Sistema de apoyo a la toma de decisiones clínicas

El objetivo principal de los sistemas de apoyo a la decisión clínica (CDSS) modernos es ayudar a los médicos en el punto de atención. ^{[ 1 ]} Esto significa que los médicos interactúan con un CDSS para ayudar a analizar y llegar a un diagnóstico basado en los datos del paciente para diferentes enfermedades.

En sus inicios, los sistemas de apoyo a la decisión clínica (CDSS, por sus siglas en inglés) se concibieron para tomar decisiones por el médico de forma literal. El médico introducía la información y esperaba a que el CDSS arrojara la opción "correcta", y simplemente actuaba en consecuencia. Sin embargo, la metodología moderna de uso de los CDSS implica que el médico interactúa con el sistema, utilizando tanto su conocimiento como el del CDSS, para analizar mejor los datos del paciente que si lo hiciera un humano o un CDSS por sí solos. Normalmente, un CDSS hace sugerencias para que el médico las revise, y se espera que este seleccione la información útil de los resultados presentados y descarte las sugerencias erróneas del CDSS. ^{[ 2 ]}

Los dos tipos principales de CDSS son los sistemas basados ​​en el conocimiento y los sistemas no basados ​​en el conocimiento (basados ​​en el aprendizaje automático): ^{[ 1 ]}

Un ejemplo de cómo un médico podría usar un sistema de apoyo a la toma de decisiones clínicas es un sistema de apoyo a la toma de decisiones diagnósticas (DDSS). El DDSS solicita algunos datos del paciente y, en respuesta, propone un conjunto de posibles diagnósticos. El médico entonces toma el resultado del DDSS y determina qué diagnósticos son probables y cuáles no, ^{[ 1 ]} y, si es necesario, ordena pruebas adicionales para precisar el diagnóstico.

Otro ejemplo de un CDSS sería un sistema de razonamiento basado en casos (CBR). ^{[ 3 ]} Un sistema CBR podría utilizar datos de casos anteriores para ayudar a determinar la cantidad apropiada de haces y los ángulos de haz óptimos para su uso en radioterapia para pacientes con cáncer cerebral; los físicos médicos y los oncólogos revisarían entonces el plan de tratamiento recomendado para determinar su viabilidad. ^{[ 4 ]}

Otra clasificación importante de un CDSS se basa en el momento de su uso. Los médicos utilizan estos sistemas en el punto de atención para ayudarlos mientras tratan a un paciente, y el momento de uso puede ser antes del diagnóstico, durante el diagnóstico o después del diagnóstico. ^{[ 5 ]} Los sistemas CDSS previos al diagnóstico ayudan al médico a preparar los diagnósticos. Los CDSS ayudan a revisar y filtrar las opciones diagnósticas preliminares del médico para mejorar los resultados. Los sistemas CDSS posteriores al diagnóstico se utilizan para extraer datos y derivar conexiones entre los pacientes y su historial médico y la investigación clínica para predecir eventos futuros . ^{[ 1 ]} La especulación inicial de que el apoyo a la toma de decisiones basado en IA reemplazaría a los médicos en tareas comunes ha dado paso en gran medida a un consenso en torno a los modelos de asistencia, en los que la IA aumenta en lugar de suplantar el juicio clínico. Los sistemas contemporáneos basados ​​en aprendizaje profundo, a diferencia de las herramientas anteriores basadas en reglas, pueden entrenarse directamente con datos clínicos sin la creación manual de reglas e integrarse en los flujos de trabajo de la historia clínica electrónica en el punto de atención. ^{[ 6 ]}

Otro enfoque, utilizado por el Servicio Nacional de Salud de Inglaterra, consiste en emplear un sistema de apoyo a la decisión clínica (CDSS) para priorizar las afecciones médicas fuera del horario habitual, sugiriendo al paciente el siguiente paso adecuado (por ejemplo, llamar a una ambulancia o consultar con un médico de cabecera al día siguiente). Esta sugerencia, que puede ser ignorada tanto por el paciente como por el operador telefónico si el sentido común o la prudencia indican lo contrario, se basa en la información disponible y en una conclusión implícita sobre cuál es el diagnóstico más probable en el peor de los casos ; no siempre se revela al paciente porque podría ser incorrecta y no se basa en la opinión de un profesional médico; solo se utiliza para la priorización inicial.

