La transformación digital del sector sanitario avanza a un ritmo acelerado a medida que los centros sanitarios siguen cosechando sus beneficios en gestión operativa, epidemiología y medicina personal. Y un subconjunto de la digitalización que está demostrando ser extremadamente útil es la integración de modelos predictivos y análisis en la atención sanitaria.
El modelado predictivo se refiere al uso de datos históricos o datos disponibles para hacer predicciones de eventos futuros que ayuden a tomar mejores decisiones. También se utiliza para solucionar problemas o anticipar patrones de comportamiento o resultados futuros utilizando conjuntos de datos o eventos multivariantes.
En medicina, los modelos predictivos se están utilizando para ver el futuro y definir las tendencias esperadas en la gestión operativa y la atención al paciente, tanto a nivel individual como a mayor escala. En los laboratorios farmacéuticos, los modelos predictivos se utilizan para predecir la demanda futura, mejorar la productividad y en la planificación avanzada y la programación.
La importancia de la transformación digital y los modelos predictivos en la sanidad
La digitalización de los datos sanitarios ha facilitado al público el acceso a grandes repositorios de asuntos relacionados con la salud. Hoy en día, con un teléfono inteligente 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 los pacientes, los calendarios 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 las ausencias de sus 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 presentarse. 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 no comparecencia, 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 en la optimización de las operaciones en los servicios de urgencias. Ante todo, es importante establecer la importancia de los tiempos y la disponibilidad de recursos dentro de las unidades de urgencias para comprender la importancia de la modelización predictiva .
Los errores médicos en las salas de urgencias y la asignación inadecuada de las instalaciones 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 ayudan a responder en caso de emergencia puede verse en el ejemplo del Wake Forest Baptist Health Center. 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 manera 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 el exceso de visitas de pacientes.
Otro ejemplo de la importancia de los modelos predictivos en la atención sanitaria es su uso en para desarrollar estrategias de gestión de 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 los esfuerzos de evacuación.
En este estudio de caso , se utilizó la modelización basada en agentes para modelizar los complejos activos individuales y las condiciones variables de los pacientes en una simulación de evacuación. La simulación también integró modelos de microescala de agentes y modelos de 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 de el 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 industria farmacéutica depende de la gestión de las cadenas logísticas , la optimización de las operaciones de taller y la fabricación de estaciones de trabajo para satisfacer la demanda de los clientes. Así pues, la integración de la modelización y la simulación predictivas desempeña un papel importante a la hora de proporcionar inteligencia práctica y conocimientos para optimizar la producción.
Con un software de simulación o de gemelos digitales, 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, pueden verse las actividades y la capacidad de una instalación de fabricación, así como los eventos discretos que tienen lugar en el taller. Dentro de un gemelo digital, pueden realizarse 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 al año en costes de gestión de la cadena de suministro. Estas ventajas 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 los modelos predictivos en sanidad
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 riesgos morales, problemas de privacidad y falta de regulación.
Aquí, 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 ser pasados 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 el 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 evento de transformación digital Simio Sync. Dean O’Neil, de la Universidad John Hopkins, hablará sobre «Creación de capacidad para Modelado y simulación de la atención sanitaria».
Su sesión ofrecerá información detallada sobre la aplicación de la simulación en su época 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.