0

El porcentaje de éxitus hospitalario (mortalidad hospitalaria) es un indicador que se usa para medir la calidad de la asistencia sanitaria. Aunque la mortalidad se ve afectada por muchos factores distintos, como la enfermedad, accesibilidad, etc., la mortalidad hospitalaria sirve para medir la efectividad de la atención sanitaria y se usa para tomar medidas en lo que refiere a la gestión del centro.

Así pues, el análisis de los datos clínicos nos va a permitir conocer la información referente a la calidad de la asistencia hospitalaria, además de identificar patrones y ofrecernos una base sólida para tomar decisiones de gestión.

20190702-DatosHospital

Además, el uso de los datos en la gestión clínica puede ofrecer muchas ventajas:

Descubrir patrones de éxitus inesperados

Como ya hemos comentado, conocer el porcentaje de éxitus hospitalario, así como las causas o motivos que lo rodean es muy importante para evaluar la calidad de la asistencia, así como para tomar decisiones. Los análisis referentes a la mortalidad hospitalaria no son nada nuevo. Sin embargo, con la introducción de la tecnología estos análisis toman una nueva perspectiva más profunda, de modo que es posible detectar patrones de éxitus que antes no eran visibles. Esto permite tomar decisiones en lo que refiere a la práctica clínica, así como en la administración de fármacos o tratamientos y su relación con patologías subyacentes o comorbilidad.

Acelerar el diagnóstico

Las enfermedades se presentan de formas diferentes en cada paciente. La comorbilidad, edad, sexo, etc. pueden afectar los síntomas, de forma que es difícil para un médico ofrecer un diagnóstico definitivo de forma segura i rápida, ya que no es humanamente posible conocer todas las formas en las que se presentan las enfermedades. Sin embargo, los ordenadores sí pueden tener toda esta información, lo que les convierte en una gran herramienta de apoyo para los médicos. De esta forma, es posible acelerar el proceso de diagnosis, lo que se traduce en una detección y tratamiento precoz de las enfermedades. A su vez, esto significa mayor calidad de vida, mayor posibilidad de curación y recuperación y una reducción en los costes de asistencia.

Ayuda al diagnóstico

Siguiendo con el uso de los datos en el campo del diagnóstico, los modelos de machine learning permiten conseguir nuevas aproximaciones al diagnóstico sugiriendo posibilidades que escapan al conocimiento de un médico en concreto, especialmente en los casos más complicados y raros, en los que frecuentemente se dan errores.

Asimismo, con el machine learning pueden diseñarse nuevas formas de detección de patologías, como las lecturas de radiografías, ECG, citologías, teledermatología, etc.

Evolución esperada

La tecnología no solo nos ofrece una visión más amplia del pasado y del presente, sino que nos permite, también, hacer predicciones basadas en información sólida proveniente de los datos. Así pues, la incorporación de la tecnología facilita la tarea de predecir la evolución de una enfermedad o tratamiento para los médicos. Eso permite que los médicos puedan dejar de basarse en estadísticas y generalizaciones y puedan hacer suposiciones basadas en información fiable, contrastada y segura gracias a los datos.

Evaluación de tratamientos

El uso de la tecnología puede facilitar la elección y el seguimiento de los tratamientos. Ya sea porque los médicos se enfrentan a enfermedades muy raras o porque no les es posible mantenerse absolutamente al día de todos los tratamientos existentes, la tecnología puede ser una herramienta que apoye esa elección teniendo en cuenta las circunstancias específicas de cada paciente y cada enfermedad, los efectos secundarios, alergias, etc.

La tecnología también es útil en campos menos prácticos dentro de la atención sanitaria. El machine learning es muy útil para la investigación clínica y el seguimiento de los efectos de nuevos fármacos o nuevos procesos. Gracias a la tecnología puede resultar fácil para los investigadores detectar pacientes que cumplan los requisitos para participar en la investigación.

En el campo de la detección de efectos y consecuencias de los fármacos hay un caso singular. Lo cuenta García Cantero, un prestigioso analista de TIC, en el portal tecnológico TICbeat. En esa instancia, el análisis de big data permitió detectar que un fármaco, un analgésico, que se estaba administrando con, aparentemente, resultados positivos estaba causando un incremento de muertes por mal uso y por los efectos nocivos que no se habían detectado durante la creación del producto y que los estudios que se estaban llevando a cabo no pudieron identificar. Específicamente, se detectó que la toma de este analgésico aumentaba en gran medida las probabilidades de padecer un ataque al corazón. Así, el uso de los datos en esta ocasión pudo explicar el por qué de muchas muertes y prevenir muchísimas más.

Limitaciones del machine learning para la práctica clínica

Las nuevas tecnologías se han introducido de lleno en todos los campos y la medicina y la práctica clínica no son ninguna excepción. Eso se aplica a todas las formas que toman estas profesiones, desde los aspectos más burocráticos, con la codificación clínica, a los más prácticos, como el diagnóstico o, incluso, la cirugía. Eso proporciona al personal médico y sanitario la oportunidad de centrarse más en el paciente, ya que las tareas más mundanas pueden relegarse a las máquinas. Sin embargo, eso es muy difícil si no se cuenta con unos datos de calidad que permitan trabajar de forma rápida y segura.

DÉJANOS TU COMENTARIO

    Tags

    Ver todo