ALGOPROMIA: Implementación de Machine Learning para la predicción de resultados de PROs en la Estrategia \\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\'No Hacer\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\' para una Atención Sanitaria Basada en Valor.

Datos generales

Experiencia en el área de farmacia hospitalaria.

Farmacia Hospitalaria
Islas Baleares
Baleares (Illes)

Autor/es:
Pere Ventayol, Bosch, Gabriel Mercadal Orfila, Maria Antonia Maestre, Joaquin Serrano, Laura Anoz, Francisco Fernandez y Salvador Herrera

Descripción

Ámbito en el que impacta la experiencia: Área de salud

Áreas y/o niveles asistenciales implicados: Especialidades

Área de especialidad médica: Farmacia Hospitalaria

Público al que se dirige: Pacientes

Tiempo de desarrollo: Más de dos meses

Objetivo y necesidad que cubre:
Objetivo:
El principal propósito de ALGOPROMIA es desarrollar y validar una metodología basada en técnicas avanzadas de Machine Learning para predecir con precisión las puntuaciones de cuestionarios PRO/PRE. Estas puntuaciones, que reflejan directamente las percepciones y experiencias de los pacientes con respecto a su salud, tratamiento y cuidado médico, son cruciales para evaluar la calidad y eficacia de las intervenciones médicas desde una perspectiva centrada en el paciente.

Necesidad que Cubre:
En el panorama actual de la atención sanitaria, hay un creciente reconocimiento de la importancia de adoptar un enfoque basado en valor, que busca equilibrar costos, resultados y experiencias del paciente. La estrategia \\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\" NO HACER \\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\" emerge como una de las piedras angulares de este enfoque, alentando la evitación de intervenciones médicas innecesarias que no aportan valor real al paciente y que pueden llevar a gastos ineficientes y resultados subóptimos. ALGOPROMIA quiere contribuir a la estrategia NO HACER proporcionando herramientas analíticas que pueden predecir y, por lo tanto, guiar de manera proactiva las decisiones clínicas basándose en las autopercepciones reportadas por los pacientes.

Puesta en marcha

El proyecto ALGOPROMIA, es un proyecto pionero en la predicción de puntuaciones de cuestionarios PRO/PRE mediante técnicas de Machine Learning, impulsado por la comunidad NAVETA. Tras la reunión del Comité Científico de NAVETA, celebrada en Palma en junio de 2023, se estableció como uno de los objetivos primordiales en la hoja de ruta de NAVETA para los próximos años, el impulso y la implementación de modelos predictivos sustentados en técnicas de aprendizaje automático. Esta decisión se fundamenta en la rica información acumulada dentro del ámbito de la telemedicina. Dichos modelos contribuirán a desvelar relaciones y tendencias subyacentes en los conjuntos de datos de pacientes, optimizando así la toma de decisiones clínicas y reforzando la atención personalizada preventiva en el dominio de la telemedicina. En este escenario surge ALGOPROMIA, cuyo objetivo específico es desarrollar un modelo predictivo apoyado en algoritmos de Aprendizaje Automático para prever valores PRO/PRE utilizando las fortalezas actuales de la Comunidad NAVETA: Infraestructura tecnológica, Comité científico, datos de más de 3.500 pacientes crónicos en seguimiento y las técnicas de Machine Learning.
(Ver documento adjunto)

Impacto previsto

Impacto en salud: 2
Impacto socio-sanitario: 3
Impacto organizativo: 3
Impacto economico: 3
Impacto en los trabajadores: 1
Experiencia de usuario: 3

Resultados

Esperados

Recursos utilizados: Recursos Humanos

¿Has utilizado indicadores de medición de resultados en tu experiencia?
No.

