.svg)
La transformación digital del sector sanitario avanza a un ritmo acelerado a medida que los centros sanitarios siguen cosechando sus beneficios en la gestión operativa, la epidemiología y la medicina personal. Y un subconjunto de la digitalización que está demostrando ser extremadamente útil es la integración de modelos predictivos y análisis en la asistencia sanitaria.
La modelización predictiva se refiere al uso de datos históricos o disponibles para hacer predicciones de acontecimientos futuros que ayuden a tomar mejores decisiones. También se utiliza para resolver problemas o anticipar futuros patrones de comportamiento o resultados utilizando conjuntos de datos multivariantes o eventos.
En medicina, los modelos predictivos se utilizan para ver el futuro y definir las tendencias previstas en la gestión operativa y la atención al paciente, tanto a nivel individual como a mayor escala. Mientras que en los laboratorios farmacéuticos, los modelos predictivos se utilizan para predecir la demanda futura, mejorar la productividad y en la planificación y programación avanzadas.
La importancia de la transformación digital y los modelos predictivos en la sanidad
La digitalización de los datos sanitarios ha proporcionado al público acceso a grandes repositorios de asuntos relacionados con la salud. Hoy en día, con un smartphone cualquier persona puede consultar síntomas y buscar consejo médico desde la comodidad de su hogar.
La digitalización también ha puesto los datos de los pacientes y los recursos educativos al alcance de los profesionales sanitarios de todo el mundo. Aunque estos son excelentes ejemplos de las ventajas de la digitalización, el mantenimiento predictivo lleva las cosas al siguiente nivel. Con el modelado predictivo llega la opción de mejorar la gestión operativa de formas nunca antes experimentadas.
Un ejemplo es el uso de modelos predictivos para analizar las ausencias de pacientes, los programas de tratamiento y la optimización de los recursos hospitalarios. En 2018, The Elmont Teaching Health Center introdujo el uso de modelos predictivos para realizar un seguimiento de sus ausencias de pacientes, que estaban costando dinero al centro. Para anticipar mejor las ausencias y planificar en consecuencia, el centro de salud recurrió al modelado predictivo.
Con los datos históricos del hospital, se desarrolló un modelo predictivo de los pacientes con más probabilidades de no acudir. A continuación, este modelo se simuló con los recursos del hospital con el objetivo de redirigir estos recursos a otros pacientes. El resultado fue una reducción del 14% en sus índices de inasistencia, lo que ahorró al centro sanitario cientos de miles de dólares causados por los pacientes.
Otro escenario importante en el que ayudan los modelos predictivos y las simulaciones es el de la optimización de las operaciones en los servicios de urgencias. En primer lugar, es importante establecer la importancia de los tiempos y la disponibilidad de recursos en las unidades de urgencias para comprender la importancia de los modelos predictivos.
Los errores médicos en las salas de urgencias y la asignación inadecuada de recursos causan aproximadamente 250.000 muertes al año en Estados Unidos y 1.500.000 en todo el mundo. Aunque la resolución de los problemas relacionados con la atención de urgencias no depende únicamente de la gestión operativa, la capacidad de predecir el número de urgencias, asignar recursos y desarrollar horarios funcionales puede aliviar importantes retos. Entre estos retos se encuentran la saturación de las instalaciones y la sobrecarga de trabajo del personal sanitario de urgencias.
Un ejemplo de cómo los modelos predictivos y la simulación contribuyen a la respuesta ante emergencias puede verse en el caso del centro sanitario Wake Forest Baptist. En este estudio de caso, se desarrollaron modelos predictivos de su afluencia de pacientes y se utilizaron para analizar la tasa de afluencia de pacientes y la mejor forma de asignar los recursos del hospital para atender tanto a los pacientes de urgencias como a los demás.
Con el modelo, el hospital pudo gestionar la afluencia de pacientes y las situaciones de emergencia. Los resultados de la simulación también proporcionaron información práctica a la dirección del hospital, lo que ayudó a elaborar mejores políticas para hacer frente a las urgencias y al exceso de visitas de pacientes.
