SmartPrognosis: Datos de valor en salud y cómo la identificación y explotación de información clave puede mejorar la gestión de la incapacidad laboral
17 octubre 2024.
Autores: Enric Medina Ripoll, Cristina Herrera Ligero, Rosa Mª Servián Carroquino (*), David Corredor Oca (*), Juan Rueda Vicente (*), Helios de Rosario Martínez, Miguel Ángel Lorenzo Agudo (*), Ignacio Bermejo Bosch
Instituto de Biomecánica (IBV)
La analítica de datos y la Inteligencia Artificial en particular se muestran como una oportunidad para mejorar la gestión de la incapacidad laboral a través del pronóstico de evolución de los trabajadores en situación de baja laboral. Sin embargo, muchas de las aproximaciones basadas en IA han fracasado por desarrollarse desde una perspectiva exclusivamente técnica. El proyecto SmartPrognosis, desarrollado por Ibermutua y el IBV, ha sido desarrollado desde la perspectiva clínica, incorporando a los modelos de IA, información clave que no existía en la historia clínica de la mutua. Este enfoque innovador ha permitido desarrollar aplicaciones para mejorar la gestión de la incapacidad por parte de Ibermutua a través de modelos con muy buen rendimiento.
INTRODUCCIÓN
En España, las mutuas colaboradoras con la Seguridad Social (MCSS), como Ibermutua, son entidades que gestionan diversas prestaciones económicas y servicios relacionados con la salud y seguridad laboral de los trabajadores y empresas asociadas a las mismas.
Las prestaciones asociadas al absentismo laboral que gestionan y que más impacto tienen en la actualidad, son las derivadas de las incapacidades temporales (IT) y de las incapacidades permanentes (IP). En este sentido, solo las MCSS gestionan anualmente más de 7 millones de procesos, que generan más de 10 mil millones de euros en prestaciones.
Ante unas cifras tan abrumadoras, una gestión eficaz de los procesos no solo contribuye a la sostenibilidad financiera del sistema de seguridad social, sino que también asegura una mejor calidad de vida para las personas trabajadoras. Identificar y priorizar los procesos con mayor impacto económico y social puede permitir a las MCSS implementar estrategias de intervención temprana, reduciendo así los tiempos de baja laboral y optimizando los recursos disponibles. Esto se traduce en un ahorro significativo para el sistema y en una recuperación más rápida y efectiva para la persona trabajadora.
Por tanto, facilitar herramientas y procedimientos que permitan tomar la mejor decisión para cada paciente concreto, teniendo en cuenta su contexto y características particulares, tiene un impacto directo en su calidad de vida y en la sostenibilidad del sistema de la seguridad social. Este planteamiento se encuentra alineado con la filosofía de la medicina basada en el valor, donde la medida de los resultados de cualquier intervención tiene en cuenta tanto indicadores clínicos clásicos, como el contexto y preferencias de los pacientes, así como la eficiencia en la gestión de los recursos o costes generados.
DESARROLLO
Explotación de datos en salud: una nueva oportunidad impulsada por la Inteligencia Artificial
La comunidad científica respalda la medicina personalizada como una alternativa vanguardista para mejorar el diagnóstico y tratamiento de los pacientes. Este tipo de abordaje, de vocación holística, plantea el uso de información multifactorial – datos clínicos, predisposición genética, pruebas complementarias, hábitos, perspectiva y percepción del paciente o información relativa a su día a día – para la adaptación de las intervenciones a cada persona y su contexto. Sin embargo, su puesta en marcha en el contexto real no es evidente. Los clínicos a menudo se enfrentan al desafío de trabajar con información incompleta o sesgada. Esta situación complica la identificación y gestión de los casos más complejos y la elección del tratamiento más adecuado. En gran medida, esto se relaciona con la ausencia de información secundaria estructurada sobre determinantes “no clínicos” (factores culturales, socioeconómicos, experiencia vital, etc.) que impactan también sobre la salud e influyen en la resolución de los procesos.
