Programación tradicional vs. machine learning

La inteligencia artificial (IA) es un término amplio que engloba varios subcampos que abarcan desde la planificación y resolución de problemas hasta la robótica y el procesado de lenguaje natural. El aprendizaje automático, o machine learning (ML), es una rama de la IA que ha cobrado especial relevancia debido a su rol catalizador en los progresos recientes de otras disciplinas de la IA. Estos avances han provocado un cambio paradigmático, desplazando técnicas antiguas en favor de métodos de ML en áreas como la visión por computadora y el análisis de texto y audio.

El machine learning ofrece un enfoque para construir programas informáticos en situaciones donde el conocimiento exacto de todas las variables y su interacción es inaccesible o demasiado complejo para una codificación explícita y directa. A diferencia de la programación tradicional, donde el comportamiento del sistema está claramente definido por reglas explícitas, el ML permite generar modelos a partir de datos históricos que “aprenden” a hacer predicciones y, en algunos casos, a tomar decisiones. Esto es crucial en campos como la medicina, donde la precisión del conocimiento puede ser difusa, como en la detección de tumores en imágenes médicas. A pesar de su potencial, los modelos de ML requieren validaciones rigurosas para asegurar su fiabilidad, ya que no se pueden predecir todas sus respuestas con certeza.

Los algoritmos de ML se dividen en dos categorías principales: supervisados y no supervisados.

Los algoritmos supervisados se utilizan para crear modelos predictivos que inferirán una variable futura o presente a partir de datos conocidos; estos pueden ser tanto de regresión, para predecir una cantidad numérica, como de clasificación, para determinar una etiqueta entre varias posibles.

Por otro lado, los algoritmos no supervisados están orientados a extraer conocimientos y patrones de los datos, encontrando asociaciones intrincadas entre múltiples variables, diferenciando poblaciones o identificando subgrupos con características similares a través de técnicas de clustering.

Las aplicaciones de ML en el sector salud también incluyen modelos generativos y prescriptivos, que a menudo se basan en modelos predictivos o descriptivos subyacentes. Este artículo pone el foco en cómo la introducción de la IA, en particular del ML, puede beneficiar la gestión y la operación en el ámbito sanitario, un aspecto crucial que forma el núcleo de la discusión.

La gestión

La visión comúnmente difundida de la inteligencia artificial aplicada a la salud se centra en la medicina de precisión, que contempla el diagnóstico y tratamiento personalizado para cada paciente. Sin embargo, la implementación generalizada de este enfoque se enfrenta a múltiples barreras en la realidad actual. Para realizar predicciones o prescripciones individualizadas es necesario acceder a un volumen sustancial de datos del paciente, que, debido a la fragmentación del sistema de salud, están dispersos en múltiples sistemas de información no interoperables.

Además, la aplicación de tratamientos basados en datos implica retos éticos, resistencia al cambio por parte de los profesionales de la salud, y desafíos legales en cuanto a la validación de las soluciones propuestas. Los riesgos asociados a un error en estos sistemas pueden tener consecuencias graves para la salud o incluso la vida de los pacientes, lo que justifica el escepticismo y la demanda de validaciones exhaustivas y un marco legal y jurisprudencial más amplio y sólido.

La medicina de precisión también requiere considerable inversión en investigación y recursos, limitando su alcance a grandes organizaciones y centros de investigación avanzada. Por otra parte, la gestión de la salud utilizando IA es una alternativa inmediatamente viable y de alto impacto en las organizaciones sanitarias. Se pueden emplear datos de actividades rutinarias, como la administración y la facturación, que son más accesibles y sencillos de estandarizar que los datos clínicos requeridos para la medicina de precisión.

La predicción en el ámbito de la gestión de la salud, como el número de visitas a urgencias, tiene implicaciones éticas menores, y se sujeta a regulaciones más permisivas. Además, en un contexto donde los recursos para la salud pública son limitados, el enfoque en la gestión mediante IA puede generar eficiencias en el sistema, liberando recursos económicos y humanos que a largo plazo pueden favorecer la evolución hacia prácticas más personalizadas en medicina.

La gestión territorial

La necesidad de una gestión territorial informada por datos es cada vez más crítica debido a la complejidad de los pacientes y del sistema de salud en su conjunto. La gestión efectiva debe atender a la amplia diversidad de recursos sanitarios disponibles, que son cada vez más escasos, y debe enfrentarse a la variabilidad inherente a los grandes sistemas de salud. En muchos casos, dicha variabilidad puede ser indeseada o incluso perjudicial, y es frecuentemente desconocida. Los algoritmos de machine learning desempeñan un papel crucial en la identificación y análisis de esta variabilidad, permitiendo a los gestores detectarla, evaluarla y mitigarla acorde a las necesidades.

