute en su utilidad práctica y su impacto en la atención al paciente y la gestión de la atención sanitaria.

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 .

SolicitudEjemplo 1Ejemplo 2
Formación quirúrgicaOsso VRCirugía del tacto
Educación del pacienteAnatomía 3D de Organon en realidad virtualAccuVein
El manejo del dolorVR AplicadaEaseVRx
Terapia de salud mentalLímbicoPsicológico
RehabilitaciónLaberinto mentalRehametría
Consultas remotas/TelemedicinaProximidadAugmedix
Navegación quirúrgicaMicrosoft HoloLensAccuVein
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 .

SolicitudEjemplo 1Ejemplo 2
Monitorización remota de pacientesSoluciones de telesalud de Philips HealthcareEl monitor portátil de Biobeat
Integración de dispositivos médicosSoluciones SmartLinx de Capsule TechnologiesCapsule Vitals Plus de Qualcomm Life
Gestión de activosAeroScout RTLS de Stanley HealthcareZebra Savanna de Zebra Technologies
Manejo de medicamentosSolución Hailie® de AdheriumSoluciones de dispensación de medicamentos de Philips
Consultas remotas/TelemedicinaTeladoc SaludMédico a pedido
Análisis de datos y perspectivasIBM Watson SaludAnálisis 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 ciberseguridadEjemplo 1Ejemplo 2
Cifrado de datosEstándar de cifrado avanzado (AES)Cifrado Rivest-Shamir-Adleman (RSA)
Mecanismos de autenticaciónAutenticación biométrica (por ejemplo, huella dactilar, escaneo de iris)Autenticación multifactor (por ejemplo, contraseña, token, tarjeta inteligente)
Proceso de arranque seguroGarantiza que solo se ejecute código confiable durante el inicioProceso de arranque seguro basado en hardware
Actualizaciones periódicas de softwareParches y actualizaciones oportunas para abordar vulnerabilidades de seguridadActualizaciones 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 accesoControl de acceso basado en roles (RBAC)Principio de acceso con privilegios mínimos
Endurecimiento del dispositivoDeshabilitar servicios, puertos y funcionalidades innecesariosImplementación de reglas de firewall y medidas de segmentación de red
Protocolos de comunicación segurosSeguridad 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 RPMEjemplo 1Ejemplo 2
Dispositivos portátilesFitbitReloj Apple, reloj Samsung Galaxy
Monitores remotos de signos vitalesSensor Radius PPG™ de MasimoEl monitor portátil de Biobeat
Aplicaciones de salud para móvilesPlataforma digital HealthSuite de Philips HealthcarePlataforma Biovitals® de Biofourmis
Plataformas de telesaludTeladoc SaludMédico Amwell a pedido
Sistemas de monitoreo remotoBosch Healthcare Solutions, plataforma Health BuddyPlataforma de gestión de atención remota de Vivify Health
Dispositivos de monitorización en el hogarDispositivo de monitorización remota de pacientes Genesis Touch de HoneywellMáquina CPAP AirSense™ 10 de ResMed con conectividad AirView™
Sistemas de monitorización cardíaca remotaSistema de monitorización cardíaca ePatch™ de BioTelemetryMonitor 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 sanitarioEjemplo 1Ejemplo 2
Soluciones de pago de atención médicaEstrella del caminoInstaMed
Cuentas de ahorro para gastos de salud (HSA)DinámicoMás
Plataformas de financiación médicaCrédito de atenciónPréstamos para atención médica Prosper
Plataformas de seguros de saludSalud de OscarSalud brillante
Gestión de gastos sanitariosAlegríaEquidad en salud
Automatización de la facturación sanitariaCedroPacienteco
Plataformas de crowdfunding médicoGoFundMe MedicalFondo 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 sanitarioEjemplo 1Ejemplo 2
Sistemas de registros médicos electrónicos (EHR)Corporación de sistemas épicosCorporación Cerner
Sistemas de archivo y comunicación de imágenes (PACS)Salud AmbraImagen de vida
Plataformas de intercambio de información sanitaria (HIE)RedoxGorila de la salud
Plataformas de telesaludTeladoc SaludAmwell
Plataformas de análisis de atención sanitariaAtención sanitaria en la nube de GoogleIBM Watson Salud
Herramientas de análisis de imágenes médicasAidocVisión médica de Zebra
Plataformas de monitorización remota de pacientesBioformisAtención 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/AplicaciónEjemplo 1Ejemplo 2
Análisis de imágenes médicasAprendizaje profundo para la interpretación de imágenes de resonancia magnéticaDetección de enfermedades de la retina basada en inteligencia artificial (IA) de DeepMind Health de Google
Sistemas de apoyo a la toma de decisiones clínicasSistema de apoyo a la toma de decisiones clínicas de IBM Watson HealthComprobador de síntomas basado en inteligencia artificial de Ada Health
Análisis predictivoPredicción de reingresos de pacientes basándose en registros médicos electrónicosIdentificación de sepsis en pacientes de UCI mediante signos vitales y valores de laboratorio
Descubrimiento y desarrollo de fármacosPlataforma de descubrimiento de fármacos basada en IA de AtomwiseLa plataforma de inteligencia artificial de BenevolentAI para el descubrimiento y desarrollo de fármacos
Medicina personalizadaSecuenciación genómica y aprendizaje automático para planes de tratamiento personalizadosIBM Watson for Genomics para el tratamiento del cáncer
Detección de fraudes en el ámbito sanitarioDetección de reclamaciones de seguros fraudulentas mediante técnicas de detección de anomalíasSistema de detección de fraude basado en inteligencia artificial de Optum
Procesamiento natural del lenguajeExtracción de información de notas e informes clínicosPlataforma 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.

