Análisis predictivo en salud

Análisis predictivo en salud. El análisis predictivo puede respaldar la gestión de la salud de la población, el éxito financiero y mejores resultados en todo el continuo de atención basada en el valor.
A medida que las organizaciones de atención médica desarrollan capacidades analíticas de big data más sofisticadas, comienzan a pasar de la analítica descriptiva básica al ámbito de los conocimientos predictivos.

El análisis predictivo puede ser solo el segundo de tres pasos en el camino hacia la madurez analítica , pero en realidad representa un gran avance para muchas organizaciones.

En lugar de simplemente presentar información sobre eventos pasados ​​a un usuario, el análisis predictivo estima la probabilidad de un resultado futuro en función de patrones en los datos históricos.

Esto permite a los médicos, expertos financieros y al personal administrativo recibir alertas sobre posibles eventos antes de que ocurran y, por lo tanto, tomar decisiones más informadas sobre cómo proceder con una decisión.

La importancia de estar un paso por delante de los eventos se ve más claramente en los ámbitos de cuidados intensivos, cirugía o atención de emergencia, donde la vida de un paciente puede depender de un tiempo de reacción rápido y una sensación finamente ajustada de cuándo algo va mal.

Sin embargo, existen casos de uso de alto valor para el análisis predictivo en todo el ecosistema de atención médica, y es posible que no siempre incluyan alertas en tiempo real que requieren que un equipo entre en acción de inmediato.

Las organizaciones de proveedores y pagadores también pueden aplicar herramientas de análisis predictivo a sus desafíos financieros, administrativos y de seguridad de datos, y ver ganancias significativas en eficiencia y satisfacción del consumidor.

¿Cómo están implementando las organizaciones de atención médica capacidades predictivas en toda la empresa para extraer información procesable y prospectiva de sus activos de datos en crecimiento?

Puntuación de riesgo para enfermedades crónicas  salud de la población

La predicción y la prevención van de la mano, quizás en ningún lugar más cerca que en el mundo de la gestión de la salud de la población.

Las organizaciones que pueden identificar a las personas con riesgos elevados de desarrollar afecciones crónicas lo antes posible en la progresión de la enfermedad tienen la mejor oportunidad de ayudar a los pacientes a evitar problemas de salud a largo plazo que son costosos y difíciles de tratar.
La creación de puntajes de riesgo basados ​​en pruebas de laboratorio, datos biométricos, datos de reclamos, datos de salud generados por el paciente y los determinantes sociales de la salud pueden brindar a los proveedores de atención médica una idea de qué individuos pueden beneficiarse de servicios mejorados o actividades de bienestar.

«En todos los modelos [de reembolso], la identificación, estratificación y manejo de pacientes de alto riesgo es fundamental para mejorar los resultados de calidad y costo», dice la Asociación de Colegios Médicos Americanos (AAMC)

«El uso de modelos predictivos para identificar de manera proactiva a los pacientes con mayor riesgo de malos resultados de salud y que se beneficiarán más de la intervención es una solución que se cree que mejora la gestión de riesgos para los proveedores que hacen la transición al pago basado en el valor».

Evitar los reingresos hospitalarios de 30 días

Los hospitales y los sistemas de salud están sujetos a sanciones significativas en virtud del programa de reducción de reingresos hospitalarios (HRRP) de Medicare, lo que agrega un incentivo financiero para evitar retornos no planificados en el entorno de pacientes hospitalizados.

Además de mejorar las transiciones de la atención y desplegar estrategias de coordinación de la atención, el análisis predictivo puede advertir a los proveedores cuando los factores de riesgo de un paciente indican una alta probabilidad de reingreso dentro de la ventana de 30 días.
En un estudio de 2016 de la Universidad de Texas Southwestern, los investigadores encontraron que ciertos eventos que ocurren durante una estadía en el hospital, como una infección por C. difficile , inestabilidad de signos vitales al alta y una estadía general más prolongada, aumentaron significativamente las posibilidades de Una readmisión de 30 días.

Las herramientas de análisis que pueden identificar a los pacientes con rasgos que producen un alto impacto en la probabilidad de readmisión pueden brindar a los proveedores una indicación adicional de cuándo concentrar los recursos en el seguimiento y cómo diseñar protocolos de planificación del alta para evitar retornos rápidos al hospital.

Adelantarse al deterioro del paciente

Mientras permanecen en el hospital, los pacientes enfrentan una serie de amenazas potenciales para su bienestar, incluido el desarrollo de sepsis, la adquisición de una infección difícil de tratar o una recesión repentina debido a sus condiciones clínicas existentes.