La mayoría de los CDSS constan de tres partes: la base de conocimiento, un motor de inferencia y un mecanismo de comunicación. ^{[ 7 ]} La base de conocimiento contiene las reglas y asociaciones de datos recopilados, que suelen adoptar la forma de reglas SI-ENTONCES. Si se tratara de un sistema para determinar interacciones farmacológicas , una regla podría ser SI se toma el fármaco X Y se toma el fármaco Y ENTONCES alertar al usuario. Mediante otra interfaz, un usuario avanzado podría editar la base de conocimiento para mantenerla actualizada con nuevos fármacos. El motor de inferencia combina las reglas de la base de conocimiento con los datos del paciente. El mecanismo de comunicación permite al sistema mostrar los resultados al usuario y recibir información. ^{[ 2 ] [ 1 ]}

Se necesita un lenguaje de expresión como GELLO o CQL (Lenguaje de Calidad Clínica) para expresar los artefactos de conocimiento de forma computable. Por ejemplo: si un paciente tiene diabetes mellitus y el último resultado de la prueba de hemoglobina A1c fue inferior al 7 %, se recomienda repetir la prueba si han transcurrido más de seis meses; pero si el último resultado fue igual o superior al 7 %, se recomienda repetir la prueba si han transcurrido más de tres meses.

El enfoque actual del HL7 CDS WG es desarrollar el Clinical Quality Language (CQL). ^{​​[ 8 ]} Los Centros de Servicios de Medicare y Medicaid de EE. UU. (CMS) han anunciado que planean usar CQL para la especificación de Medidas Electrónicas de Calidad Clínica (eCQM). ^{[ 9 ]}

Los sistemas de apoyo a la decisión clínica (CDSS) que no utilizan una base de conocimiento emplean una forma de inteligencia artificial denominada aprendizaje automático [ ^{10 ] ,} que permite a las computadoras aprender de experiencias pasadas y/o encontrar patrones en datos clínicos. Esto elimina la necesidad de escribir reglas y de la intervención de expertos. Sin embargo, dado que los sistemas basados ​​en aprendizaje automático no pueden explicar las razones de sus conclusiones, la mayoría de los clínicos no los utilizan directamente para diagnósticos, por motivos de fiabilidad y responsabilidad ^{[ 2 ] [ 1 ]} . No obstante, pueden ser útiles como sistemas posteriores al diagnóstico, para sugerir patrones que los clínicos puedan analizar con mayor profundidad.

A partir de 2012, tres tipos de sistemas no basados ​​en el conocimiento son las máquinas de vectores de soporte , las redes neuronales artificiales y los algoritmos genéticos . ^{[ 11 ]}

1. Las redes neuronales artificiales utilizan nodos y conexiones ponderadas entre ellos para analizar los patrones encontrados en los datos de los pacientes y así derivar asociaciones entre los síntomas y un diagnóstico.
2. Los algoritmos genéticos se basan en procesos evolutivos simplificados que utilizan la selección dirigida para lograr resultados óptimos en los sistemas de apoyo a la decisión clínica (CDSS). Estos algoritmos evalúan componentes de conjuntos aleatorios de soluciones a un problema. Las soluciones más eficaces se recombinan, mutan y se repiten el proceso. Esto sucede una y otra vez hasta que se descubre la solución adecuada. Funcionalmente, son similares a las redes neuronales, ya que también son "cajas negras" que intentan obtener conocimiento a partir de los datos de los pacientes.
3. Las redes no basadas en el conocimiento a menudo se centran en una lista reducida de síntomas, como los síntomas de una sola enfermedad, a diferencia del enfoque basado en el conocimiento, que abarca el diagnóstico de muchas enfermedades. ^{[ 2 ] [ 1 ]}

