Doxa 1421

Cómo los algoritmos podrían mejorar la atención primaria.

Por J. Hunter Young, Kyle Richardville, Bradley Staats y Brian J. Miller 

Tecnología y analítica

Harvard Business Review

#doxa #tecnología #algoritmos #análisis #salud #médica #Covid-19 #vacunas #clínicos

Resumen. Los algoritmos clínicos automatizados prometen transformar la atención primaria. Los algoritmos clínicos especifican los pasos de un proceso clínico, desde entradas como el diagnóstico de un paciente hasta salidas como recomendaciones de medicamentos, pruebas de diagnóstico adicionales, imágenes o incluso derivaciones a especialistas. Una vez automatizados, dirigen el proceso de atención sin intervención del médico en tiempo real.

Los algoritmos clínicos automatizados pueden ser tan simples como reglas basadas en la edad que desencadenan una llamada de programación para una vacunación preventiva o tan complejos como una vía clínica automatizada que especifica una serie de pruebas y tratamientos para afecciones crónicas como la presión arterial alta. Como se ha demostrado durante la pandemia de Covid-19, si se hacen bien, mejoran la eficiencia operativa y maximizan la calidad clínica. Pero aprovechar todo su potencial requerirá el cumplimiento de los principios desarrollados durante 75 años para automatizar el ensayo clínico, que discutiremos en este artículo.

Los algoritmos clínicos automatizados prometen transformar la atención primaria. Los algoritmos clínicos especifican los pasos de un proceso clínico, desde entradas como el diagnóstico de un paciente hasta salidas como recomendaciones de medicamentos, más pruebas de diagnóstico, imágenes o incluso derivaciones a especialistas. Una vez automatizados, dirigen el proceso de atención sin intervención del médico en tiempo real.

Los algoritmos clínicos automatizados pueden ser tan simples como reglas basadas en la edad que desencadenan una llamada de programación para una vacunación preventiva o tan complejos como una vía clínica automatizada que especifica una serie de pruebas y tratamientos para afecciones crónicas como la presión arterial alta. Como se ha demostrado durante la pandemia de Covid-19, si se hacen bien, mejoran la eficiencia operativa y maximizan la calidad clínica. Pero aprovechar todo su potencial requerirá el cumplimiento de seis principios desarrollados durante 75 años para automatizar el ensayo clínico, que analizaremos en este artículo.

Algoritmos Automatizados para la Atención del Covid-19

Abrumados por el volumen de pacientes con covid-19 en sus comunidades, los sistemas de salud han implementado herramientas de triaje automatizadas en línea y por teléfono para diferenciar rápidamente entre aquellos que pueden permanecer en cuarentena de manera segura en el hogar de aquellos que pueden necesitar una atención más enfocada. Un enfoque incluía registros diarios automatizados por teléfono o mensaje de texto con los pacientes en el hogar y escalar la atención a una enfermera de triaje según lo justificaran los síntomas. La adición de un dispositivo de medición de oxígeno en sangre en el hogar mejoró la calidad y la capacidad de acción de los datos para pacientes más enfermos. Estas soluciones automatizadas aumentaron enormemente la capacidad del sistema de salud para manejar el aumento de pacientes ambulatorios de Covid-19.

En el lado de los pacientes hospitalizados, los hospitales se vieron abrumados con pacientes críticos con covid-19. Los médicos agotados, incapaces de evaluar continuamente el aumento de los estudios de investigación que examinan el covid-19 y su tratamiento, necesitaban ayuda. En respuesta, muchas instituciones convocaron a expertos locales para revisar la evidencia y generar recomendaciones para el manejo de Covid-19. En muchos casos, estas recomendaciones se codificaron en algoritmos, se integraron en sistemas de registros de salud electrónicos y se automatizaron a través de conjuntos de pedidos estandarizados (un conjunto de solicitudes, como pruebas de laboratorio y recetas, aplicadas a una situación clínica particular). Un lugar que hizo esto es el Hospital Johns Hopkins, la institución de origen de varios de nosotros. Estos algoritmos proporcionaron acceso rápido a la atención de vanguardia de Covid-19 para pacientes hospitalizados,