Otro ejemplo de la importancia de los modelos predictivos en la atención sanitaria es su uso en el desarrollo de estrategias para gestionar situaciones complejas. Uno de ellos es la evacuación de pacientes con problemas de movilidad durante catástrofes. Las experiencias de los hospitales durante los huracanes Harvey y Katrina llevaron a un equipo de investigadores de la Universidad John Hopkins a aplicar la simulación y la programación para simplificar las tareas de evacuación.
En este estudio de caso, se utilizó el modelado basado en agentes para modelar los complejos activos individuales y las condiciones variables de los pacientes en una simulación de evacuación. La simulación también integró modelos a microescala de agentes y modelos a mesoescala de densidades de población para comprender la relación y los patrones de comportamiento de los diversos agentes dentro de un sistema de evacuación.
El resultado del estudio mostró hasta qué punto los modelos macroscópicos y mesoscópicos producen comportamientos a nivel de sistema en los modelos basados en agentes.
La importancia de los modelos predictivos en las instalaciones farmacéuticas
Como toda industria basada en la fabricación, la farmacéutica depende de la gestión de las cadenas logísticas, la optimización de las operaciones de taller y los puestos de trabajo de fabricación para satisfacer la demanda de los clientes. Por lo tanto, la integración del modelado predictivo y la simulación desempeña un papel importante a la hora de proporcionar inteligencia procesable y conocimientos para optimizar la producción.
Con un software de simulación o gemelo digital, pueden desarrollarse modelos completos de una instalación de fabricación farmacéutica. Este modelo predictivo puede utilizarse para introducir fenómenos externos como el aumento de la demanda y los retrasos en la programación para comprender su impacto en el proceso de fabricación.
En este modelo de gemelo digital desarrollado con el software de simulación Simio, se pueden ver las actividades y la capacidad de una instalación de fabricación, así como los eventos discretos que ocurren dentro del taller. Dentro de un gemelo digital, se pueden ejecutar simulaciones predictivas para optimizar la cadena de suministro de las instalaciones con el objetivo de optimizar la productividad. Y según RevCycle, las instalaciones sanitarias, incluidas las grandes farmacéuticas, pueden ahorrar aproximadamente 9 millones de dólares anuales en costes de gestión de la cadena de suministro. Estos beneficios también se aplican a los nichos de fabricación relacionados con la salud, incluidos los fabricantes de dispositivos biomédicos, dentales y de ortodoncia.
Los riesgos de confiar en la modelización predictiva en el sector sanitario
El sector sanitario se basa en la atención a las personas y las relaciones humanas, lo que significa que el análisis de datos por sí solo no es suficiente. Según Deloitte, la integración de las tecnologías digitales en la sanidad conlleva riesgos como los riesgos morales, los problemas de privacidad y la falta de regulación.
En este caso, los riesgos morales se refieren a la aplicación maquinal de la asistencia sanitaria en situaciones complejas. Con el análisis predictivo, los pacientes en estado crítico pueden pasarse por alto para que los profesionales sanitarios tengan más tiempo para otros pacientes. La falta de regulación también puede hacer que se cuelen políticas perjudiciales en la asistencia sanitaria con el objetivo de gestionar los recursos y obtener el máximo beneficio.
Los problemas de privacidad también son retos importantes que plantea la digitalización. Un ejemplo es la pérdida de datos de pacientes por parte del Servicio Nacional de Salud (NHS) debido a un ataque de ransomware. En este caso, más de 300.000 pacientes de todo el Reino Unido se vieron afectados por la brecha de seguridad. Así pues, la ciberseguridad debe tenerse en cuenta a la hora de integrar el modelado predictivo y la simulación en la asistencia sanitaria.
Conclusión
La importancia del modelado predictivo y la simulación en la atención sanitaria, así como sus riesgos, se debatirán con más detalle en el Simio Sync Digital Transformation Event. Dean O'Neil, de la Universidad John Hopkins, hablará sobre "Creación de capacidad para el modelado y la simulación en la atención sanitaria".
Su sesión ofrecerá información detallada sobre la aplicación de la simulación durante su estancia en el Laboratorio de Física Aplicada de la Universidad John Hopkins. Los asistentes se irán con información sobre estrategias aplicables de modelado y simulación que pueden utilizar para optimizar sus instalaciones sanitarias. La Conferencia Simio Sync se celebrará los días 4 y 5 de mayo en Pittsburgh. Puede ver una repetición y consultar las Conferencias Sync anteriores aquí.