Un ejemplo de un CDSS no basado en conocimiento es un servidor web desarrollado utilizando una máquina de vectores de soporte para la predicción de la diabetes gestacional en Irlanda. ^{[ 12 ]}

El IOM publicó en 1999 un informe titulado « Errar es humano» , que se centraba en la crisis de seguridad del paciente en Estados Unidos, señalando el elevado número de muertes. Esta estadística atrajo gran atención hacia la calidad de la atención al paciente. ^{[ 13 ]} El Instituto de Medicina (IOM) promovió el uso de la tecnología de la información sanitaria, incluidos los sistemas de apoyo a la toma de decisiones clínicas, para mejorar la calidad de la atención al paciente. ^{[ 14 ]}

Con la promulgación de la Ley de Recuperación y Reinversión Estadounidense de 2009 (ARRA), se impulsó la adopción generalizada de la tecnología de la información sanitaria mediante la Ley de Tecnología de la Información Sanitaria para la Salud Económica y Clínica (HITECH). Gracias a estas iniciativas, más hospitales y clínicas integraron los registros médicos electrónicos (RME) y la prescripción electrónica de órdenes médicas (CPOE) en el procesamiento y almacenamiento de su información sanitaria. A pesar de la ausencia de leyes específicas, es casi seguro que los proveedores de sistemas de apoyo a la decisión clínica (CDSS) tendrían la obligación legal de velar por el bienestar tanto de los pacientes que pudieran verse afectados negativamente por el uso de los CDSS como de los profesionales sanitarios que pudieran utilizar la tecnología para la atención al paciente. Sin embargo, las regulaciones legales sobre los deberes de diligencia aún no están definidas explícitamente. Con la promulgación de la Ley HITECH, incluida en la ARRA, que fomenta la adopción de la tecnología de la información sanitaria, la Oficina del Coordinador Nacional de Tecnología de la Información Sanitaria (ONC) seguía definiendo la jurisprudencia más detallada sobre los CDSS y los RME, la cual debía ser aprobada por el Departamento de Salud y Servicios Humanos (HHS). Aún no se ha publicado una definición de "uso significativo".

Numerosas instituciones médicas y empresas de software han realizado grandes esfuerzos para desarrollar sistemas de apoyo a la decisión clínica (CDSS) viables que apoyen todas las tareas clínicas. Sin embargo, dada la complejidad de los flujos de trabajo clínicos y la gran demanda de tiempo del personal, la institución que implemente el sistema de apoyo debe tener cuidado para garantizar que este se integre plenamente en el flujo de trabajo clínico. Algunos CDSS han tenido un éxito variable, mientras que otros han sufrido problemas comunes que han impedido o reducido su adopción y aceptación.

Dos sectores del ámbito sanitario en los que los sistemas de apoyo a la decisión clínica (CDSS) han tenido un gran impacto son la farmacia y la facturación. Los sistemas de farmacia y de prescripción de uso común ahora realizan comprobaciones por lotes para detectar interacciones medicamentosas negativas e informan de las advertencias al médico que realiza la prescripción. Otro sector en el que los CDSS han tenido éxito es en la facturación y la gestión de reclamaciones. Dado que muchos hospitales dependen de los reembolsos de Medicare para su funcionamiento, se han creado sistemas que ayudan a analizar tanto el plan de tratamiento propuesto como la normativa vigente de Medicare para sugerir un plan que intente abordar tanto la atención al paciente como las necesidades financieras de la institución.