La digitalización de los datos de salud ha transformado la manera en que se accede y se utiliza la información médica. La disponibilidad de datos digitales facilita el acceso a historiales médicos completos, historias de tratamientos previos y resultados de intervenciones, permitiendo una visión evolutiva de los pacientes. Siendo esto ventajoso, la información secundaria estructurada relacionada con determinantes no clínicos de la salud disponible sigue siendo escasa, lo que dificulta la puesta en marcha de abordajes verdaderamente centrados en la persona y en el paciente, aspecto cada vez más relevante para los propios sistemas de salud.
En cualquier caso, el acceso a estos grandes volúmenes de información abre la oportunidad de aplicar nuevas estrategias de analítica de datos basadas en Inteligencia Artificial (IA). En definitiva, si somos capaces de analizar toda la información que afecta a la evolución del paciente, conseguiremos una impresión diagnóstica más cercana a la realidad y evitaremos sesgos derivados de tomar decisiones con información incompleta.
Los beneficios de este abordaje son obvios: mejorar la precisión en la identificación de patologías, optimizar los planes de tratamiento y prevenir complicaciones y, en definitiva, acortar la duración de los procesos y contribuir a una gestión más eficiente de los recursos, aportando valor a los trabajadores y a los sistemas de salud.
Requerimientos para una herramienta que mejore la gestión de la incapacidad temporal
En el contexto específico de la gestión de la incapacidad temporal, la identificación de la información clave en los procesos asistenciales y el desarrollo de herramientas basadas en Inteligencia Artificial que permitan su análisis orientado, pueden ayudar a identificar, de manera temprana, aquellos procesos que tienen un mayor impacto en términos de costes y tiempos de recuperación, o aquellos que presentan oportunidades de mejora significativas.
Este tipo de herramientas podría facilitar la toma de decisiones basadas en evidencia, mejorar la precisión en la identificación de casos con impacto y optimizar las estrategias de intervención, teniendo una influencia directa en la calidad de la atención al paciente y reduciendo costes. En definitiva, este tipo de soluciones aportarían valor, contribuyendo a la sostenibilidad y eficiencia del sistema de bienestar en España y a mejorar la recuperación de los trabajadores.
Sin embargo, desarrollar soluciones desde un abordaje puramente matemático es garantía de fracaso. Por ello, antes de cualquier desarrollo es necesario conocer a fondo el mapa de los procesos sanitarios, administrativos y médico-legales, e identificar la información clave para la resolución y pronóstico de los procesos y su disponibilidad. Para una comprensión profunda de todo este complejo marco, es preciso contar con equipos multidisciplinares, incluyendo perfiles sanitarios, administrativos, técnicos y legales, y aplicar las técnicas de análisis más adecuadas, destacando las basadas en el diseño de la experiencia del usuario (UX).
Otra cuestión clave es la orientación a la mejora de la gestión de la incapacidad temporal. Un modelo de IA que pronostique la duración de una baja laboral, por sí mismo, no mejora la calidad de la atención ni optimiza el uso de recursos. Esta es una de las razones por las que es imprescindible entender los procedimientos de las MCSS y las situaciones donde sus intervenciones pueden mejorar la calidad de vida del paciente y/o ahorrar recursos. Por tanto, los modelos de IA resultarán útiles en tanto en cuanto respondan a preguntas concretas identificadas como relevantes por poder mejorar el rendimiento de los recursos sanitarios y financieros, por ejemplo: ¿qué pacientes son los más complejos y merecen mayor dedicación? ¿qué intervención puede ser más exitosa para un paciente concreto? ¿qué pacientes tienen mayor probabilidad de reintegro laboral temprano?
Ante los retos y oportunidades identificados, Ibermutua promovió el desarrollo del proyecto SmartPrognosis contando con la participación del IBV como socio estratégico en esta iniciativa.
Smartprognosis: ¿Puede el análisis de información de valor pronóstico mejorar el manejo de las bajas laborales?