El análisis de datos puede ayudar a los proveedores a reaccionar lo más rápido posible a los cambios en los signos vitales del paciente y puede identificar un deterioro próximo antes de que los síntomas se manifiesten claramente a simple vista.

Las estrategias de aprendizaje automático son particularmente adecuadas para predecir eventos clínicos en el hospital, como el desarrollo de una lesión renal aguda (IRA) o sepsis.

En la Universidad de Pensilvania , una herramienta de análisis predictivo que aprovecha el aprendizaje automático y los datos de EHR ayudó a identificar a los pacientes en camino de sepsis grave o shock séptico 12 horas antes del inicio de la afección, explicó un estudio de 2017.

Una iniciativa separada en el Hospital Huntsville en Alabama encontró que la combinación de herramientas de análisis predictivo y de apoyo a la decisión clínica (CDS) podría reducir la mortalidad por sepsis en más de la mitad. La estrategia basada en análisis superó la precisión de las herramientas estándar de oro existentes.

Prevenir citas de no presentación

Las brechas inesperadas en el calendario diario pueden tener ramificaciones financieras para la organización al tiempo que descarta todo el flujo de trabajo de un clínico.

El uso de análisis predictivos para identificar a los pacientes que probablemente se salten una cita sin previo aviso puede mejorar la satisfacción del proveedor, reducir las pérdidas de ingresos y dar a las organizaciones la oportunidad de ofrecer espacios abiertos a otros pacientes, lo que aumenta el acceso rápido a la atención.

Los datos de EHR pueden revelar a las personas que tienen más probabilidades de no presentarse, según un estudio de la Universidad de Duke. Un equipo descubrió que los modelos predictivos que utilizan datos a nivel clínico podrían capturar 4800 pacientes adicionales que no se presentan por año con mayor precisión que los intentos anteriores de pronosticar patrones de pacientes.

Los proveedores pueden usar estos datos para enviar recordatorios adicionales a los pacientes en riesgo de no presentarse, ofrecer transporte u otros servicios para permitir que las personas hagan sus citas, o sugerir entornos y horarios alternativos que se adapten mejor a sus necesidades.

Prevenir el suicidio y la auto-lesión del paciente

La identificación temprana de las personas que probablemente causen daño a sí mismos puede garantizar que estos pacientes reciban la atención médica mental que necesitan para evitar eventos graves, incluido el suicidio.

Los EHR ofrecen una vez más un tesoro de datos para respaldar la detección del riesgo de suicidio, dice Kaiser Permanente. En un estudio de 2018 realizado por KP y la Red de Investigación de Salud Mental, la combinación de datos de EHR y un cuestionario estándar de depresión identificó con precisión a las personas que tenían un riesgo elevado de intento de suicidio.

Usando un algoritmo predictivo, el equipo descubrió que los intentos de suicidio y los éxitos eran 200 veces más probables entre el 1 por ciento superior de los pacientes marcados.

Los predictores más fuertes de un intento de autolesión incluyeron diagnósticos de salud mental o abuso de sustancias, intentos de suicidio previos, el uso de medicamentos psiquiátricos y puntajes altos en el cuestionario de depresión.

«Demostramos que podemos utilizar datos de registros de salud electrónicos en combinación con otras herramientas para identificar con precisión a las personas con alto riesgo de intento de suicidio o muerte por suicidio», dijo el primer autor Gregory E. Simon, MD, MPH, investigador principal de Kaiser Permanente Washington Health Instituto de Investigación.

Prediciendo patrones de utilización del paciente

Además de ayudar a las organizaciones a adelantarse a los que no se presentan, el análisis predictivo puede dar a los proveedores un aviso cuando la clínica está a punto de estar ocupada.

Los sitios de atención que funcionan sin horarios fijos, como los departamentos de emergencias y los centros de atención urgente, deben variar sus niveles de personal para tener en cuenta las fluctuaciones en el flujo de pacientes. Las salas de pacientes hospitalizados deben tener camas disponibles para los pacientes que necesitan ser admitidos, mientras que las clínicas ambulatorias y los consultorios médicos son responsables de mantener bajos los tiempos de espera para los pacientes.

El uso de análisis para predecir patrones en la utilización puede ayudar a garantizar niveles óptimos de personal, al tiempo que reduce los tiempos de espera y aumenta la satisfacción del paciente.

Las herramientas de visualización y las estrategias analíticas pueden modelar patrones de flujo de pacientes y resaltar oportunidades para realizar ajustes en el flujo de trabajo o cambios en la programación.