Otros sistemas de apoyo a la decisión clínica (CDSS) orientados a tareas de diagnóstico han tenido éxito, pero suelen ser muy limitados en su implementación y alcance. El Sistema de Dolor Abdominal de Leeds entró en funcionamiento en 1971 para el hospital de la Universidad de Leeds . Se informó que produjo un diagnóstico correcto en el 91,8 % de los casos, en comparación con la tasa de éxito de los médicos del 79,6 %. ^{[ 21 ]}

A pesar de los numerosos esfuerzos de las instituciones por producir y utilizar estos sistemas, la adopción y aceptación generalizadas aún no se han logrado para la mayoría de las ofertas. Históricamente, un gran obstáculo para la aceptación ha sido la integración del flujo de trabajo. Existía una tendencia a centrarse únicamente en el núcleo funcional de toma de decisiones del CDSS, lo que provocaba deficiencias en la planificación de cómo el clínico utilizaría el producto in situ. Los CDSS eran aplicaciones independientes, que requerían que el clínico dejara de trabajar en su sistema actual, cambiara al CDSS, introdujera los datos necesarios (incluso si ya se habían introducido en otro sistema) y examinara los resultados. Estos pasos adicionales interrumpían el flujo desde la perspectiva del clínico y consumían un tiempo valioso. ^{[ 22 ]}

Los sistemas de apoyo a la toma de decisiones clínicas se enfrentan a importantes desafíos técnicos en diversas áreas. Los sistemas biológicos son sumamente complejos, y una decisión clínica puede utilizar una enorme cantidad de datos potencialmente relevantes. Por ejemplo, un sistema electrónico de medicina basada en la evidencia podría considerar los síntomas del paciente, su historial médico, antecedentes familiares y genética , así como las tendencias históricas y geográficas de la incidencia de enfermedades y los datos clínicos publicados sobre la eficacia terapéutica al recomendar el tratamiento.

Desde el punto de vista clínico, un importante obstáculo para la aceptación de los sistemas de apoyo a la decisión clínica (CDSS) es la integración en el flujo de trabajo.

Aunque se ha demostrado que los médicos necesitan explicaciones de los sistemas de apoyo a la decisión clínica basados ​​en aprendizaje automático para poder comprender y confiar en sus sugerencias, ^{[ 23 ]} hay una clara falta general de aplicación de la inteligencia artificial explicable en el contexto de los sistemas de apoyo a la decisión clínica, ^{[ 24 ]} lo que añade otra barrera a la adopción de estos sistemas.

Otro motivo de controversia con muchos sistemas de apoyo médico es que generan una gran cantidad de alertas. Cuando los sistemas producen un alto volumen de advertencias (especialmente aquellas que no requieren escalamiento), además de la molestia, los médicos pueden prestar menos atención a las advertencias, lo que provoca que se pasen por alto alertas potencialmente críticas. Este fenómeno se denomina fatiga por alertas. ^{[ 25 ]}

Uno de los principales desafíos que enfrentan los sistemas de apoyo a la decisión clínica (CDSS) es la dificultad para incorporar la gran cantidad de investigación clínica que se publica continuamente. En un año determinado, se publican decenas de miles de ensayos clínicos. ^{[ 26 ]} Actualmente, cada uno de estos estudios debe leerse manualmente, evaluarse para determinar su legitimidad científica e incorporarse al CDSS de manera precisa. En 2004, se afirmó que el proceso de recopilar datos clínicos y conocimientos médicos y convertirlos en un formato que las computadoras puedan manipular para ayudar en el apoyo a la decisión clínica "aún está en sus inicios". ^{[ 27 ]}

Sin embargo, es más factible que una empresa lo haga de forma centralizada, aunque sea de forma incompleta, que que cada médico intente mantenerse al día con todas las investigaciones que se publican.

Además de ser laboriosa, la integración de nuevos datos a veces puede ser difícil de cuantificar o incorporar al esquema de apoyo a la toma de decisiones existente, especialmente cuando diferentes artículos clínicos pueden parecer contradictorios. Resolver adecuadamente este tipo de discrepancias suele ser el tema central de los propios artículos clínicos (véase metaanálisis ), cuya elaboración a menudo lleva meses.