El objetivo principal del proyecto SmartPrognosis es desarrollar una herramienta que mejore la gestión de la incapacidad temporal de Ibermutua, tanto en patologías de origen común como profesional. En el plano técnico, dicho objetivo se traduce en la identificación y tratamiento de la información clave presente en las historias clínicas, la identificación y registro de información de valor pronóstico, actualmente no disponible, y el desarrollo de un modelo basado en Inteligencia Artificial que pronostique la duración del proceso de incapacidad temporal. El proyecto también se centra en estudiar la duración del proceso en función de las características del paciente y las alternativas disponibles.
La implementación de esta solución supone superar desafíos técnicos y éticos, incluyendo la protección de la privacidad de los datos de los trabajadores y asegurar la equidad en las predicciones. Además, es crucial la colaboración de la mutua a todos los niveles: médico, técnico y dirección.
En este sentido, para desarrollar un modelo de IA que proporcione información sobre la duración del proceso y ayude a la gestión en la mutua, era crucial abordar varios aspectos fundamentales:
● Alineación con los procesos y objetivos de la mutua: El modelo debía tener en cuenta los procesos específicos y los objetivos estratégicos de la mutua. Esto implica entender que las MCSS no funcionan como centros sanitarios estándar, sino que tienen un enfoque más amplio que incluye la gestión de prestaciones económicas por incapacidad temporal y permanente, entre otras, así como la asistencia sanitaria asociada a las bajas de origen laboral. El modelo debía, por lo tanto, contribuir a estos objetivos.
● Identificación y captación de información relevante: Para realizar pronósticos certeros, es esencial identificar qué información es necesaria y cómo obtenerla. Esto incluye datos clínicos detallados, historiales laborales, información sobre el entorno de trabajo y cualquier otro factor que pueda influir en la recuperación del trabajador. Además, se debían establecer procedimientos para captar información faltante, lo cual podía requerir la colaboración entre las MCSS, los empleadores y los profesionales de la salud. La calidad y la integridad de los datos son fundamentales para la precisión de cualquier modelo.
● Preparación de modelos para preguntas clave: El desarrollo del modelo debía estar guiado por preguntas clave que aborden los desafíos específicos de la gestión de la mutua. Esto significa que el modelo no sólo debía ser capaz de pronosticar la duración de la Instrucción Incapacidad Temporal (IT), sino también identificar casos que podrían beneficiarse de intervenciones tempranas o personalizadas, evaluar el riesgo de transición a incapacidad permanente (IP), o sugerir diferentes abordajes desde el punto de vista médico y administrativo. La capacidad del modelo para proporcionar respuestas accionables y relevantes es lo que finalmente mejorará la gestión.
● Combinación de conocimiento clínico y técnico: La efectividad de un modelo como el planteado depende de una estrecha colaboración entre expertos clínicos y técnicos. Esta colaboración entre los profesionales de la salud y técnicos expertos en IA aseguraba que la solución alcanzada iba a ser clínicamente relevante y técnicamente sólida.
● Cumplimiento de la regulación existente: Cualquier solución basada en IA que se desarrolle debe cumplir con las regulaciones aplicables, tanto locales como internacionales. Esto incluye garantizar la seguridad, la eficacia y la privacidad de los datos, así como obtener las aprobaciones necesarias antes de su implementación. La conformidad regulatoria no solo es una obligación legal, sino que también garantiza su seguridad y genera la confianza necesaria del personal clínico y de los propios trabajadores.
Por tanto, una solución como la planteada en el proyecto SmartPrognosis requería una aproximación integral que combinase conocimiento técnico y clínico, un enfoque centrado en las necesidades específicas de la mutua, y un compromiso con la calidad de los datos y el cumplimiento regulatorio.
