María Larumbe / GUK

La recopilación de información de los pacientes genera una gran cantidad de datos que el personal sanitario tiene que gestionar día a día. El correcto procesamiento y análisis de estos datos puede ayudar a los profesionales sanitarios a determinar y anticiparse a los casos más graves para mejorar la gestión de los ingresos hospitalarios desde urgencias. En países donde la atención sanitaria es privada, como Chile, si bien la digitalización de las historias clínicas permite a los hospitales crear bases de datos con los registros de las múltiples variables fisiológicas de los pacientes, solo si se puede extraer información adecuada de ellas para optimizar los ingresos hospitalarios se podrían disminuir los casos que generan un enfrentamiento entre aseguradoras y hospitales.

Para poder determinar la gravedad de los pacientes, el investigador Asier Garmendia Mujika junto a otros miembros del grupo de Inteligencia Computacional de la Universidad del País Vasco UPV/EHU, desarrolló un sistema basado en inteligencia computacional a través del análisis de miles de valores fisiológicos registrados en personas ingresadas en el Hospital Clínico de la Universidad de Chile José Joaquín Aguirre de Santiago de Chile. Esta investigación se encuadra en la tesis doctoral “Contributions from computational intelligence to health care data processing” (Inteligencia computacional para el procesamiento de unas bases de datos provenientes del ámbito de la salud), dirigida por Manuel Graña Romay, investigador principal de este grupo de la UPV/EHU.

La tesis se presentó en 2016 y contó con la colaboración del grupo de investigación CEINE de la Universidad de Chile. Como explica Garmendia, “una de las bases de datos para este estudio corresponde a 101.500 pacientes que habiendo acudido a los servicios de urgencias son dados de alta, pero tras varios días han vuelto y entonces han sido ingresados en el hospital”.

El estudio se basó en el cálculo de tres sucesos: la admisión a urgencias, es decir, el momento el que el paciente acude por primera vez a urgencias; en segundo lugar, la readmisión, el mismo paciente que vuelve a acudir a urgencias en un intervalo corto, un máximo de treinta días (divididos por grupos de los que vuelven en 3 días, en 7 días, en 15 y en un mes) y, en último lugar, la hospitalización, esto es, el paciente que ha vuelto a ir en ese intervalo de tiempo y si ha sido hospitalizado o no.

¿Por qué tiene interés? “Imagínate que vas al servicio de urgencias porque te pasa algo. Te dan el alta y en menos de tres días vuelves a acudir y te tienen que hospitalizar. Esto ha podido ocurrir por un fallo en la admisión. A lo mejor deberían haberte hospitalizado antes. Esto sucede porque en los sistemas de salud privatizados -como es el caso de Chile- suele haber un conflicto entre las aseguradoras y el hospital. Las aseguradoras lo ven como un fallo del hospital y no se quieren hacer cargo de este gasto, lo que acaba teniendo consecuencias directas en la gestión de los ingresos hospitalarios y de la atención al propio paciente”.

Modelo para una detección temprana

Los datos a analizar recogían variables fisiológicas como temperatura, frecuencia cardiaca, frecuencia respiratoria, saturación de oxígeno en sangre, presión sanguínea; parámetros biomédicos como el nivel de glucosa y otros datos personales como el género, residencia o la edad. A este respecto, la muestra se dividió en dos grupos: adultos y pediátricos, menores de 15 años. “Esto se debió a que los datos de los niños son mucho más variables. Los niños, por ejemplo, suelen tener fiebres más altas, lo que hace que los datos sean más impredecibles”. También se apuntó el motivo por el que el paciente había acudido a urgencias.

La recogida de todos estos datos se hizo a mano desde enero de 2013 hasta abril de 2016 con todas las dificultades que implica. Mediante algoritmos de inteligencia computacional se intentó predecir el destino que se les debería dar a los pacientes que acuden al servicio de urgencias: si darles de alta o ingresarlos.

A este respecto, el problema residía en que una parte de los pacientes que eran dados de alta en la primera consulta volvían al servicio de urgencias al cabo de un intervalo de tiempo y en ese momento sí eran ingresados. “En este sentido, se ve una importante diferencia entre los niños y los adultos, ya que es más complicado predecir qué pasa con los niños. Por ejemplo, el 5,7% de los adultos y el 14,7% de los pacientes pediátricos que volvían a acudir a la consulta en un intervalo de 3 a 7 días, eran hospitalizados”.

El poder de los datos

Uno de los problemas de esta investigación fue la toma de datos en papel, lo que hizo que muchos campos se quedaran vacíos e incompletos, que hubiera fallos en la recogida de información, así como dificultades a la hora de codificar de alguna manera los datos no numéricos como, por ejemplo, los motivos de admisión. “En motivos de admisión tenían más de 500 y se intentó agrupar y codificar de otra manera más efectiva. De hecho, el primer motivo, entre un 25 y un 30% correspondía a un motivo inespecífico y se apuntaba como ‘otro’”.

A pesar de los fallos y las dificultades en la recogida de datos, este estudio permitió crear un modelo de utilidad para los médicos a la hora de realizar un mejor diagnóstico y optimizar la gestión de los ingresos hospitalarios. En este sentido, los algoritmos desarrollados para este objetivo tuvieron como resultado un nivel de precisión del 60%, es decir, “que de cada 10 pacientes a los que se les había dado el alta durante los intervalos de tiempo analizados, el algoritmo detectó 6 que deberían haber sido ingresados”.

Aunque hasta la fecha el modelo desarrollado no se haya implantado en ningún hospital abre la puerta al uso de la inteligencia computacional como una herramienta al servicio de los profesionales sanitarios de todo el mundo porque “los sistemas de predicción desarrollados pueden ser extensibles y aplicables a cualquier hospital y a cualquier país”, recalca Garmendia.

Sin embargo, para seguir avanzando por este camino, es importante establecer criterios para la codificación efectiva de los datos cualitativos. De esta manera, se podrá obtener información valiosa sobre el estado de salud, y la información es poder. Conocer los motivos que puedan hacer que un paciente vuelva a acudir al hospital resulta clave tanto para evitar costes económicos para el propio paciente y el sistema de salud, como para mejorar la atención del paciente y evitar el agravamiento de una patología previa.

De cara a futuro, “implantar modelos predictivos basados en computación en los sistemas de gestión sanitaria junto a una correcta clasificación de los motivos de acudir al hospital permitirá, por un lado, gestionar mejor los recursos de los servicios de salud, y por otro lado, se evitaría una situación que se da actualmente con los seguros, ya que a día de hoy no se hacen cargo de estos gastos derivados de la hospitalización al entender que se trata de una negligencia hospitalaria al haberle dado de alta en la primera consulta”.

Referencia:

A. Garmendia, M. Graña, J. M. Lopez-Guede, S. Rios. 2017. Predicting Patient Hospitalization after Emergency Readmission. Cybernetics and Systems-An International Journal 48, Issue 3: 182-192. DOI: 10.1080/01969722.2016.1276772.

Asier Garmendia Mujka es ingeniero mecánico y de organización, miembro del grupo de investigación de Inteligencia Computacional en la UPV/EHU y profesor del departamento de Ingeniería Mecánica en la misma universidad.