Introducción

Los servicios de urgencias hospitalarios son a menudo los más abiertos a las iniciativas de innovación para mejorar el proceso de atención sanitaria, puesto que corren mayor riesgo debido a la presión continua y la extrema variabilidad de la atención.

Amalfi toma el reto de crear una plataforma que permita gestionar predictivamente, anticipar congestiones y situaciones indeseadas y ajustar recursos con tiempo. La tecnología esencial de la plataforma es “Machine Learning”, o la capacidad de crear modelos predictivos del futuro a partir de datos históricos.

El impacto en el paciente se debería producir por dos vías:

• Reducción de tiempos de espera, que sabemos que impacta en complicaciones y mortalidad.
• Reducción de estrés y saturación de profesionales, que sabemos que impacta en reducción de errores y mejora de la eficiencia.

Todo lo cual se traduce en satisfacción y seguridad del paciente.

El proyecto EVE – Extreme Variability in Emergencies

El reto se vehicula a través de un proyecto bilateral ACCIÓ NUCLIS Catalunya-Francia, para desarrollar la plataforma a partir de pruebas de concepto previas, concedido en otoño de 2019. Se propone pilotar la plataforma en un hospital universitario urbano, el Hospital de la Santa Creu i de Sant Pau, y en un hospital con variabilidad extrema, el Hospital de la Cerdanya.

Como aliado tecnológico de Amalfi en el proyecto NUCLIS, colabora con una empresa francesa especializada en gestión de datos de salud, HEVA. Tiene que asegurar la adecuación al escenario francés, que presenta diferencias importantes con el catalán en cuanto acceso a datos.

El Hospital de la Cerdanya, con peculiaridades geográficas y atención a la población transfronteriza en una zona altamente turística y estacional, es un caso de extrema variabilidad muy diferente a un hospital urbano. Por ejemplo, los eventos de alto impacto como la fecha exacta de apertura de las pistas afectan y la gran variación en el volumen y tipología de la población, son un reto para lograr buenas predicciones con herramientas de estilo Machine Learning.

Entre marzo del 2020 hasta junio del 2021, la pandemia ha supuesto un reto colosal para el sistema sanitario. El incremento de consultas en la atención primaria, en las urgencias hospitalarias y sobre todo, el aumento de las necesidades de hospitalización y unidades de crítico ha tensionado las organizaciones de todo el mundo. Tras las distintas olas, durante el 2021 están aflorando además un incremento en los problemas de salud mental y de patologías graves no diagnosticadas.

La concepción de la plataforma

Al inicio del proyecto se imagina la plataforma como un servicio (SaaS), con un sistema de extracción periódica de datos de actividad necesarios para la predicción que impacte el mínimo con los sistemas transaccionales del hospital. Estos datos se combinan con otros, sin duda calendarios de festivos y tiempo atmosférico, y opcionalmente otros disponibles al hospital. Los algoritmos de Machine Learning de Amalfi contenidos en la herramienta crean y revisan continuamente modelos predictivos de tres tipos:

• Predicción de afluencia tipificada por nivel de triaje y tipología, a horizontes desde pocas horas hasta semanas.
• Predicción de ocupación de los distintos espacios del servicio, desde lo inmediato hasta 24 horas.
• Predicción de las necesidades de hospitalización (camas en planta), tipificada por área, con horizonte desde horas hasta semanas.

Se plantea también que la plataforma permita hacer visualizaciones y análisis retrospectivos y monitorizar en tiempo real. Aunque muchos hospitales tienen herramientas de tipo BI que pueden teóricamente hacerlo, ni todos los hospitales las tienen ni todos tendrán construidos en breve los cuadros de mando que los gestores de los servicios de urgencia querrían tener para su día.

Un objetivo técnico era minimizar los datos extraídos manteniendo buenos resultados predictivos. Motivos para este objetivo son, por un lado, el principio de minimalidad de acceso a datos personales sensibles, y por otro facilitar la implantación en hospitales. Los datos elegidos son básicamente los del Conjunto Mínimo Básico de Datos de urgencias, en Catalunya estandarizados por el Servei Català de la Salut, más información adicional de día y hora de paso de cada paciente por los distintos espacios del servicio.

Desarrollo y resultados

Con los datos históricos del Hospital de Sant Pau, se hace un trabajo de investigación para la creación de algoritmos predictivos de afluencia según nivel de severidad, de tiempo de espera y empleo, y muy especialmente de la necesidad de camas para ingresos a planta o derivaciones a otras instituciones, hospitales de agudos o sociosanitarios.

Huelga decir que el comportamiento del año 2020 no sigue precisamente el patrón histórico, y por tanto la duda de la precisión con cambios tan exagerados estaba presente.

Mientras tanto, se clarifica las necesidades de monitorización en tiempo real de los indicadores que deben alertar al equipo. Se piensa en un futuro sin el monopolio de casos COVID, pero está presente en los diseños.

En la primera fase del proyecto se pone el máximo esfuerzo en el diseño de los predictores. Se constata pronto que un modelo fijo (una “fórmula” congelada) da resultados mediocres, puesto que los patrones anuales, mensuales, semanales, etc. No son perfectos y evolucionan a lo largo de los años, por no hablar del cataclismo que se observa a partir de marzo de 2020. Se decide utilizar no un solo predictor sino un comité de predictores (un “meta-learner”), construidos con distintos algoritmos, cuyos resultados se ponen a votación para obtener resultados mejores que cualquiera de ellos. En particular, hay predictores que tienden a confiar principalmente en los datos históricos, mientras que otros tienen más en cuenta las tendencias recientes. Este enfoque permite una mayor adaptabilidad a los cambios que se dan de manera imprevisible, aunque es técnicamente más difícil de implementar.

Las pruebas con datos del Hospital de Sant Pau (años 2016 a 2020) dan resultados excelentes, con una tasa de acierto que supera el 95%, salvo en marzo-abril de 2020 en que se llega al 85%-90%. Se pasa entonces a mejorar la experiencia de usuario con una interfaz limpia y con la información relevante y acordada con el hospital.