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 .

Applbiosci 03 00002 g001

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.

Applbiosci 03 00002 g002

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

Applbiosci 03 00002 g003

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 obesidad49 ].

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 Parkinson80 , 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

  1. Henderson, H. Artificial Intelligence: Mirrors for the Mind (Milestones in Discovery and Invention), 1st ed.; Chelsea House Publisher:
    New York, NY, USA, 2007; 176p.
  2. Russell, S.; Norvig, P. Artificial Intelligence: A Modern Approach, 4th ed.; Pearson: Bloomington, MN, USA, 2021; 1136p.
  3. Philippidis, A. Charles River Licenses ERS Genomics’ CRISPR/Cas9 Technology. Clin. OMICs 2018, 5, 7. [CrossRef]
  4. Turing, A.M. On Computable Numbers, with an Application to the Entscheidungsproblem. Proc. Lond. Math. Soc. 1937, s2-42,
    230–265. [CrossRef]
  5. McCulloch, W.S.; Pitts, W. A Logical Calculus of the Ideas Immanent in Nervous Activity. Bull. Math. Biophys. 1943, 5, 115–133.
    [CrossRef]
  6. Widrow, B.; Lehr, M.A. 30 Years of Adaptive Neural Networks: Perceptron, Madaline, and Backpropagation. Proc. IEEE 1990,
    78, 1415–1442. [CrossRef]
  7. 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]
  8. 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]
  9. 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]
  10. 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]
  11. 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]
  12. 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]
  13. 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]
  14. Gaisford, S.; Saunders, M. Essentials of Pharmaceutical Preformulation, 1st ed.; Wiley-Blackwell: Hoboken, NJ, USA, 2013; 268p.
  15. Babu, N.J.; Nangia, A. Solubility Advantage of Amorphous Drugs and Pharmaceutical Cocrystals. Cryst. Growth Des. 2011,
    11, 2662–2679. [CrossRef]
  16. 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]
  1. 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]
  2. 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]
  3. 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]
  4. Karalis, V.D. Machine Learning in Bioequivalence: Towards Identifying an Appropriate Measure of Absorption Rate. Appl. Sci.
    2022, 13, 418. [CrossRef]
  5. 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]
  6. Karalis, V.D. An In Silico Approach toward the Appropriate Absorption Rate Metric in Bioequivalence. Pharmaceuticals 2023,
    16, 725. [CrossRef]
  7. 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]
  8. Beneke, F.; Mackenrodt, M.-O. Artificial Intelligence and Collusion. IIC-Int. Rev. Intellect. Prop. Compet. Law 2018, 50, 109–134.
  9. Steels, L.; Brooks, R. The Artificial Life Route to Artificial Intelligence: Building Embodied, Situated Agents, 1st ed.; Routledge: London,
    UK, 2018; 300p.
  10. Bielecki, A. Models of Neurons and Perceptrons: Selected Problems and Challenges, 1st ed.; Springer International Publishing:
    Berlin/Heidelberg, Germany, 2019; 156p.
  11. van der Maaten, L.; Hinton, G. Visualizing Non-Metric Similarities in Multiple Maps. Mach. Learn. 2011, 87, 33–55. [CrossRef]
  12. Gadd, C.; Wade, S.; Shah, A.A. Pseudo-Marginal Bayesian Inference for Gaussian Process Latent Variable Models. Mach. Learn.
    2021, 110, 1105–1143. [CrossRef]
  13. 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]
  14. Kaul, V.; Enslin, S.; Gross, S.A. History of Artificial Intelligence in Medicine. Gastrointest. Endosc. 2020, 92, 807–812. [CrossRef]
    [PubMed]
  15. Kusunose, K. Steps to Use Artificial Intelligence in Echocardiography. J. Echocardiogr. 2020, 19, 21–27. [CrossRef] [PubMed]
  16. Kusunose, K.; Haga, A.; Abe, T.; Sata, M. Utilization of Artificial Intelligence in Echocardiography. Circ. J. 2019, 83, 1623–1629.
    [CrossRef]
  17. 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]
  18. 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]
  19. 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]
  20. 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]
  21. 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]
  22. 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]
  23. 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]
  24. 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]
  25. 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]
  26. 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]
  1. 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]
  2. 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]
  3. 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]
  4. 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]
  5. 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]
  6. 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]
  7. Carron, M.; Safaee Fakhr, B.; Ieppariello, G.; Foletto, M. Perioperative Care of the Obese Patient. Br. J. Surg. 2020, 107, e39–e55.
    [CrossRef] [PubMed]
  8. 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]
  9. 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]
  10. 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]
  11. 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]
  12. 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]
  13. 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]
  14. 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]
  15. 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]
  16. Cheney, F.W. The American Society of Anesthesiologists Closed Claims Project. Anesthesiology 1999, 91, 552–556. [CrossRef]
    [PubMed]
  17. León, M.A.; Räsänen, J. Neural Network-Based Detection of Esophageal Intubation in Anesthetized Patients. J. Clin. Monit. 1996,
    12, 165–169. [CrossRef] [PubMed]
  18. 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]
  19. 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]
  20. 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]
  21. 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]
  22. 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]
  23. 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]
  24. 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 ).

