El reingreso no programado se puede definir como el ingreso en el hospital pasado un tiempo tras el alta (normalmente 30 días). Estudios recientes cifran en un 27% los reingresos no programados que podrían predecirse, y en un 14% aquellos potencialmente evitables al tomar las medidas consecuentes[1].
Como se puede intuir, se trata de un problema relevante. Estos reingresos suponen una carga para los sistemas sanitarios por sus repercusiones tanto en la vida del paciente, que ve empeorar su salud, como en la calidad de los cuidados hospitalarios. Los factores que influyen en este reingreso son heterogéneos y elevados en número, lo que dificulta su detección por parte de los facultativos, que ya de por sí soportan una carga de trabajo elevada.
Una caracterización correcta de estos reingresos puede ayudar en el proceso de toma de decisiones, ayudando a mejorar la calidad de vida de los pacientes y optimizando el uso de recursos hospitalarios. Por ejemplo, se puede mantener ingresado unos días más al paciente con alto riesgo de reingreso o hacer un seguimiento más específico al alta, con el fin de evitar posteriormente su reingreso no programado.
En un artículo publicado recientemente en PLOS ONE proponemos un sistema basado en técnicas de inteligencia artificial (IA) para la estratificación del riesgo de reingreso antes de 30 días, de forma que se obtiene una estimación del riesgo para cada paciente al momento del alta de un episodio hospitalario.
Para ello, hemos entrenado modelos de IA con el objetivo de predecir el riesgo de reingreso hospitalario y mostrar información de ayuda a la decisión clínica. Estos modelos IA son capaces de analizar un alto número de parámetros, por lo que éste es un buen caso de uso para ellos. Primero se analizaron, en colaboración con el Dr. Valdivieso del Hospital La Fe y el Instituto de Investigación Sanitaria de La Fe, variables de diversa índole, como información clínica (sexo, edad, …), diagnósticos, resultados de pruebas de laboratorio o tratamientos de farmacia. Se compararon prestaciones empleando algoritmos diferentes (Random Forest, Gradient Boosting y Extreme Gradient Boosting) y varias técnicas adicionales de calibración y remuestreo. Para ello, se entrenaron los modelos con aproximadamente 35.000 episodios y más de 900 variables. Finalmente, se concluyó en base a los experimentos realizados que el mejor modelo era el obtenido con Xgboost y sin compensación del balanceo entre clases, con el que se alcanza un ROC-AUC ligeramente superior a 0,69. Esta métrica se utiliza comúnmente para evaluar el desempeño de un modelo IA, y un resultado de 1,00 indicaría que el modelo siempre acierta.
Comparación de modelos, calibraciones y técnicas de remuestreo. Imagen de https://doi.org/10.1371/journal.pone.0271331.g002
La salida que devuelve el modelo se traduce en un percentil de riesgo con el objetivo de mostrar la información de una forma más intuitiva. De esta manera, por ejemplo, obtendríamos como salida predicciones del estilo “el paciente tiene más probabilidad de reingresar que el 80% de los pacientes observados durante el estudio”. Esta información permite informar con un grano más fino, y además evita a propósito el ofrecer una decisión “dura” (respuesta si/no) que corresponde a los facultativos, como expertos en el campo.
Con esto, ya se podría establecer una serie de umbrales sobre el percentil que divide los pacientes según su riesgo (por ejemplo, riesgo bajo, medio o alto). Este umbral de decisión podría variar en función de la operativa del hospital en un instante determinado de tiempo. Cabe destacar que bajando el umbral el modelo tendería a recomendar el mantenimiento de pacientes en el hospital, incluso para algunos que en la práctica no hubieran reingresado. Y a la inversa, es decir, si se sube el umbral, se conseguiría que el modelo se comporte de forma más arriesgada ofreciendo información con tendencia al alta hospitalaria. Sin embargo, en ambos casos el modelo buscaría minimizar la cantidad de reingresos no programados.
Por último, se simula un escenario de optimización de costes para tratar de entender la efectividad de implementar un plan de prevención de reingresos basado en la información obtenida del modelo IA. Para ello se diferencian una serie de costes: a) el coste de seguimiento de paciente tras el alta (hospitalización en domicilio), b) coste de readmisión del paciente, y c) coste de pacientes dados de alta y que no requieren readmisión. Para este ejemplo, asumimos que unos costes son múltiplos de los otros, con la única restricción de que es más costoso un reingreso no programado que el seguimiento tras el alta, según nos informaron los facultativos.
En la figura 2 se muestra el resultado de esta simulación, donde las líneas punteadas es el coste que obtendríamos usando en nuestro sistema de ayuda a la decisión un modelo sencillo (cuyas prestaciones equivaldrían a tirar una moneda al aire) mientras que la línea continua sería el modelo entrenado. El mínimo coste se marca con cruces o puntos, respectivamente. n2 representa cuántas veces más caro es el reingreso frente a realizar el seguimiento exhaustivo del paciente. De esta manera, podemos observar que, pese a ser un modelo de prestaciones modestas, ya se puede obtener un beneficio utilizando este modelo como apoyo a la decisión, dado que el menor coste corresponde con el modelo entrenado. Además, también se observa que cuanto mayor es la diferencia entre costes (mayor n2), mayor es la ganancia con este modelo
Figura 2: Coste por paciente en distintos umbrales de decisión. Imagen de https://doi.org/10.1371/journal.pone.0271331.g005
En definitiva, este sistema de ayuda a la decisión clínica es útil para predecir reingresos evitables. Este hecho permite contribuir con información valiosa en el proceso de toma de decisión, repercutiendo directamente en la calidad de vida de las personas y en la eficiencia de uso de los recursos hospitalarios. Aunque todavía se requiere una validación clínica, los resultados son prometedores ya que en las simulaciones se observa un menor coste por paciente.
Este trabajo se ha realizado en el marco del proyecto BIGSALUD, cuyo objetivo es aplicar técnicas basadas en IA y análisis de datos a distintas tareas relacionadas con la práctica clínica.
[1]https://pubmed.ncbi.nlm.nih.gov/28642333/