Para que un sistema de apoyo a la decisión clínica (CDSS) ofrezca valor, debe mejorar de forma demostrable el flujo de trabajo clínico o los resultados. La evaluación de un CDSS cuantifica su valor para mejorar la calidad del sistema y medir su eficacia. Dado que los distintos CDSS cumplen diferentes propósitos, no existe una métrica genérica aplicable a todos ellos; sin embargo, atributos como la coherencia (con y con expertos) suelen ser comunes a un amplio espectro de sistemas. ^{[ 28 ]}

El criterio de evaluación de un sistema de apoyo a la decisión clínica (CDSS, por sus siglas en inglés) depende de su objetivo: por ejemplo, un sistema de apoyo a la decisión diagnóstica puede evaluarse según la consistencia y precisión de su clasificación de enfermedades (en comparación con médicos u otros sistemas de apoyo a la decisión). Un sistema de medicina basada en la evidencia podría evaluarse según una alta incidencia de mejoría en los pacientes o un mayor reembolso financiero para los proveedores de atención médica.

En julio de 2015, la transición prevista a los registros electrónicos de salud (EHR, por sus siglas en inglés) en Australia se enfrentaba a dificultades. La mayoría de los centros sanitarios seguían utilizando sistemas completamente basados ​​en papel; algunos se encontraban en una fase de transición hacia los EHR digitalizados o avanzando hacia dicha fase.

Victoria intentó implementar la historia clínica electrónica en todo el estado con su programa HealthSMART, pero canceló el proyecto debido a costos inesperadamente altos. ^{[ 33 ]}

Sin embargo, Australia Meridional (SA) ha tenido un éxito ligeramente mayor que Victoria en la implementación de un sistema de historia clínica electrónica (HCE). Esto puede deberse a que todas las organizaciones de salud pública en SA están gestionadas de forma centralizada.

SA está en proceso de implementar el " Sistema de administración de pacientes empresarial (EPAS)". Este sistema es la base para que todos los hospitales públicos y centros de salud de SA cuenten con un sistema de historia clínica electrónica (HCE), y se esperaba que para finales de 2014, todas las instalaciones de SA estuvieran conectadas a él. Esto permitiría una integración exitosa del sistema de apoyo a la decisión clínica (CDSS) en SA y aumentaría los beneficios de la HCE. ^{[ 34 ]} En julio de 2015 se informó que solo 3 de 75 centros de salud habían implementado EPAS. ^{[ 35 ]}

Con el sistema de salud más grande del país y un modelo federado en lugar de uno centralizado, Nueva Gales del Sur está logrando avances constantes hacia la implementación estatal de los registros electrónicos de salud (EHR). La versión actual de la tecnología estatal, eMR2, incluye funciones de apoyo a la decisión clínica (CDSS), como una vía para la sepsis que permite identificar pacientes en riesgo a partir de los datos ingresados ​​en el registro electrónico. En junio de 2016, 93 de los 194 centros incluidos en el despliegue inicial habían implementado eMR2. ^{[ 36 ]}

El servicio de apoyo a la toma de decisiones clínicas EBMEDS, proporcionado por Duodecim Medical Publications Ltd, es utilizado por más del 60 % de los médicos de la sanidad pública finlandesa. ^{[ 37 ]}

Un estudio realizado en el Reino Unido puso a prueba el Panel de Seguridad de Medicamentos de Salford (SMASH), una aplicación web de apoyo a la decisión clínica (CDSS) diseñada para ayudar a médicos de cabecera y farmacéuticos a identificar en sus historias clínicas electrónicas a personas que podrían estar expuestas a riesgos para la seguridad debido a errores en las recetas. El panel se utilizó con éxito para identificar y ayudar a pacientes con recetas inseguras ya registradas y, posteriormente, facilitó el seguimiento de nuevos casos a medida que surgían. ^{[ 38 ] [ 39 ]}