Figura 1
Figura 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.
Figura 2
Figura 2

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:

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. Los que trabajan demasiado se exponen y no están protegidos. Los que van más allá de las fronteras de sus servicios pierden protección.
  7. 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.
  8. No reconocimiento del esfuerzo por las mejoras en los procesos de implementación. Carencia de horas protegidas. Porque esto de gestionar lleva tiempo.
  9. 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».
  10. No se les paga por las mejoras en la eficiencia. Ni por los ahorros que generan con una buena implementación.
  11. Cuesta que los pacientes se adaptan a la centralidad de una relación. Tienen poca adherencia. La percepción esta en el consumismo.
  12. No tener que revalidar los títulos con recertificaciones obligatorias una vez terminada la residencia médica ya está.
  13. Falta de continuidad con los pacientes que atienden y los roles que les toca ocupar.
  14. El multiempleo lleva a que no se trabaje en plenitud en ningún lugar.
  15. No se tienen incentivos para la lectura, para el estudio, la capacitación, la docencia o la investigación.
  16. Los cargos políticos se suceden, todos refundan y no escuchan a los que están en el nivel operativo, con sus pesos a cuesta.
  17. Conocer sobre la minimización de costos, porque deben ser protagonistas en esto enfermeros, médicos, instrumentadores, anestesiólogos, farmacéuticos y administrativos.
  18. Entender que se gestiona en procesos, que son parte importante de una tarea, de una actividad o un procedimiento.

Mesogestión:

  1. 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.
  2. 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.
  3. 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.
  4. Falta de una planificación estratégica que permita establecer un buen rumbo institucional. Identificar el verdadero norte.
  5. Ausencia de líderes que impulsen modernización en la gestión. Que tengan las competencias adecuadas para llevarlas adelante.
  6. 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.
  7. Se investiga poco en la gestión. Menos se publica del mundo real. Las experiencias exitosas parecen limitadas a espacios tiempo.
  8. interferencia de los dominios sociotécnicos corporativos sindicales por tener convenios no adaptados a la realidad actual.
  9. No negociar y acordar con las corporaciones la participación adecuada en estos modelos de modernización asistencial.
  10. falta de integración de equipos multiprofesionales ingenieros, coach, especialistas en factores humanos en ergonomía y en resiliencia.
  11. Falta de inversión en digitalización, modernización en sistemas.
  12. No impulsar formas innovadoras de atención y de generar modelos de continuidad de atención.
  13. La no integración de los proveedores calificados como socios estratégicos
  14. Se investiga poco en la gestión. Menos se publica. Los niveles técnicos son ignorados en general.
  15. Desconocimiento de como implementar mejoras en las funciones de apoyo y tecnoestructura.
  16. 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.
  17. Desarrolla una política de transparencia en la información desde la meso a los servicios.
  18. Conocer sobre costos de producción y como estos se pueden mejorar.
  19. Aprender a comunicar de forma eficaz.
  20. 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.

