Comparte:
eHealth
12 de julio de 2016

Cómo la gestión remota y big data pueden disminuir los reingresos hospitalarios

Cómo la gestión remota y big data pueden disminuir los reingresos hospitalarios

Cómo la gestión remota y big data pueden disminuir los reingresos hospitalarios

Escrito por , 12/07/2016

Una simple búsqueda en el navegador de “reingresos en Sanidad” nos muestra la magnitud del problema. Se trata de una de las causas principales del colapso diario de los servicios de Urgencias y se estima que entre el 3,4 y el 9,36 por ciento de los pacientes atendidos en este ámbito terminan ingresando de nuevo.

Un porcentaje muy alto de esos reingresos corresponde a los pacientes crónicos. Si tenemos en cuenta la clasificación estándar de los reingresos (reingreso por complicaciones del ingreso previo, por nueva enfermedad, por fallos de adherencia al tratamiento o por recurrencia de la enfermedad), podemos decir que los que se producen por patologías crónicas se engloban en las dos últimas categorías.

Pero ¿cuáles son los motivos de la gran cantidad de reingresos hospitalarios de pacientes crónicos? Por un lado, el incremento progresivo de la esperanza de vida de la población provoca que aumente la necesidad de los cuidados que este segmento precisa. Son las personas de mayor edad las que sufren más enfermedades crónicas y las que más reingresan. Por otro lado, el sistema sanitario está orientado a la atención rápida y eficiente de procesos agudos, la llamada “tiranía de lo urgente”. Así, el planteamiento actual sitúa la urgencia por delante de la gravedad, por lo que no se trata debidamente a las enfermedades crónicas, cuyos problemas son radicalmente distintos de los de las afecciones agudas.

La respuesta tradicional a esta cuestión ha sido incrementar los recursos, lo que ha ido encareciendo el sistema progresivamente. Pero este incremento de recursos humanos, materiales y económicos no significa obligatoriamente una mejor calidad asistencial, ya que el problema de fondo radica en que la atención sanitaria a los pacientes crónicos no se hace con la orientación correcta.

Así pues, el aumento de la esperanza de vida y el error de gestionar la cronicidad de igual forma que las patologías agudas deriva en ineficiencias de gran magnitud que pueden llevar al colapso del sistema. Por tanto, es evidente que urge tomar medidas al respecto.

Entre las más acertadas, que ya forman parte de la rutina de los pacientes y profesionales, se encuentra la gestión remota de pacientes, que permite el seguimiento del estado del paciente de forma constante, sin necesidad de desplazamientos o visitas innecesarias al hospital. El paciente tiene a su disposición en su hogar distintos dispositivos tecnológicos según su patología (desde una tableta a un espirómetro), que le permiten controlar sus parámetros vitales. Las mediciones tomadas en el domicilio llegan automáticamente a los profesionales, que pueden estimar así cuándo hay síntomas de descompensación en el paciente y anticiparse, de esta forma, al reingreso. Este tipo de servicios constituye un avance vital para controlar la evolución de la patología crónica de forma continua, pero aun así, la opinión y decisión del facultativo depende de su conocimiento y experiencia personal y del entorno.

Big data surge de nuevo como una herramienta adicional para ayudar a mejorar la toma de decisiones de los clínicos. Los modelos matemáticos de predicción aplicados sobre un data lake (lago o repositorio de datos) que se alimenta con distintas fuentes de datos sanitarios de alta calidad permiten identificar aquellos pacientes que tienen un mayor riesgo de empeorar y, por tanto, de reingreso hospitalario. De este modo, el facultativo podrá tener en sus manos una herramienta basada en la evidencia real, lo que se denomina medicina basada en la evidencia o Real World Data que le permitirá contrastar su caso con otras situaciones similares a la del paciente en estudio y tomar mejores decisiones basadas en la práctica clínica real.

Las fuentes de las que se puede alimentar este data lake son innumerables: ensayos clínicos, registros de pacientes, gestión remota de pacientes, información medioambiental, encuestas de salud y, por supuesto, la historia clínica. Toda esta información, agregada y normalizada, supone un filón para conocer el comportamiento de las patologías en un entorno real, con los innumerables factores que provocan que la evolución de la misma enfermedad sea diferente en cada paciente. Sobre esta información habrá que seleccionar el modelo de predicción más adecuado al problema que se quiere investigar, por ejemplo, atendiendo a la muestra que se quiere analizar. Estos modelos matemáticos, basados en regresión, bosques aleatorios o redes profundas, se reentrenan mediante aprendizaje automático hasta conseguir el resultado esperado, que no es más que predecir el riesgo de reingresos con un margen de error considerado aceptable. Para medir el grado de bondad del modelo suele utilizarse la denominada curva ROC (Receiver Operating Characteristic), que es una representación gráfica del ratio de verdaderos positivos (sensibilidad) frente al ratio de falsos positivos (especificidad), que varía según el umbral de discriminación.

De esta forma, el médico, utilizando como herramientas la información continua sobre el estado del paciente facilitada por los sistemas de gestión remota de pacientes y las capacidades predictivas del big data sanitario, junto con su experiencia y conocimientos (que no olvidemos que es la “herramienta principal”), podrá gestionar de manera efectiva los escasos recursos disponibles, anticiparse a los posibles eventos adversos que sus pacientes puedan sufrir y mejorar la calidad de vida de los enfermos crónicos consiguiendo evitar un alto porcentaje de reingresos hospitalarios.

Imagen: Tomás Fano

Sobre el autor

Visitación López López

Visitación López López

Licenciada en Ciencias Químicas por la Universidad Autónoma de Madrid, y con Ingeniería Técnica de Informática de Gestión por la UNED casi acabada, en la actualidad formo parte de la unidad de Big Data en Telefónica. Mi tiempo libre lo dedico al estudio de la antropología, la genética, la literatura, la cosmología... y a mi familia.
Ver todos sus artículos »