El plan de trabajo de Smartprognosis
Para la consecución del objetivo y los requerimientos planteados, se definió un plan de trabajo en cuatro fases (Figura 1)
Figura 1: Plan de Trabajo
FASE 1: Selección de los procesos prioritarios
Cada condición o patología conlleva una serie de particularidades propias que implican diferencias en el mapa del proceso asistencial asociado. Por ello, es importante caracterizar cada uno de estos procesos de forma individualizada. En este contexto, para el proyecto SmartPrognosis se comenzó a trabajar en patologías que, por su prevalencia o complejidad, causan un especial impacto en la mutua: la patología de hombro en contingencia profesional (CP) y la patología de raquis en contingencia común (CC).
FASE 2: Identificación y captación de los datos relevantes
Como se mencionó anteriormente, es primordial identificar cuál es la información que verdaderamente aporta valor para resolver el problema al que queremos dar respuesta y conocer su significado. Esto incluye variables disponibles en la historia clínica y otras identificadas como de valor, pero actualmente no recogidas, o al menos no de manera estructurada. Sin la información clave, el diseño de modelos de análisis basados en IA no cumpliría la función deseada, al no estar basado en datos de peso pronóstico real.
Para realizar esta tarea resulta vital tanto conocer el lenguaje clínico como saber aplicar las técnicas de investigación más adecuadas de identificación de información de valor adicional. Así, la fase 2 se dividió en tres subfases:
● Fase 2a: Estudio de los datos incluidos en la historia clínica del paciente.
● Fase 2b: Identificación de nuevos datos relevantes en el proceso asistencial, que actualmente no se registran en la historia clínica de forma habitual. Para ello, se realizó una revisión inicial de la literatura científica, se trabajó en la caracterización del mapa de los procesos asistenciales a través de estancias en la propia mutua, y se aplicó una metodología de investigación específica basada en el método Delphi, que incluye la realización de entrevistas, grupos de discusión y encuestas a agentes clave y suficientemente representativos de la mutua (en total, alrededor de 100 profesionales).
● Fase 2c: Estudio experimental para la obtención de los datos identificados como de valor pronóstico y su inclusión en la historia clínica del paciente. El estudio experimental permitió añadir nuevos datos de valor para mejorar el pronóstico de los pacientes. Esta fase experimental se desarrolló entre febrero y noviembre de 2023. Accedieron a participar en el estudio 1.616 pacientes y 315 médicos y finalmente se cumplimentó la información requerida en 507 casos.
FASE 3: Desarrollo y validación.
Una vez identificados los datos relevantes se definió la arquitectura de la red neuronal para el desarrollo de un modelo pronóstico de duración de los procesos asistenciales. La figura 2 muestra el diagrama de bloque de la red empleada.
Figura 2: Diagrama general del modelo SmartPrognosis
El modelo se compone de tres bloques:
● Bloque 1. Rama estática: esta es la rama encargada de analizar los datos relativos al paciente.
● Bloque 2. Rama temporal: esta rama de la red se compone de neuronas con recurrencia y está encargada de procesar la información temporal (datos de los episodios).
● Bloque 3. Top model: las salidas de las ramas anteriores se concatenan en un único vector de datos que se usa como entrada a la última etapa de la red. Esta rama proporciona la salida del modelo: número de días de baja.
La red neuronal se preparó empleando 214.711 episodios de la historia clínica de Ibermutua (70% de la base de datos) como “conjunto de datos de entrenamiento”, más otros 61.346 episodios (20% de la base de datos) como “conjunto de validación”, que se empleó durante el entrenamiento para evaluar la capacidad de la red de generalizar con nuevos casos, y ajustar hiperparámetros del entrenamiento. El 10% de casos restantes (30.674) se emplearon como “conjunto de prueba” una vez finalizado los entrenamientos, para valorar la precisión de la red neuronal de forma independiente.