  1. 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.
  2. Débil función de rectoría. 24 programas de salud provinciales. No se tiene una política de salud consensuada. No se sabe que hacer con ella.
  3. Carencia de políticas de estado tendientes a lograr por un camino competitivo e inclusivo la cobertura de salud nominalizada.
  4. 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.
  5. Falta información de los distintos subsectores de salud. transparencia en la gestión política, en suministrar información, en verificar el funcionamiento.
  6. 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.
  7. que las nuevas formas de gestión deben implementar políticas de equidad, para mitigar la desigualdad injusta.
  8. La gestión política siempre es desafiante. No debe generar ruido innecesario.
  9. 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.
  10. Sobreponerse a los intereses de ciertas organizaciones para que no se implementen las transformaciones.
  11. 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.
  12. Falta de modernización en esquemas de compras y de gestión logística.
  13. Manejo de presupuestos históricos y no basados en programas de actividad.
  14. No establecer con los centros compromisos de gestión.
  15. No tener una política firme de medicamentos. Impulsar más el uso de medicamentos genéricos y biosimilares. Poner precios de referencia para los medicamentos.
  16. Carencia en el desarrollo de una agencia de evaluación de tecnologías.
  17. 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.
  18. Corregir las altas barreras de salida de mercado que protegen a los evasores institucionales seriales.
  19. Impulsar formas innovadores de atención, el desarrollo de digitalización, de la minería de los datos.
  20. legislar sobre el uso y la aplicación de la inteligencia artificial.
  21. Nominalizar e incluir a toda la población.
  22. Re impulsar el cumplimiento de la prevención en vacunas y estudios preventivos, de diagnósticos precoz de lesiones de cáncer.
  23. Integrar los niveles de atención. y formular un modelo integral de atención.
  24. 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,
  25. 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 experimentación1 ], es la base de la ciencia de implementación2 , 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

TipoElementoDefiniciónEjemplos de indicadores y resultados
Evidencia tipo 1: etiología y cargaEpidemiología descriptivaEl 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
CargaEl impacto de la enfermedad en una población.Exceso de riesgo en pacientes, poblaciones, subgrupos, costos.
AccesoLa 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.
DisparidadUn tipo particular de diferencia de salud que está estrechamente relacionado con desventajas económicas, sociales o ambientales.Incidencia, prevalencia mortalidad
EtiologíaEl 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 intervencionesEficacia 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 sanitariaEl estudio de la estructura, procesos y organización de los servicios sanitarios.Desempeño, calidad, eficacia, eficiencia, centrado en el paciente, equidad, seguridad
Pautas de prácticaUn 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 económicaEl 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 contextoContextoUn 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 externaEl 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 implementacionLos 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 implementaciónEl 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 implementaciónEl 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
AdaptaciónEl 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 cambianteAdaptarse a los destinatarios, alcance, datos, recursos, capacidad, satisfacción, compromiso.
Replicación y transportabilidadLa 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 proporcionalmenteLa 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.
SostenibilidadLa 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 ecológicoEjemplos
IndividualNivel 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
interpersonalesHistorial de salud familiar Apoyo de sus compañeros Capital social Redes sociales Apoyo social de familiares, amigos, compañeros de trabajo y proveedores de atención médica.
OrganizativoComposición 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 comunitarioNormas 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 públicaEjemplo 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

  1. 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.
  2. 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)?
  3. 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.
  4. 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
NombreNúmeros de beneficiarios del plan de salud
fechasNúmeros de certificado/licencia
Números telefónicosLocalizador 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 faxIdentificadores de dispositivos y números de serie
Números de seguridad socialdirecciones de protocolo de internet
Correos electrónicosFotografías de rostro completo e imágenes comparables.
Números de registros médicosIdentificadores biométricos
Números de cuentaCualquier 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:

  1. 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.
  2. 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).
  3. 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.
  4. 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.
  5. 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
  6. 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 [12]. 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 [1617]. 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.

