Con la ayuda de un sofisticado aprendizaje automático, los investigadores de la UPMC y la Facultad de Medicina de la Universidad de Pittsburgh demostraron que una herramienta que desarrollaron puede predecir rápidamente la mortalidad de los pacientes que enfrentan el traslado entre hospitales para acceder a una mayor agudeza cuidado. Esta investigación, publicada hoy en PLOS One , podría ayudar a los médicos, pacientes y sus familias a evitar traslados hospitalarios innecesarios y tratamientos de bajo valor, mientras se enfoca mejor en los objetivos de atención expresados por los pacientes.
Cada año, casi 1,6 millones de pacientes, o hasta el 3,5% de todos los ingresos hospitalarios, se transfieren de un hospital a otro para acceder a atención especializada para afecciones complejas. "Sin embargo, asegurar estos servicios a menudo requiere viajes onerosos y un apoyo comunitario reducido para los pacientes y sus familias. Si bien algunos pueden recuperarse de la enfermedad aguda, muchos otros obtienen pocos beneficios en términos de mejores resultados", dijo Daniel E. Hall, MD, correspondiente autor del estudio, así como director médico de poblaciones de alto riesgo y resultados en el UPMC Wolff Center y profesor asociado de cirugía en la Facultad de Medicina de Pitt.
Puede ayudar a dirigir recursos adicionales a estos pacientes para garantizar que el plan de atención sea consistente con los valores y objetivos del paciente
Para abordar esta brecha en la coordinación de la atención al paciente, que actualmente se basa en el juicio ad hoc de los médicos de cabecera, Hall y su equipo desarrollaron una herramienta en tiempo real que puede predecir los resultados de mortalidad de los pacientes en el momento del traslado al hospital y ofrecer estos resultados. a los médicos en menos de cinco minutos.
Utilizando datos de casi 21.000 pacientes mayores de 18 años que fueron transferidos a un hospital de UPMC durante un período de 12 meses, los investigadores desarrollaron y validaron una herramienta de evaluación del riesgo de mortalidad denominada "SafeNET" (Transferencias Emergentes No Electivas Seguras). Después de estudiar otros modelos de riesgo de mortalidad que se utilizan actualmente en la unidad de cuidados intensivos hospitalarios y los entornos de admisión, Hall y su equipo elaboraron una lista de 70 variables independientes utilizadas en uno o más de estos modelos, incluidos los datos demográficos del paciente, los signos vitales, las pruebas de laboratorio y otros factores.
Luego analizaron los datos de facturación de UPMC y los registros médicos electrónicos de los pacientes hospitalizados para determinar si el hospital receptor registró estas variables y se centró solo en las disponibles dentro de las tres horas posteriores a la transferencia. Eso seleccionó la lista a 54 de las 70 variables. Utilizando el aprendizaje automático guiado tanto en el entrenamiento como en los conjuntos de pruebas de los datos, el equipo finalmente desarrolló su algoritmo SafeNET compuesto por 14 variables que predicen de manera confiable y rápida la mortalidad intrahospitalaria, a los 30 días y a los 90 días para los pacientes transferidos. También compararon la capacidad predictiva de SafeNET con otra herramienta utilizada para pacientes con infección, y encontraron que el algoritmo SafeNET era más preciso y podría usarse en una población de pacientes más general.
"Nuestro objetivo general era proporcionar la información muy necesaria a los médicos de primera línea para desencadenar e informar decisiones compartidas sobre los pacientes de mayor riesgo", dijo Hall. "Esta herramienta podría ayudar a dirigir recursos adicionales a estos pacientes para garantizar que el plan de atención sea consistente con los valores y objetivos del paciente. Con frecuencia, los pacientes transferidos y sus familias no comprenden la gravedad de la enfermedad que enfrentan y tienen expectativas sobre los resultados que producirá una transferencia a un nivel superior de atención .
Es posible que los hallazgos no se generalicen a otros entornos de atención
Al poner a prueba la herramienta en tres hospitales dentro del sistema UPMC, los investigadores construyeron SafeNET como una aplicación web de fácil acceso. SafeNET guió a los usuarios para que ingresaran tantas variables como estuvieran disponibles de inmediato y luego generó un riesgo de mortalidad predicho, haciéndolo con precisión incluso cuando faltaba al menos una variable, lo que ocurrió más de la mitad del tiempo.
Hall advierte que es necesario seguir trabajando antes de implementar SafeNET de manera generalizada. Dado que los datos se restringieron a un único sistema de varios hospitales, es posible que los hallazgos no se generalicen a otros entornos de atención. Y parte de la información que alimenta el algoritmo puede estar sujeta a sesgos.
Se está trabajando en UPMC para construir vías de atención activadas por la puntuación SafeNET que dirigen los recursos necesarios a los pacientes con mayor riesgo de malos resultados. Por ejemplo, la herramienta se está utilizando en estudios piloto para iniciar conferencias de aclaración de objetivos entre los médicos que contemplan una transferencia entre hospitales, y para brindar servicios de cuidados paliativos remotos por videoconferencia a los pacientes que se consideran para su transferencia.
"SafeNET no está destinado a reemplazar el juicio clínico", señaló Hall. "En cambio, su intención es provocar una 'pausa' para que los médicos estén mejor preparados para informar y orientar a los pacientes y sus familias, preferiblemente antes de que se transfiera a un paciente críticamente enfermo. Sabemos que los pacientes o sus sustitutos que participan en conversaciones con médicos sobre su Los valores tienden a recibir una atención acorde con sus preferencias. SafeNET puede ser una herramienta eficaz y económica para facilitar esas importantes conversaciones ".