Aplicación de machine learning en la gestión de las personas con enfermedades crónicas

Francesc Güell y Martí Zamora de Amalfi Analytics | SEPTIEMBRE 2020
Artículos Tecnología Inteligencia Artificial IOT Internet de las cosas Big Data Hospital digital Aplicación de machine learning en la gestión de las personas con enfermedades crónicas

Uno de los grandes retos de la atención sanitaria, pre y post-Covid, ha sido y continúa siendo la atención a la salud de la población con mayor comorbilidad. Tanto la atención primaria, como los servicios de urgencias hospitalarias o los de hospitalización tienen la difícil tarea de tratar personas con situaciones sociosanitarias más complejas.

Son personas con pluripatología crónica y múltiples ingresos anuales por descompensación de sus patologías de comorbilidad. Personas de avanzada edad, que viven en el ámbito residencial, a menudo con necesidad de más proactividad en el manejo de sus enfermedades, y dificultades para detectar precozmente su empeoramiento. Personas que, una vez ingresadas en el ámbito hospitalario, tardan en recobrar la estabilidad para poder ser dados de alta o tienen un mayor riesgo de mortalidad.

El sistema sanitario aún está lejos de una óptima atención a esta casuística. Los gestores sanitarios son conscientes y hace tiempo que tienen herramientas para detectar estas desviaciones (por RGD o por diagnóstico) midiendo el índice de reingresos, la estancia media hospitalaria, índice de mortalidad hospitalaria, etc. pero a menudo el motivo de la desviación no se llega a esclarecer, la razón de fondo queda en hipótesis del profesional.

En Amalfi Analytics© tenemos como objetivo crear soluciones que ayuden a la gestión de servicios de salud de la forma más informada. Ayudamos a hospitales, servicios sociosanitarios, centros de salud y centros de atención primaria a mejorar en estas áreas de forma fácil y rápida con herramientas de gestión basadas en avanzados algoritmos de Machine Learning. En relación a la necesidad de mejorar la atención a los pacientes pluripatológicos hemos diseñado ANIS®, una herramienta que permite identificar grupos de pacientes con condiciones similares para aplicar medidas diferentes, optimizar recursos y minimizar costes, centrándose en los aspectos clínicos de la gestión.

Uno de los diagnósticos que presentan mayor problemática de reingresos, estancias hospitalarias y mortalidad es la insuficiencia cardiaca. ANIS® permite evaluar el proceso asistencial de esta enfermedad identificando qué tipo de comorbilidad tienen los pacientes que peores resultados tienen en estos indicadores. Mediante la tecnología de machine learning, ANIS® elabora clusters que identifican agrupaciones de diagnósticos de comorbilidad identificando patrones más allá del diagnóstico principal o de un grupo relacionado de diagnóstico (GRD). En la siguiente imagen se ilustra un análisis de 4 clusters: patrón de patología metabólica, patrón cardiaco puro, patrón mixto respiratorio y cardiaco, y patrón geriátrico.

amalgy salud digitalamalgy salud digital

ANIS® es una herramienta adaptable a las necesidades de análisis y también a la disponibilidad de información, de manera que si en un hospital se dispone de más variables, como podrían ser datos de farmacia o exitus externos, los algoritmos se adaptan automáticamente para generar modelos más sofisticados. El gestor puede ver, en todo momento, los resultados de los indicadores asistenciales según cada clúster, cosa que hace posible identificar en qué perfil de paciente está exactamente el problema, a menudo en perfiles de paciente que sin la analítica predictiva no se hubiera podido identificar.

Para poder seguir leyendo este artículo sobre la aplicación de machine learning en la salud y poderlo descargar en PDF debe iniciar sesión o suscribirse al portal.

Para poder escribir un comentario debe iniciar sesión o darse de alta en el portal.

Proveedores Platino

Proveedores Plata