Figura 1
Figura 1

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 [2930]. 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.

Figura 2
Figura 2

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.

Figura 3
Figura 3

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).

Figura 4
Figura 4

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 [3032].

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 [3839], 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 [4243] 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 [58], 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.

  1. 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.
  2. 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.
  3. 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:

  1. 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.
  2. 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»

  1. 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.
  2. 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

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 completoVer imagen grandeVisor de figurasDescargar imagen de alta resoluciónDescargar (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 completoVer imagen grandeVisor de figurasDescargar imagen de alta resoluciónDescargar (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 completoVer imagen grandeVisor de figurasDescargar imagen de alta resoluciónDescargar (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 completoVer imagen grandeVisor de figurasDescargar imagen de alta resoluciónDescargar (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 NEWS28 ]. 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 NOTICIASFrecuencia de monitoreoRespuesta clínica
0Mínimo 12 horasContinuar el seguimiento rutinario de NEWS con cada conjunto de observaciones.
1–4Mínimo de 4 a 6 horasInformar 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 parámetroMínimo 1 horaEnfermera 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.
 ≥ 7Monitorización 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, RN1,2Mica Curtin-Bowen, Licenciatura en Licenciatura1Stuart Lipsitz, doctor en ciencias1,2et alCalvino Franz, PhD3Jason Adelman, MD4Lesley Adkison, PhD, enfermera registrada5Michael Bogaisky, MD6Diane Carroll, PhD, enfermera registrada7Eileen Carter, PhD, enfermera registrada4,8Lisa Herlihy, enfermera registrada, MSN9Mary Ellen Lindros, EdD, RN10Virginia Ryan, enfermera registrada, MSN11Maureen Scanlan, MSN, enfermera registrada10Mary-Ann Walsh, BSN, RN7Matthew Wien, MS1David W. Bates, MD, MSc1,2

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 Mahmoudi, 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 [12]. 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 [34].

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 [1112].

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/AlgoritmoDescripción
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 [1221].

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 [3132].

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 [3134-38].

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 [12831].

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 [2313940].

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 [3142].

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 [3143].

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 [31,4445].

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 [4647].

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.

DesafíoqResumenq
Privacidad y seguridad de los datosLa 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 sanitarioLa 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 IAEquilibrar 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 tecnologíaLa 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 IAA 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 profesionalLa 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 informaciónABRIR 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 [4155].

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 [5657].

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 [4158].Tabla 4.

El futuro de la IA en enfermería y el estado actual de la IA.

El futuro de la IA en la enfermeríaEstado actual de la implementación de la IA en la atención médica
Avance de la robótica y los planes de atención individualizadosDiagnóstico 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 continuaSistemas de realidad virtual para el tratamiento del dolor
Desarrollo de competencias y formación de enfermerasSistemas de traducción de idiomas para una comunicación eficiente
Reducción de la carga de trabajo a través de la tecnología de IASistemas de detección de caídas basados en IA para la seguridad del paciente
Uso de pacientes virtuales para la formación de estudiantes de enfermeríaAnálisis de imágenes médicas impulsado por IA para un diagnóstico preciso
Los bots de IA mejoran la recuperación de datos y la atención al pacienteServicios de telesalud para consultas médicas y seguimientos a distancia

Expandirse para obtener más informaciónABRIR EN EL VISORTabla 5.

La utilización de la IA en hospitales de todo el mundo.

HospitalUbicaciónAplicación de IAPuntos clave
Hospital Aria [58]TeheránSistema de detección de caídasSer 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]OmahaPredicción de ausencia, detección de sepsis, diagnóstico de accidente cerebrovascularUtiliza la IA para diversas tareas médicas, incluida la predicción de ausencias y el diagnóstico de enfermedades.
Hospitales Universitarios Thomas Jefferson [61]FiladelfiaDiagnóstico y mejora del tratamientoPioneros 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]BerlínDiagnóstico de enfermedades y mejora del tratamientoReconocido por su experiencia en IA, mejora la precisión del diagnóstico y el tratamiento utilizando tecnologías avanzadas de IA
Hospital Johns Hopkins [63]BaltimoreInvestigación médica y diagnóstico de enfermedadesReconocido 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 informaciónABRIR 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.

Gestión y Economía de la Salud

Producir información, conocimiento y discusión sobre gestión sanitaria y economía de la salud

Saltar al contenido ↓