El uso de algoritmos automatizados para ayudar con Covid-19 sigue una tradición de incorporación exitosa de algoritmos de apoyo a la toma de decisiones para afecciones como insuficiencia cardíaca, diabetes y anticoagulación, que requieren un control continuo y un ajuste frecuente de la dosis de medicación. El médico que prescribe establece un objetivo terapéutico y prescribe un conjunto de pasos para lograr ese objetivo. Posteriormente, ese proceso es administrado por otros médicos, como enfermeras y farmacéuticos, sin la participación en tiempo real del médico que prescribe. Estos programas son efectivos debido a su enfoque clínico y pautas bien establecidas y, a menudo, reducen los costos mientras mantienen o mejoran la calidad.

Cómo automatizar la atención primaria

La atención primaria también puede transformarse mediante la amplia aplicación de algoritmos automatizados, pero esto requiere la creación de procesos clínicos automatizados que sean seguros y eficaces. Afortunadamente, el mundo médico tiene mucha experiencia con procesos clínicos automatizados en forma de ensayos clínicos. En los ensayos, la intervención se concreta en forma de algoritmo que guía el proceso clínico.

Por ejemplo, en un ensayo de un nuevo fármaco para la presión arterial alta, el algoritmo del ensayo especificará la frecuencia de los controles de la presión arterial y el ajuste de la dosis del fármaco del estudio en función del nivel de presión arterial. A pesar de la falta de información del médico, los participantes del ensayo logran su objetivo terapéutico de manera segura, más rápida y más consistente que los pacientes tratados en una práctica tradicional.

Los sistemas de atención primaria automatizados también emplean algoritmos que guían el proceso de atención. Codifican la lógica de un proceso clínico a través de la especificación de los pasos que van desde entradas como factores del paciente, incluidos diagnósticos y biomarcadores, hasta salidas como medicamentos recomendados.

En el núcleo del enfoque para generar algoritmos se encuentra una evaluación sistemática y una síntesis de la evidencia clínica. Dado que el conocimiento médico evoluciona a medida que se acumula la evidencia, los algoritmos deben actualizarse a medida que se acumula la evidencia y la experiencia con un proceso automatizado.

Además, es posible que los algoritmos deban considerar la viabilidad de una variedad de opciones de tratamiento. Por ejemplo, un medicamento recomendado puede ser demasiado costoso para el paciente y, por lo tanto, también se pueden ofrecer otras opciones menos costosas. Por supuesto, deben especificarse las ventajas y desventajas de seleccionar una opción económica, como una menor comodidad (p. ej., dosificación una vez al día frente a dos veces al día).

Finalmente, el proceso de desarrollo y modificación de algoritmos requiere una supervisión independiente que se centre en garantizar la calidad, la seguridad, la viabilidad y la transparencia. Por ejemplo, un comité compuesto por expertos clínicos, administradores y representantes de pacientes de una institución podría revisar el impacto de un algoritmo en la seguridad y satisfacción del paciente, los resultados clínicos y los costos.

Los sistemas de entrega también pueden asociarse directamente con los desarrolladores de software, cuyos algoritmos pueden "rastrear" la literatura médica existente en tiempo real para actualizar las pautas. A su vez, los desarrolladores de software deben buscar sociedades de especialidades médicas profesionales, que a menudo conocen bien las limitaciones de la investigación existente.

Finalmente, la Administración de Drogas y Alimentos de los EE. UU. (FDA), como regulador de dispositivos médicos del país, tiene un papel que desempeñar. Ya ejerce una supervisión flexible y enfocada del " software como dispositivo médico ": software con un uso médico previsto que funciona independientemente de un dispositivo médico de hardware.

Si bien los dispositivos médicos tradicionalmente están sujetos al marco regulatorio basado en el riesgo de la FDA, los desarrolladores de software pronto tendrán una vía alternativa para obtener la aprobación regulatoria: la vía voluntaria de precertificación de salud digital de la FDA. Presentado en 2017 con nueve empresas como parte de un piloto, proporciona supervisión de algoritmos clínicos e inteligencia artificial y puede reducir el "tiempo de comercialización".