Las validaciones realizadas en el proyecto permitieron concluir que el modelo ofrece un buen rendimiento. Una de estas validaciones fue la comparación entre la estimación de los días de baja por parte del profesional clínico de la mutua o del servicio público de salud en la emisión de las bajas y la estimación de la duración de la baja por parte del modelo. En la figura 3 se puede observar que el fallo acumulado total (equivalente a la suma del total de días de error de la estimación frente a la duración real en cada punto y en los puntos de consulta previos) es 2,5 veces mayor en el pronóstico clínico que en el pronóstico del modelo, siendo a partir de los 60 días de baja cuando la diferencia con la estimación del profesional es más significativa. Este resultado confirma que el modelo desarrollado pronostica mejor la duración del proceso que el pronóstico basado exclusivamente en la opinión de los profesionales sanitarios. Por lo tanto, partiendo de este modelo, que tiene en cuenta la información de valor, y mediante las adaptaciones específicas a los contextos de uso definidos por la mutua, podríamos contar con una herramienta que mejore la gestión de los recursos, con un ahorro sustancial en los días de baja.
Figura 3: Diagrama general del modelo SmartPrognosis
FASE 4: Puesta en marcha y próximos pasos
En paralelo a la depuración del modelo, se trabajó en definir los contextos de uso específicos de la solución para que mejoren la gestión de la incapacidad temporal en Ibermutua. Destacan los siguientes contextos de uso:
● Aplicación 1: Identificación de episodios que pueden ser alta en un corto periodo de tiempo y en los que puede tener valor intervenir, de cara a agilizar el proceso.
● Aplicación 2: Ayuda a la toma de decisiones médico-administrativas, identificando diferentes duraciones del proceso según el abordaje propuesto.
● Aplicación 3: Identificación de casos en los que es probable que el curso sea de mayor duración respecto al habitual para el diagnóstico considerado, de cara a gestionar la dedicación de recursos y/o vigilancia y decisiones más consecuentes para el proceso.
En la actualidad, se está diseñando un procedimiento de implantación que permita a Ibermutua evaluar el impacto real en la gestión en aspectos como satisfacción del trabajador, satisfacción del profesional sanitario y mejora de indicadores de gestión.
Ejemplo de implementación en la detección de casos con probabilidad de alta próxima “casos altable” (Aplicación 1)
Con ánimo de exponer alguno de los potenciales contextos de uso, a continuación, se muestra un ejemplo de la utilidad del modelo para identificar los episodios que pueden ser alta en un corto periodo de tiempo.
En esta aplicación, el modelo ofrece un listado de pacientes ordenados por probabilidad de alta próxima (Figura 4). De esta forma, los clínicos que hacen seguimiento a cientos de casos de contingencia común tendrían una herramienta que les permitiría priorizar la citación de aquellos trabajadores en los que es más conveniente valorar un alta laboral, lo que redundaría en un mejor aprovechamiento de los recursos sanitarios de la mutua.
Figura 4: Diagrama sobre cómo SmartPrognosis ofrece un listado ordenado de pacientes con elevada probabilidad de alta para que los profesionales clínicos prioricen la revisión de esos procesos
Se ha validado la probabilidad de acierto de esta aplicación con la muestra de estudio de pacientes que participaron en la experimentación de la Fase 2c y se muestra un resumen de resultados en la Figura 5. En dicha figura se puede observar cómo los pacientes “altables” reales suponían el 32% de la muestra total. En dicho gráfico se muestran los resultados obtenidos por SmartPrognosis cuando trata de identificar al 3%, 6%, 15% y 30% de los pacientes con mayor probabilidad de alta en 4 semanas. Como se puede observar, cuando SmartPrognosis trata de escoger al 30% de los procesos con mayor probabilidad de alta, es capaz de identificar exitosamente al 84% de los pacientes “altables” reales. En ese mismo supuesto, solo un 10% de los pacientes sugeridos por SmartPrognosis como “altables” no lo eran realmente. Por tanto, podemos concluir que SmartPrognosis identifica a casi la totalidad de pacientes “altables” con un falso positivo cada diez procesos sugeridos.
Figura 5: Comparación de pacientes altables reales a las 4 semanas en la muestra experimental frente a los pacientes altables sugeridos por SmartPrognosis
Esta aplicación, permitirá a los clínicos que gestionan los procesos en incapacidad temporal derivados de contingencia común centrar sus esfuerzos en los casos que realmente requieren su atención y en los que existen posibilidades de alta, mejorando así la eficiencia de la entidad.