La idea de un hospital SMART solo puede concebirse dentro del marco de un territorio igualmente SMART. El territorio influye significativamente en el perfil de los pacientes que acuden al hospital y, en consecuencia, en los tratamientos y recursos necesarios para su atención. Los gestores territoriales, que pueden ser responsables de un país entero, una región sanitaria o una localidad, tienen dos grandes responsabilidades: hacia el financiador, garantizando la optimización de la actividad y recursos, y hacia la población, asegurando que los servicios de salud concuerdan con las necesidades reales, promoviendo la equidad, accesibilidad, calidad en los tratamientos y la prevención.

Para cumplir estas responsabilidades, los gestores necesitan herramientas que les permitan analizar el flujo de pacientes a través del territorio, las desviaciones y variabilidades, y las necesidades de personal sanitario. Con un conocimiento profundo de la población, pueden valerse de la inteligencia artificial para desarrollar programas de salud que incluyan alternativas a la hospitalización, priorizando los cuidados domiciliarios y la atención en el entorno del paciente cuando sea posible.

Caso práctico 

En el contexto de un área montañosa con una población dispersa y envejecida que enfrenta desafíos tanto en el ámbito económico como en el sanitario, una herramienta de machine learning no supervisada puede ser de gran ayuda para entender los patrones de salud y las necesidades de la comunidad. La herramienta permite identificar qué problemas de salud son más prevalentes en la región y cómo estos están interconectados. Este análisis detallado es esencial para garantizar la equidad y la accesibilidad de los servicios sanitarios, alineándose con el deber del sistema de salud de ofrecerlos a todos por igual.

Los hallazgos sustanciales mostraron que un número significativo de casos atendidos fuera del área de gestión local podría haber sido manejado a nivel local. Se determinó que la mayoría de los casos, potencialmente hasta un 80%, podrían resolverse sin referirlos a servicios especializados externos. Esto abre la posibilidad de retener más de la mitad de los casos actualmente referidos, lo que tiene implicaciones tanto en eficiencia como en satisfacción del paciente.

Sin embargo, no todos los casos se benefician de ser atendidos localmente debido a la escasez de especialistas en estas regiones menos desarrolladas, lo que desincentiva su presencia y suscita la necesidad de explorar alternativas a la hospitalización tradicional. La gestión territorial se enfrenta al desafío de mejorar la integración y el cuidado, así como de maximizar la derivación y motivación de los profesionales sanitarios.

La herramienta de machine learning examina los datos de hospitalización (CMBD) para identificar patrones significativos que indican las enfermedades crónicas y condiciones predominantes entre los pacientes. Este conocimiento puede contribuir a la implementación de programas de salud específicos y a la introducción de tecnologías como la telemedicina, que podrían ser más adecuadas antes que otras intervenciones. La telecardiología, por ejemplo, puede ser prioritaria en regiones con un alto porcentaje de pacientes cardíacos que podrían beneficiarse de este acercamiento proactivo.

La prevención también juega un rol crucial. Es posible identificar patrones de pacientes con insuficiencia cardíaca que ingresan al hospital para desarrollar estrategias de coordinación con atención primaria y servicios de cuidado a domicilio, con el fin de reducir el número de hospitalizaciones evitables. Más allá de la prevención básica enfocada en hábitos como el tabaquismo, es posible orientar esfuerzos hacia la prevención en enfermedades con alta tasa de hospitalización como la insuficiencia cardíaca.

Las herramientas de machine learning tienen la capacidad de trabajar con cientos de dimensiones y variables, lo que permite establecer patrones comprensivos sobre los perfiles de salud de los pacientes y vincular esos patrones a tratamientos médicos, procedimientos quirúrgicos y otras atenciones, incluida la atención social. La integración de datos sociales y sanitarios se ha vuelto más accesible y puede proporcionar una visión más amplia y coherente de las necesidades de una población, en comparación con el análisis estadístico convencional.

La visualización de la información permite a los expertos concentrarse en grupos específicos de pacientes con necesidades particulares, como por ejemplo aquellos con múltiples comorbilidades que requieren cuidados a domicilio. Prever las necesidades de atención a domicilio en una población de edad avanzada y discernir qué problemas diferencian a los pacientes que ya están recibiendo este tipo de atención, permite a los gestores de salud tomar decisiones más informadas.

En términos de planificación estratégica y operativa, la herramienta puede ser utilizada para realizar análisis a varios niveles administrativos, desde una perspectiva nacional hasta una más localizada, como los centros de atención primaria. La eficiencia radica no en la granularidad del análisis, sino en la disponibilidad y calidad de los datos históricos, permitiendo enfocarse en la prevención y el manejo de condiciones complejas antes de que escalen a requerir intervenciones más costosas y extensas como el ingreso en residencias sanitarias.

En resumen, el análisis integral que ofrecen estas herramientas basadas en machine learning es fundamental para comprender y responder a las necesidades diferenciadas de un territorio en materia de salud, lo que facilita una gestión más efectiva y adaptativa de los recursos y servicios de atención sanitaria.