Utiliza un enfoque inicial del ciclo de vida total del producto para la supervisión del software médico que se centra tanto en los procesos del desarrollador, como la gestión de riesgos, la gestión de la configuración para mantener el proceso en el estado deseado y la gestión de cambios (alteración del proceso para nuevos objetivos y objetivos) y análisis específicos del producto (por ejemplo, para verificar afirmaciones sobre el rendimiento del producto). Este enfoque significa que los productos de bajo riesgo podrían comercializarse sin una revisión adicional de la FDA, lo que acelera el acceso de los pacientes a productos mejorados. Además, los productos de alto riesgo se someterían a una revisión simplificada de la FDA, lo que reduciría el tiempo y el costo de preparación y revisión.

Independientemente de cómo se logre la supervisión y la responsabilidad, es crucial que el desarrollo y la aplicación del sistema médico automatizado se adhieran a seis principios básicos, que se derivan de la amplia experiencia de las organizaciones en la automatización a través de ensayos clínicos.

1. Primero, no hagas daño.

La seguridad debe ser un principio primario que guíe la utilización de un proceso clínico automatizado. Los criterios estrictos de inclusión y exclusión son un mecanismo importante para garantizar la seguridad. Aquí hay un ejemplo: los participantes en ensayos clínicos generalmente representan un pequeño subconjunto de los tipos de pacientes que pueden beneficiarse de la terapia bajo investigación. Los estrictos criterios de inclusión y exclusión de un ensayo se utilizan para limitar a los participantes a aquellos que tienen más probabilidades de beneficiarse y menos probabilidades de sufrir daños.

De manera similar, la participación en un proceso automatizado debe limitarse para maximizar la seguridad. Los pacientes con condiciones no complicadas tendrán más probabilidades de calificar para la inclusión en un proceso automatizado dado, mientras que aquellos con necesidades más complejas serán manejados a través de vías tradicionales de uso intensivo de médicos. Esta distinción es clave, ya que permite a los médicos pasar más tiempo con pacientes complejos que necesitan atención adicional, lo que les permite practicar más cerca de la cima de su licencia. A medida que se acumula la evidencia, se puede evaluar la seguridad de incluir una gama más amplia de pacientes cada vez más complejos y ampliar el alcance del proceso automatizado.

2. Elección.

Los pacientes que cumplan con los criterios de inclusión para un proceso automatizado específico deberían poder optar por no participar. En la práctica, un resultado común de un proceso de atención primaria automatizado será una recomendación de tratamiento. Por lo tanto, el paciente, con el apoyo del proveedor de atención, debe tomar la decisión final sobre si seguir la recomendación. Del mismo modo, los médicos deberían poder optar por no participar en un determinado proceso automatizado para sus pacientes.

Las posibles consecuencias de optar por no participar, como demoras en la atención y costos más altos, deben comunicarse claramente, y los sistemas de atención de la salud deben hacer un seguimiento de quienes optan por no participar para comprender mejor los motivos: información que pueden usar para mejorar el diseño de la clínica. proceso.

3. Divulgación.

Para facilitar las elecciones de los pacientes y los médicos, es necesario revelarles la naturaleza automatizada del proceso de toma de decisiones. La lógica y la evidencia utilizadas para determinar la recomendación deben comunicarse claramente. Por ejemplo, una recomendación para prescribir un medicamento particular para la hipertensión se basaría en los riesgos de no tomar el medicamento, como sufrir un accidente cerebrovascular en el futuro, versus el riesgo de tomar el medicamento, como los posibles efectos secundarios. Un desafío importante será comunicar factores complejos como las probabilidades de resultados clínicos y el momento y la gravedad de esos resultados. 

4. Personalización.

Debería haber una oportunidad para que los pacientes “indiquen al algoritmo” sus preferencias personales de tratamiento. Por ejemplo, algunos pacientes prefieren usar enfoques de estilo de vida para manejar condiciones crónicas (p. ej., controlar su peso y sus condiciones relacionadas con el peso mediante ejercicio y dieta); otros prefieren tomar medicamentos para el colesterol alto que modificar su dieta. Estas preferencias pueden afectar el conjunto de recomendaciones del algoritmo. 

