Aspectos destacados para proveedores: los modelos predictivos permiten planificar el cuidado de pacientes terminales con un enfoco en el cuidado médico igualitario
Dra. Susan Beane, directora médica ejecutiva de Healthfirst
Vincent Major, Ph.D., profesor adjunto de Salud de la Población, New York University Grossman School of Medicine
Introducción a cargo de la Dra. Susan Beane
En 2019, un estudio reveló que, por primera vez en casi un siglo, el hogar fue el lugar de fallecimiento más común en los Estados Unidos. Casi el 31% de los estadounidenses que murieron en 2017 lo hicieron en su casa, en comparación con solo el 30% que falleció en el hospital y casi el 21% en residencias de ancianos.
Es un desarrollo positivo: Las encuestas han demostrado que más del 70% de los estadounidenses prefieren morir en su casa.
Sin embargo, el mismo estudio demostró que las minorías raciales y étnicas tenían menos probabilidades de morir en su casa que los pacientes blancos. Sigue existiendo una clara brecha entre el deseo de los pacientes y lo que ocurre en la realidad.
Uno de los motivos de dicha brecha es que los médicos no conocen los planes de los pacientes para el cuidado de pacientes terminales. A veces, un paciente no tuvo esta conversación con sus seres queridos —lo cual es entendible, ya que el cuidado de pacientes terminales es costoso y complejo—sin mencionar el hecho de que es estresante y, sinceramente, nada sencillo. En otros casos, la conversación existió, pero los deseos no fueron documentados en ningún lugar donde un médico pueda verlos.
Vincent Major, Ph.D., es profesor adjunto de Salud de la Población en New York University's Grossman School of Medicine. También es afiliado de la Unidad Analítico Predictiva de la organización, la cual tiene como objetivo garantizar que se incorporen modelos de inteligencia artificial en la vida cotidiana. Uno de los modelos que desarrollaron él y sus colegas es un indicador del riesgo de mortalidad visto a través de la perspectiva de la planificación de pacientes terminales, lo cual ayuda a los proveedores del sistema de salud a tener más conversaciones sobre la planificación anticipada de la atención. Un componente esencial de este trabajo ha sido aprender de qué manera ajustar el uso del modelo para nivelar la igualdad y la equidad en el cuidado.
Alentar más conversaciones sobre la planificación anticipada de la atención
Por Vincent Major, Ph.D., profesor adjunto de Salud de la Población, New York University Grossman School of Medicine
Aunque cada paciente tiene una trayectoria diferente con las enfermedades crónicas, muchos experimentan algo denominado 'hospitalización centinela'. Se trata del momento en el que la enfermedad de un paciente empeora a tal punto que es necesario volver a evaluar el pronóstico, las opciones de tratamiento y los objetivos del cuidado.
Una hospitalización centinela no es difícil de identificar retrospectivamente. Una persona que haya perdido un ser querido puede evocar un momento cuando las cosas dieron un giro y, quizás, las conversaciones con el equipo de cuidado comenzaron a cambiar de ayudar en la recuperación a brindar confort. Sin embargo, a menudo, es bastante difícil reconocer este cambio en ese momento.
Nuestro objetivo con el modelo predictivo para la mortalidad era identificar pacientes que habían sido admitidos al hospital y tenían alto riesgo de morir en un lapso de 60 días. Deseábamos poner en funcionamiento este modelo en cuestión de minutos luego de la orden para admitir la emisión de modo que los proveedores pudieran hacer estas dos cosas: contextualizar sus decisiones respecto del cuidado teniendo en cuenta el pronóstico del paciente y tener, además de documentar, una conversación acerca de la planificación anticipada de la atención con el paciente y sus seres queridos.
Diseñamos el modelo utilizando nuestros datos de EHR —128,000 admisiones en más de tres años— y una serie de datos adquiridos que incluye fallecimientos derivados de la Administración del Seguro Social. Desde la implementación de estos modelos, hemos visto un incremento en la cantidad de Planes de cuidado de avanzada (ACP, por sus siglas en inglés) documentados para algunos de nuestros pacientes más en riesgo. Nuestro sistema ayuda a asegurarnos de que los pacientes son consultados sobre sus deseos para el cuidado en la fase terminal y ayuda a los médicos a estar mejor equipados para brindar el cuidado que responda a dichos deseos. También hemos aplicado este modelo para examinar a los pacientes para un proceso de administración de cuidados donde se incorpora la planificación anticipada de la atención en conversaciones con trabajadores de la salud comunitaria u otros coordinadores del cuidado una vez que el paciente ha recibido el alta.
Adaptar el uso del modelo para abordar las desigualdades
Algo que observamos cuando los modelos de predicción de la mortalidad fueron puestos en uso fue una desigualdad en los resultados. Ejecutamos los mismos modelos en varios campus, pero los pacientes tratados en una sucursal eran menos proclives a superar el límite del modelo y a ser guiados a la conversación sobre ACP.
Descubrimos que esto fue el resultado de la distribución de los datos. Nuestro modelo está diseñado en la presunción de que la utilización es proporcional al riesgo, ya que más visitas al médico, a la sala de emergencias o al hospital son indicativas de mayor riesgo de muerte. Sin embargo, los pacientes con acceso limitado al cuidado en dicha sucursal —o, consecuentemente, más citas de proveedores fuera de nuestro sistema— tendrían menos datos contra los cuales se podría ejecutar el modelo predictivo. Como las necesidades de utilización no eran parte del conjunto de datos, el modelo podría minimizar el riesgo parcialmente.
Esto nos puso frente a una pregunta de suma importancia. ¿Usaríamos el modelo para brindar un cuidado equitativo —y continuar perjudicando a los pacientes en dicho centro— o cambiaríamos la manera de usar el modelo para brindar un cuidado más equitativo y asegurarnos de que los recursos llegan a los pacientes que los necesitan?
Nuestro sistema de salud optó por desarrollar diferentes versiones del modelo predictivo según los datos que tenemos disponibles para un paciente. De esa manera, si tenemos un paciente registrado recientemente, que no tiene datos existentes en nuestro sistema EHR, podemos implementar un modelo "hermano" usando solo el contenido de su historia clínica y una nota del examen físico, que ayuda a nivelar las condiciones para todos los tipos de pacientes.
Otra parte de nuestro análisis consistió en explorar cambios al umbral del modelo para los pacientes admitidos en diferentes hospitales. De esa manera, pudimos usar el mismo modelo predictivo en la organización, pero modificar el umbral como un factor correctivo para garantizar que más pacientes que puedan beneficiarse de conversaciones sobre ACP puedan recibir la intervención recomendada. Diversos factores complicaron este enfoque, incluso cómo los resultados de los pacientes y el acceso al cuidado mejoraron con el tiempo, además de la desigualdad generada cuando un paciente sería tratado de manera diferente según el hospital en el que se encontraba.
Al abordar este asunto, aprendimos una lección importante acerca de un prejuicio respecto a la IA. Descubrimos que ignorar el prejuicio no era útil. En lugar de eso, observamos que la limitación que se nos presentó fue una oportunidad para abordar las desigualdades existentes y para determinar maneras de corregirlas. Tomar conciencia de esta equidad en la salud nos incentivó para brindar maneras alternativas de descubrir pacientes en riesgo para que podamos ampliar nuestro programa y descubrir más, además de tipos complementarios, pacientes que puedan beneficiarse de la planificación de pacientes terminales.