En Wake Forest Baptist Health en Carolina del Norte, las herramientas de análisis ayudaron al centro de infusión de oncología a anticipar los tiempos pico de utilización y ajustar sus prácticas de programación en consecuencia, dijo Karen Craver, Administradora de Práctica Clínica.

Al analizar las tasas de utilización típicas, el centro de infusión descubrió que los horarios de citas populares de medio día estaban creando picos insostenibles en la capacidad, mientras que los lugares de la mañana y de la tarde no se habían completado.

La alteración de ciertos procedimientos de programación ayudó a «aplanar la curva de la campana» y crear una distribución más uniforme que redujo las cargas sobre las enfermeras y mejoró la satisfacción del paciente, dijo.

«Por la mañana, tenemos una mayor utilización que antes, pero luego podemos mantener nuestra tasa de citas durante todo el día, que es una forma mucho más fácil de trabajar que la fuerte pendiente y el declive con el que solíamos lidiar», comentó Craver.

Administrando la cadena de suministro

La cadena de suministro es uno de los centros de costos más grandes de un proveedor y representa una de las oportunidades más importantes para las organizaciones de atención médica para recortar gastos innecesarios y mejorar la eficiencia.

Las herramientas predictivas tienen una gran demanda entre los ejecutivos de hospitales que buscan reducir la variación y obtener información más práctica sobre los patrones de pedidos y la utilización de suministros.

Solo el 17 por ciento de los hospitales actualmente utilizan soluciones automatizadas o basadas en datos para administrar sus cadenas de suministro, dijo Cardinal Health en 2017.

En el mismo año, Global Healthcare Exchange calificó el análisis predictivo para la gestión de la cadena de suministro como el elemento número uno en la lista de deseos ejecutivos: una encuesta de seguimiento en 2018 descubrió que la adopción de herramientas de análisis de datos seguía siendo una prioridad.

El uso de herramientas de análisis para monitorear la cadena de suministro y tomar decisiones proactivas basadas en datos sobre el gasto podría ahorrar a los hospitales casi $ 10 millones por año, agregó una encuesta de Navigant por separado . Tanto el análisis descriptivo como el predictivo pueden respaldar las decisiones de negociar precios, reducir la variación en los suministros y optimizar el proceso de pedido.

Garantizar una fuerte seguridad de datos

También se anticipa que el análisis predictivo y la inteligencia artificial desempeñarán un papel importante en la ciberseguridad, especialmente a medida que la sofisticación de los ataques continúa aumentando.

El uso de herramientas analíticas para monitorear patrones en el acceso, uso compartido y uso de datos puede dar a las organizaciones una advertencia temprana cuando algo cambia, especialmente cuando esos cambios indican que un intruso puede haber penetrado en la red.

Las herramientas predictivas y las técnicas de aprendizaje automático pueden calcular puntajes de riesgo en tiempo real para transacciones o solicitudes específicas y responder de manera diferente dependiendo de cómo se haya calificado el evento, explicó David McNeely, miembro del Instituto de Tecnología de Infraestructura Crítica (ICIT), en un ICIT informe.

«Una vez que se ha determinado la puntuación de riesgo en tiempo real, el sistema puede usar esto durante un evento de inicio de sesión para otorgar el acceso para un evento de bajo riesgo o para impugnar la autenticación de múltiples factores (MFA) o posiblemente bloquear el acceso para «eventos de riesgo», dijo.

«De esta manera, el sistema permite que TI aplique MFA de manera más liberal en la infraestructura y las aplicaciones, ya que el sistema de aprendizaje automático tomará decisiones de riesgo que determinarán si MFA se aplicará realmente o no».

Esta estrategia podría ser particularmente efectiva para evitar que el ransomware afecte a una organización de atención médica, agregó James Scott, miembro principal de ICIT.

«La adopción temprana de defensas algorítmicas sofisticadas como el aprendizaje automático o las soluciones de inteligencia artificial transformará las defensas cibernéticas de la salud más allá de las capacidades de los atacantes promedio».

Desarrollo de medicina de precisión y nuevas terapias

A medida que la medicina de precisión y la genómica ganan fuerza, los proveedores e investigadores recurren a la analítica para complementar los ensayos clínicos tradicionales y las técnicas de descubrimiento de fármacos .

Las pruebas «in silico» son una forma prometedora de reducir la necesidad de reclutar pacientes para ensayos clínicos complejos y costosos, al tiempo que aceleran la evaluación de nuevas terapias.