5. Grados de automatización.

Un proceso clínico puede estar total o parcialmente automatizado. Por ejemplo, la herramienta automatizada basada en el teléfono para clasificar a los pacientes con Covid-19 descrita anteriormente estaba completamente automatizada y no requería la participación de un médico. Por el contrario, un proceso clínico puede estar solo parcialmente automatizado, por ejemplo, cuando una recomendación de tratamiento es el resultado, pero los pacientes y sus proveedores deciden si tomarla o no. Los procesos parcialmente automatizados pueden proporcionar un soporte sólido para ayudar a los médicos a tomar decisiones, pueden reducir la variabilidad en las decisiones que toman y pueden ayudar a minimizar su desviación de las pautas basadas en evidencia.

Los puntos de ramificación clave en un algoritmo pueden requerir una decisión por parte del paciente o del médico. Por ejemplo, el médico puede especificar un objetivo de tratamiento e iniciar un proceso automatizado para lograr ese objetivo. En este caso, el médico prescribe esencialmente un proceso de atención en lugar de un medicamento y una dosis específicos. Los ejemplos incluyen algoritmos dedicados al control de la insuficiencia cardíaca, la diabetes y la anticoagulación, en los que los que no recetan ajustan los medicamentos, brindan educación al paciente y evalúan clínicamente a los pacientes dentro de los límites de una afección ya diagnosticada. En estos casos, la participación del médico en el proceso puede seguir siendo importante para la seguridad y la aceptación del paciente.

Muchos pacientes creen que sus necesidades médicas son únicas y que los algoritmos no pueden abordarlas adecuadamente, lo que puede considerarse inflexible. En realidad, los algoritmos pueden brindar una atención más individualizada debido a su capacidad para tener en cuenta más factores de los que un médico puede considerar.

6. Un sistema de salud que aprende.

La atención primaria automatizada se convertirá en un componente crítico de un sistema de atención de la salud que aprende y se adapta continuamente. A través de la medición de predictores y resultados, combinados con enfoques rigurosos para la implementación estructurada, los sistemas automatizados podrían evaluar el impacto de las nuevas terapias en los resultados clínicos, la satisfacción del paciente y los costos. Estas evaluaciones deberán diseñarse cuidadosamente para minimizar el impacto de los sesgos. Las modificaciones posteriores de los algoritmos basadas en la evidencia acumulada pueden ser manuales o automatizadas. Pero a medida que aumenta el grado de automatización, también debe aumentar el grado de fiscalización local por parte de los usuarios y los sistemas de salud.

Acelerada por la pandemia de Covid-19, la automatización ha llegado a la atención primaria. Una vez que se construyan siguiendo los principios derivados de nuestra larga experiencia con ensayos clínicos, los algoritmos automatizados garantizarán la calidad clínica, mejorarán la eficiencia operativa y acelerarán el ritmo de la innovación. Bien hecha, la automatización promete desempeñar un papel crucial en la próxima transformación de la atención médica.

J. Hunter Young, MD, es profesor asociado de medicina y epidemiología en la División de Medicina Hospitalaria de la Escuela de Medicina Johns Hopkins y la Escuela de Salud Pública Johns Hopkins Bloomberg.

Kyle Richardville, MD es jefe de residentes en el Programa de Residencia de Medicina Interna en la Clínica Cleveland.

Bradley Staats es Profesor Distinguido Ellison de Operaciones en la Escuela de Negocios Kenan-Flagler de la Universidad de Carolina del Norte, donde es el director de la facultad del Centro para el Negocio de la Salud de la UNC y decano asociado de programas de MBA. Es autor de Never Stop Learning: Stay Relevant, Reinvent Yourself and Thrive (Harvard Business Review Press, 2018). Twitter: @brstaats.

Brian J. Miller, MD, es profesor asistente de medicina y negocios en la Universidad Johns Hopkins. Anteriormente trabajó en los Centros de Servicios de Medicare y Medicaid (CMS), la Comisión Federal de Comercio (FTC), la Comisión Federal de Comunicaciones y la Administración de Drogas y Alimentos de EE. UU. Sigue siendo consultor de la FTC y es miembro del Comité Asesor de Cobertura y Desarrollo de Evidencia de Medicare (MedCAC) de CMS. Sígalo en Twitter en @4_betterhealth.