Triaje médico hecho por Inteligencia Artificial

Alvaro
Escrito por Alvaro el
Triaje médico hecho por Inteligencia Artificial

El desafío del cribado médico

En los últimos años se ha observado que el número de visitas a las salas de urgencia muestra una tendencia preocupante por su acelerado crecimiento. Solo en EEUU, para 2018 (1), se reportaron en promedio 130 millones de visitas al sistema de urgencias, causando niveles de aglomeración y retrasos en la atención sin precedentes.

Con tal volumen es de esperarse que el sistema tenga fallas en el enrutamiento clínico de los pacientes, un estudio publicado en 2018 (2) por el departamento de medicina de Emergencia de la Universidad Johns Hopkins, estima que en promedio 1 de cada 5 pacientes son mal evaluados por el personal sanitario al momento de hacer la asignación de priorización. Esto puede tener graves consecuencias para los pacientes. Por un lado, el sobre-triaje genera que los pacientes sean enviados a tratamientos de cuidados intensivos innecesarios, costosos y que requieren mucho tiempo, exponiéndose a peligrosas bacterias resistentes a antibióticos que pueden rondar en los hospitales. Por el otro, el sub-triaje hace que un paciente que necesita atención, no la reciba de manera oportuna impidiendo que se realice un correcto seguimiento de la condición y eliminando la posibilidad de parar el deterioro del paciente.

Si a esto le sumamos la cantidad de pacientes que realizan visitas innecesarias que terminan saturando las salas de urgencias en jornadas pico encontraremos que el triaje es una actividad que representa grandes desafíos para que las instituciones sanitarias optimicen sus recursos y para que los pacientes reciban un servicio y tratamiento adecuado.

¿Cribado poblacional hecho por inteligencia artificial?

La aparición de herramientas tecnológicas que permitan automatizar la priorización de los pacientes según su necesidad de atención médica, tienen el gran potencial de disminuir la carga de los sistemas de urgencias, liberar tiempo para que las enfermeras y los médicos traten a los pacientes y mitigar los inconvenientes del sobre y sub triaje.

En los últimos años, la aplicación de Inteligencia Artificial (AI) al sector salud, ha venido transformando la forma en la que se practica la medicina. Particularmente, en el caso del triaje, la creación de sistemas de apoyo a la decisión clínica (Clinical Decision Support Systems CDSS) han mostrado que aplicando Aprendizaje de Maquinas (ML) y Aprendizaje Profundo (DL), dos de los grandes componentes de la AI, se puede igualar o incluso mejorar (3) la capacidad predictiva del personal sanitario en la priorización de la atención a los pacientes.

Sin embargo, es importante mencionar que se habla de Sistemas de Apoyo a la Decisión porque realmente una automatización completa del proceso de triaje es impráctica. Solamente tomando como ejemplo la Clasificación Estadística Internacional de Enfermedades y Problemas de Salud Relacionados (ICD) vemos que en tan solo los últimos años el número de condiciones ha aumentado de 12,420 a 68,000 haciendo que la variabilidad en las condiciones que se presentan a diario para ser priorizada sea bastante elevada.

¿Se necesita saber de código para hacer una herramienta de triaje Clínico con Inteligencia Artificial?

La tecnología que hay detrás de estos CDSS es bastante compleja en términos generales. Para construir un CDSS, no solo se quiere de un conocimiento amplio de las enfermedades y los niveles de triaje asociados a dichas condiciones, sino que también de manejar correctamente los procesos necesarios para desarrollar algoritmos de IA. Lo anterior, representa barrera en el desarrollo de estas herramientas, sobre todo teniendo en cuenta que los médicos, y el personal sanitario en general, no poseen este conocimiento en IA.

En consecuencia, Arkangel AI ha puesto a disposición de toda la comunidad sanitaria Hippocrates AutoML, una herramienta que permite la creación de algoritmos de IA, siguiendo todos los estándares de calidad, sin necesidad de escribir una línea de código.

¿Qué insumos necesita Hippocrates?

Como cualquier otra plataforma basada en Inteligencia Artificial, los algoritmos entrenados con Hippocrates requieren de datos. En el caso de un CDSS para triaje, estos datos deben seguir una relación similar a los que se obtienen en el proceso manual de cribado, es decir, se necesita como mínimo recopilar información de los síntomas del paciente, esto también representa un reto para las instituciones sanitarias pues usualmente no han planteado una arquitectura de datos organizada (si es tu caso te recomendamos hablar con uno de los agentes de Arkangel Ai para saber qué alternativas tienes para empezar a organizar tus datos inclusive si no están estructurados). No obstante, lo interesante de la IA es que, a diferencia del personal sanitario, puede analizar grandes cantidades de información en cortos periodos de tiempo. Por tanto, para la construcción del CDSS también es pertinente incluir información que podría ser relevante para el triaje: Historia clínica del paciente, condiciones de base, valoraciones anteriores, entre otras.

Con esta información y el “gold standard”, es decir el resultado esperado de predicción por parte del algoritmo, Hippocrates es capaz de construir y testear un algoritmo que sirva de apoyo para la jerarquización de la atención a los pacientes. Este algoritmo, debe agrupar en los diferentes niveles de triaje existentes, para que el experto reciba notificaciones que le permitan tomar decisiones basadas en datos y con un menor grado de subjetividad.

¿En qué lugar del workflow clínico puede implementarse un Triaje hecho por Ai?

Los servicios de urgencias no son el lugar más idóneo para realizar este proceso de triaje, ni siquiera con la ayuda de una herramienta de IA. Por esto, una buena idea para los CDSS es diseñarlos en forma de Chatbots o plataformas interactivas de consulta de manera remota, permitiendo disminuir el alto flujo de pacientes en el sistema hospitalario. Igualmente, al realizarse remotamente, es posible impactar el manejo de recursos de manera integral, pues no solo se prioriza la atención hospitalaria de los pacientes, sino también la asignación de ambulancias para su traslado. Lo anterior es de vital importancia, si se tiene en cuenta que en los últimos años los tiempos de reacción de las ambulancias han aumentado dramáticamente (4), afectando la calidad en la atención del sistema de urgencias.

Finalmente, al realizar un triaje de manera remota, los CDSS ayudan a informar adecuadamente a los pacientes de la urgencia en la atención médica que su condición requiere. Esto no solo alivia el miedo que sienten los pacientes cuando se sienten enfermos, sino que ayuda al sistema de salud a asignar inteligentemente variantes en la atención médica, como visitas domiciliarias, citas por teleconsulta, citas prioritarias, entre otras.


El uso de Inteligencia Artificial para la jerarquización de la atención médica representa una gran ventaja tanto para los pacientes, como para los médicos y aseguradoras. Si usted está interesado en desarrollar una herramienta basada en Ai o implementar alguna de las desarrollas por Arkangel Ai permítanos (conocerle), hay mucho valor por explotar.

(1) National Hospital Ambulatory Medical Care Survey: 2018 Emergency Department Summary Tables

(2) Accuracy of emergency department triage using the Emergency Severity Index and independent predictors of under-triage and over-triage in Brazil: a retrospective cohort analysis

(3) Artificial intelligence algorithm to predict the need for critical care in prehospital emergency medical services

(4) Intelligent Call Triage System with Algorithm Combining Decision-Tree and SVM

Comentarios

comments powered by Disqus