«El Centro de Evaluación e Investigación de Medicamentos (CDER) de la FDA está utilizando actualmente modelos y simulaciones para predecir resultados clínicos, informar diseños de ensayos clínicos, respaldar evidencia de efectividad, optimizar la dosificación, predecir la seguridad del producto y evaluar posibles mecanismos de eventos adversos», dijo el Comisionado de la FDA Scott Gottlieb, MD, después de la aprobación de la Ley de Curas del Siglo XXI.

«Para tomar solo un ejemplo de los beneficios de estos enfoques, a medida que entramos en una era de individualización, modelado y simulación de drogas que incorpora aspectos de la fisiología y la genética individuales en las enzimas metabolizadoras de drogas se está utilizando para identificar subgrupos de pacientes que necesitan ajustes de dosis».

Los modelos in silico se están utilizando para crear grupos de control para ensayos relacionados con afecciones degenerativas como la enfermedad de Parkinson, la enfermedad de Huntington y el Alzheimer, agregó la FDA.

«Estamos al comienzo de una era transformadora en ciencia y tecnología médica», dijo Gottlieb.

El análisis predictivo y las herramientas de apoyo a la toma de decisiones clínicas también desempeñan un papel clave en la traducción de nuevos medicamentos en terapias de precisión.

Los sistemas CDS están comenzando a poder predecir la respuesta de un paciente a un cierto curso de tratamiento al hacer coincidir la información genética con los resultados de cohortes de pacientes anteriores, lo que permite a los proveedores elegir la terapia con la mayor probabilidad de éxito.

Hacerlo puede mejorar los resultados y permitir a los investigadores comprender mejor las relaciones entre las variantes genéticas y la efectividad de las terapias particulares.

Reforzar el compromiso y la satisfacción del paciente

Además de apoyar las estrategias de manejo de enfermedades crónicas, reducir los tiempos de espera y enfocarse en las terapias para producir mejores resultados, la analítica predictiva también puede mantener a los pacientes involucrados en otros aspectos de su atención.

La gestión de las relaciones con el consumidor se ha convertido en una habilidad vital tanto para los proveedores como para las compañías de seguros que buscan promover el bienestar y reducir el gasto a largo plazo, y predecir el comportamiento del paciente es un componente clave para desarrollar técnicas efectivas de comunicación y adhesión.

«Necesitamos saber qué funciona y qué no funciona en nuestros programas de participación, y cómo anticipar y predecir los mejores resultados dadas las características muy complejas de nuestras subpoblaciones de miembros, que abarcan cada segmento de la población de los Estados Unidos», dijo Patrick McIntyre, vicepresidente senior de análisis de atención médica en Anthem.

«Nuestro objetivo es desarrollar nuestras habilidades de compromiso con el consumidor, porque estamos cambiando a una industria mucho más orientada al servicio y al consumidor».

Anthem está utilizando sus herramientas de análisis de datos para crear perfiles de consumidores que permiten al pagador enviar mensajes personalizados, mejorar la retención de clientes y descubrir qué estrategias tienen más probabilidades de ser impactantes para cada individuo.

Los proveedores también están utilizando patrones de comportamiento para crear planes de atención significativos y mantener a los pacientes comprometidos con sus responsabilidades financieras y clínicas.

“Tanto los pagadores como los proveedores tienen una gran cantidad de información que pueden usar para construir modelos. Los proveedores de atención médica también pueden adquirir algunas otras fuentes, como los determinantes sociales de la salud , por ejemplo, que realmente ayudarán a la fuerza y ​​precisión de sus modelos «, dijo Lillian Dittrick, miembro de la Sociedad de Actuarios.

«Cuando utilizamos modelos predictivos para observar todas las variables, nos ayuda a priorizar a aquellos pacientes que realmente serán receptivos a cambiar algo en su estilo de vida, como la nutrición o el ejercicio».

El uso de análisis predictivos para informar las decisiones de gestión de la atención y desarrollar relaciones más fuertes y motivadoras entre pacientes y proveedores puede mejorar el compromiso a largo plazo y reducir los riesgos asociados con las enfermedades crónicas.

«Estamos viendo cada vez más que las herramientas de automatización y aprendizaje automático realmente ayudan a clasificar y procesar estas grandes cantidades de datos», dijo Dittrick. «Hay algún tipo de modelo predictivo que podría ayudar a mejorar los procesos en casi cualquier faceta de la atención médica».

Leer también: Deep medicine, cómo la inteligencia artificial podría mejorar la atención médica; ¿Cómo cambiará la Inteligencia artificial la medicina ?; La inteligencia artificial es el nuevo sistema operativo en salud

Esta entrada también está disponible en: Español