Intervención en embarazos de alto riesgo
Uso de modelos predictivos para identificar embarazos de alto riesgo y prevenir complicaciones que podrían evitarse en poblaciones con mayor riesgo de mortalidad materno-infantil
Dra. Susan Beane, directora médica ejecutiva de Healthfirst
Jennifer Zbell, vicepresidenta, análisis clínico
Sule Baptiste, Directora de Data Science, Healthfirst
Healthfirst se compromete a brindarles un cuidado equitativo a todos los neoyorquinos. Los cuidados durante el embarazo y la planificación familiar son componentes esenciales de esta misión.
Las variaciones en la calidad del cuidado, la presencia de enfermedades crónicas subyacentes, el prejuicio implícito en la práctica de la medicina y el racismo estructural en el cuidado de maternidad contribuyen a que las tasas de mortalidad materna sean cinco veces más altas para las mujeres de color que para las mujeres blancas en el estado de Nueva York y tres veces más altas a nivel nacional.
Una vez que han nacido, los bebés de color de la ciudad de Nueva York tienen 50% más de probabilidades de presentar complicaciones inesperadas, y los hispanos, un 20%. Esto se debe en parte a que estos bebés tienen más probabilidades de nacer en hospitales con altos índices de complicaciones.
Una estrategia importante para revertir esta tendencia es identificar a las mujeres que corren alto riesgo de tener complicaciones durante el embarazo e intervenir a tiempo para evitar partos prematuros, internaciones en la unidad de cuidados intensivos neonatales (UCIN) u otras complicaciones. El equipo de análisis de datos de Healthfirst está trabajando para crear marcos de aprendizaje automático a fin de predecir el riesgo y capacitar a los equipos de atención para que puedan actuar.
Identificación de riesgos con base en cientos de factores
Dentro del cuidado de maternidad, ya existen muchos diagramas de tomas de decisiones o reglas comerciales que ayudan a identificar si alguien corre alto riesgo de tener complicaciones durante el embarazo. Factores como la edad, el peso, las características del cuello del útero y los antecedentes de embarazo pueden utilizarse para estratificar el riesgo de las personas embarazadas.
Lo bueno del aprendizaje automático es que puede incorporar varios diagramas de tomas de decisiones. En vez de evaluar el riesgo basándonos en un montón de factores, podemos crear modelos predictivos que examinen más de 300 puntos de datos. Estos datos surgen principalmente de reclamaciones, pero también tenemos datos sobre miembros y proveedores, y los complementamos con datos de salud pública siempre que sea posible.
También podemos incorporar factores que suelen pasarse por alto. Un ejemplo son los patrones de uso del cuidado médico. ¿Tiene alguien una relación con un médico de cuidado primario y con los especialistas correspondientes? ¿Con qué frecuencia utiliza los servicios de telesalud, atención de urgencia o salud del comportamiento, entre otros? ¿Cuál es su historial de resurtido de recetas?
Como es de esperar, la mayoría de las personas embarazadas tienen bajo riesgo, y el riesgo aumenta a medida que la población se divide en percentiles. En el 90.° percentil, la probabilidad de un parto de alto riesgo es más del doble; en el 99.° percentil, la probabilidad es más de cuatro veces.
Intervención con siete semanas de antelación
Cuando incorporamos este modelo predictivo en nuestro Healthfirst Cares Maternity Program, pudimos identificar a los miembros de alto riesgo 52 días (o más de siete semanas) antes que los diagramas de tomas de decisiones clínicas tradicionales.
Es significativo teniendo en cuenta que un embarazo promedio dura 280 días (o aproximadamente 40 semanas). No tenemos que esperar a un examen de glucosa (que suele hacerse entre las 24 y las 28 semanas) o a una detección de anomalías (que suele hacerse entre las 18 y las 22 semanas) para identificar la presencia de diabetes gestacional o defectos congénitos, respectivamente. Nuestro modelo puede detectar los factores de riesgo semanas antes, y podemos intervenir para lograr un efecto positivo en la salud de padres e hijos.
En un caso, teníamos una miembro cursando su tercer embarazo. En los dos primeros partos había ingresado a la UCIN debido complicaciones por la diabetes gestacional que dieron lugar a partos prematuros, y con su tercer bebé tenía diabetes gestacional insulinodependiente.
El modelo predictivo identificó a esta miembro y luego de hablar con un personal de enfermería especialista en administración de cuidados aceptó la remisión a un nutricionista. Con la ayuda del nutricionista, bajó de peso, pudo dejar la insulina y durante el parto no fue necesario que sea ingresada a la UCIN.
Si bien la historia de esta miembro destaca la importancia del aprendizaje automático como herramienta de detección, también es importante tener en cuenta los pasos que siguen a la identificación de miembro. Los equipos de cuidado necesitan un mecanismo para recomendar y ofrecer los recursos adecuados en el momento oportuno. No importa necesariamente quién brinde el servicio de atención —cuidado primario, especialidad, administración de cuidados, salud en el hogar, servicios sociales, etc.— siempre que el miembro reciba la atención que necesita y evite complicaciones que son costosas y pueden prevenirse, y que la madre y el bebé estén sanos.