La gestión hospitalaria: triple responsabilidad

En la gestión hospitalaria, se reconoce una triple responsabilidad que incorpora no solo las obligaciones hacia el financiador y la población, sino también hacia los profesionales de la salud. La dirección hospitalaria debe garantizar no solo el cumplimiento de contratos y un uso eficiente de los recursos para la sociedad, sino también asegurar la accesibilidad y minimizar los riesgos para los pacientes, además de identificar y corregir cualquier desviación de los estándares de calidad establecidos.

La responsabilidad hacia los profesionales se manifiesta de manera más directa, enfocándose en ofrecer buenas condiciones de trabajo y las herramientas necesarias para su desempeño eficiente. Esto incluye la desburocratización y la eliminación o automatización de tareas de bajo valor añadido. La inteligencia artificial es un medio para mejorar significativamente la anticipación y planificación de los recursos hospitalarios, facilitando así el trabajo del personal y los directores de servicio.

Desburocratización y automatización de procesos 

La desburocratización y la automatización de procesos están entre los primeros aspectos en los que la inteligencia artificial está comenzando a ofrecer asistencia. Los verificadores de síntomas, como Symptom Mate, pueden ayudar a los pacientes a entender su condición y decidir si necesitan asistir a urgencias. Chatbots específicos, como los desarrollados para manejar las consultas de COVID-19, y sistemas de triaje automatizado para casos de baja complejidad son otros ejemplos de cómo la IA puede optimizar la gestión de los servicios de salud.

En el futuro próximo, se espera que la IA tenga la capacidad de transcribir interacciones médico-paciente, liberando a los profesionales de la salud de la carga administrativa y permitiéndoles concentrarse más en el paciente en lugar de en tareas de documentación. La automatización de la gestión administrativa y la generación de alertas inteligentes son otras áreas en las que la IA puede desempeñar un papel significativo. Hay sistemas existentes que generan advertencias relacionadas con prescripciones incompatibles o interacciones entre medicamentos, pero el potencial de la IA para aprender de la experiencia y generar nuevas alertas representa una evolución importante en esta área.

Además, hay que enfatizar la importancia de desarrollar herramientas de inteligencia artificial que sean validadas, fiables, escalables, y que puedan extenderse más allá del contexto en el que fueron creadas inicialmente. La colaboración entre profesionales de la salud y expertos en inteligencia artificial es fundamental para asegurar que las soluciones propuestas sean efectivamente aplicables en distintos entornos hospitalarios y que contribuyan significativamente a la mejora de la calidad del cuidado y la eficiencia de los servicios ofrecidos.

Herramientas tipo “anticipar y planificar”

En el ámbito de la gestión hospitalaria, la adopción de herramientas de inteligencia artificial que permiten anticipar y planificar futuras necesidades se ha vuelto crucial para transformar organizaciones de salud reactivas en entidades proactivas. Anticipar se refiere a prever la demanda de servicios médicos en el corto y largo plazo, desde horas hasta meses, pronosticando tipos de pacientes y la severidad de sus condiciones, los recursos necesarios para su atención, así como la disponibilidad de dichos recursos, incluido el personal. Estas predicciones se basan en datos históricos analizados mediante algoritmos de machine learning.

La capacidad de prever con precisión permite mejorar los tiempos de espera, tanto en urgencias como en listas de espera quirúrgicas, y reducir el estrés que afrontan los profesionales sanitarios. Se ha documentado ampliamente que reduciendo estos dos factores se disminuye el número de errores médicos y complicaciones, lo que a su vez mejora la seguridad y las condiciones de trabajo para el personal y aumenta la satisfacción y seguridad de los pacientes. Además, la planificación a largo plazo puede optimizar los contratos y turnos de los trabajadores, una de las principales influencias en la satisfacción laboral.
Estas herramientas también pueden mejorar la coordinación entre servicios y la toma de decisiones colaborativas si los distintos departamentos pueden prever no solo sus propias necesidades sino también las de otros, facilitando así la redistribución de recursos cuando sea necesario.

Flujos de pacientes

La gestión eficaz de los flujos de pacientes dentro de un hospital es fundamental para la mejora continua del sistema sanitario. Las herramientas de inteligencia artificial han ido adquiriendo gran relevancia en la anticipación de la actividad hospitalaria y en la disponibilidad de recursos en los puntos críticos, como son las urgencias. Estas herramientas pueden predecir la tipología de pacientes entrantes, su grado de severidad, cuántos requerirán hospitalización y, por tanto, el número de camas necesarias, así como la presión que se ejercerá sobre bloques quirúrgicos y otros recursos. Igualmente, son capaces de predecir la lista de espera y la carga de trabajo en servicios de soporte como laboratorios y farmacias.

Uno de los puntos clave de estas soluciones es su escalabilidad; se enfocan en predecir volúmenes de actividad y recursos más que en eventos individuales. Esto es crucial debido a que realizar predicciones a nivel de pacientes individuales puede ser extremadamente complejo, debido a la necesidad de acceso a datos que no siempre están fácilmente disponibles o integrables. Además, al predecir volúmenes, las implicaciones éticas son menores y se facilita la adopción debido a que los profesionales pueden percibir una mejora tangible en su gestión de manera más inmediata.