Impacto de la incorporación de nuevos datos clínicos y de contexto
En el marco del proyecto SmartPrognosis, se han incorporado datos de contexto del paciente, datos clínicos, de percepción y de preferencias que no existían en la historia clínica. Estos datos han permitido desarrollar modelos evolucionados que incrementan la precisión en el pronóstico de incapacidad, especialmente al inicio del proceso.
Para evaluar el impacto de los datos experimentales en la mejora del modelo, se realizaron dos tipos de estudios.
Por un lado, se realizó un análisis de la varianza explicada en la duración de la IT en todas las variables implementadas en el modelo. Este trabajo permitió concluir que los datos obtenidos en la fase experimental son los que más impacto tienen en la duración de la IT, seguidos de la variable de tipo de contingencia (contingencia común o contingencia profesional).
Por otro lado, se compararon los resultados obtenidos por el modelo basado exclusivamente en datos de la historia clínica frente al modelo que añade los datos de la fase experimental en la segunda semana de evolución. El estudio concluyó que el modelo que incluye los datos experimentales mejora en un 13% la precisión del pronóstico en algunas de las aplicaciones frente al modelo basado exclusivamente en datos de la historia clínica.
CONCLUSIONES
Gracias a la Inteligencia Artificial y la analítica de datos en general, es posible analizar grandes cantidades de datos de diverso origen, lo que facilita el avance en el concepto de la medicina personalizada. Sin embargo, existen múltiples iniciativas relacionadas con la analítica de datos que han fracasado por haberse desarrollado exclusivamente desde un abordaje puramente matemático.
Por ello, el proyecto SmartPrognosis ha priorizado la mejora de la gestión sanitaria de la incapacidad temporal a cualquier otro aspecto técnico. Este es un planteamiento rompedor que, por desgracia, no abunda en el campo de la tecnología para la salud. En el caso del proyecto SmartPrognosis, el liderazgo en el desarrollo de una solución tecnológica como ésta ha sido protagonizado por el perfil clínico, reflejo de la importancia de la comprensión profunda de los procesos asistenciales, de la significación de los datos clínicos, y de la importancia del registro de nueva información de valor según el caso. Esta estrategia ha permitido generar una solución orientada a resolver problemas concretos, teniendo en cuenta las condiciones específicas de la mutua.
El proyecto SmartPrognosis también ha podido demostrar que existen datos relevantes para conocer el impacto de las intervenciones socio-sanitarias que no siempre se tienen en cuenta. Por ese motivo, antes de comenzar el desarrollo de cualquier modelo matemático es esencial identificar la información clave para resolver el problema objetivo, y en su caso, poner en marcha una metodología para recopilar datos de valor relativos al contexto del paciente que esté adaptada a las características de la entidad.
El modelo desarrollado en el proyecto SmartPrognosis, ha demostrado ser más preciso que el pronóstico sugerido por los profesionales sanitarios, lo que probablemente se encuentre relacionado con la menor disponibilidad de información de estos últimos en el momento de la predicción, existiendo en muchos casos datos incompletos o sesgados.
Las primeras aplicaciones desarrolladas, demuestran que la herramienta puede ayudar a mejorar la eficiencia en el uso de recursos sanitarios, permitiendo poner el foco en los procesos que, realmente, merecen atención.
Como líneas futuras del proyecto, se plantea continuar trabajando en mejorar la predicción del modelo, tanto a través de nuevos posibles abordajes analíticos, como complementando la información disponible con datos relativos al contexto del paciente, siempre identificando y priorizando aquellos de mayor valor pronóstico. Como objetivo próximo, se plantea además implementar los modelos en los procesos seleccionados y evaluar su impacto real en la gestión.
AFILIACIÓN DE LOS AUTORES
Instituto de Biomecánica de Valencia
Universitat Politècnica de València
Edificio 9C. Camino de Vera s/n
(46022) Valencia. Spain
*Ibermutua