¿Lecciones aprendidas? ¿Cambios/mejoras importantes realizadas? ¿Logros? ¿Conclusiones?
IMPACTO: RELEVANCIA EN EL CONTEXTO ACTUAL Más allá de las ventajas operativas y económicas de propio uso de los cuestionarios PRO/PRE, proyectos como ALGOPROMIA tienen un potencial impacto en la práctica clínica. No solo refinando el proceso de toma de decisiones médicas, sino que también se enfatiza y prioriza la voz del paciente. Estamos convencidos de que esta combinación de técnicas de Machine Learning y métricas como los cuestionarios PRO/PRE impulsará una atención más personalizada, informada y alineada con los valores y expectativas del paciente, sentando las bases para un sistema de salud más humano y eficiente. (Ver documento adjunto) CAMBIOS Y MEJORAS IMPORTANTES Con la incorporación de técnicas de Machine Learning en el proyecto NAVETA, se pretenden promover varios cambios y mejoras esenciales: 1. Optimización del análisis de datos: La implementación de algoritmos de aprendizaje automático permitirá un análisis más profundo y rápido de los datos, lo que facilitará la identificación de tendencias y patrones complejos que antes podrían haber sido pasados por alto. 2. Personalización de la atención: Gracias al Machine Learning, será posible prever con mayor precisión las necesidades específicas de los pacientes, lo que permitirá una atención más individualizada y un tratamiento más ajustado a sus particularidades. 3. Mejora en la eficiencia: La capacidad de predecir con precisión las puntaciones PRO/PRE reducirá el margen de error en las decisiones clínicas y ha optimizará la asignación de recursos, promoviendo la reducción de gastos innecesarios, y potenciando la eficiencia y la mejor asignación de recursos. 4. Actualización constante: Con la adición del Machine Learning, el sistema se beneficia de la capacidad inherente de estos algoritmos para \\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\"aprender\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\" constantemente, adaptándose y mejorando con cada nuevo conjunto de datos ingresado. 5. Mejora en la formación del equipo: La integración del Machine Learning ha requerido una capacitación y actualización constante del equipo multidisciplinario, elevando el nivel de expertise en el manejo de técnicas avanzadas de análisis de datos. (Ver documento adjunto)

Propuestas de mejora

Nuestros resultados, aunque prometedores, son preliminares y subrayan la necesidad de una investigación más profunda sobre el comportamiento del modelo. Es esencial considerar tanto el estudio teórico del modelo como la adquisición de más datos para garantizar una comprensión más holística. En particular, queremos enfatizar la importancia de realizar más pruebas y expandir nuestra base de datos con un mayor número de pacientes. La consolidación de estos hallazgos requerirá un análisis más detallado y riguroso en etapas futuras de investigación. De forma concreta se prevén dos acciones esenciales.

1. El incremento de la cohorte NAVETA es una de nuestras prioridades actuales. Para conseguir un mayor reclutamiento de pacientes, estamos colaborando estrechamente con diversos profesionales clínicos. Estos expertos, que forman parte del Comité Científico de NAVETA o bien son invitados a unirse, jugarán un papel crucial en liderar esta fase de expansión de la cohorte NAVETA.

2. Paralelamente, es imperativo seguir investigando y perfeccionando el diseño del algoritmo más óptimo para nuestras necesidades. Buscamos un modelo que maximice la captura de la varianza en los datos, lo que se traduce en predicciones de mayor calidad por cuestionario.

3. Colaborar en iniciativas para compartir datos en Open acces, para compartir datos y conocimiento.
(Ver documento adjunto)

Observaciones

(Ver documento adjunto)

Ficheros adjuntos

Documento 1

Bibliografía

1. European Commission. Defining Value in Value-Based Healthcare. [Internet]. Disponible en: https://ec.europa.eu/health/sites/default/files/expert_panel/docs/ 024_defining-value-vbhc_en.pd
2. Medicine Clinical Practice. AMA Press, EE.UU. 2002
3. Porter ME. What is value in health care? N Engl J Med. 2010 Dec 23;363(26):2477-81. doi: 10.1056/NEJMp1011024. Epub 2010 Dec 8. PMID: 21142528.
4. Gentry S, Badrinath P. Defining Health in the Era of Value-based Care: Lessons from England of Relevance to Other Health Systems. Cureus. 2017 Mar 6;9(3):e1079. doi: 10.7759/cureus.1079. PMID: 28405529; PMCID: PMC5383371.
5. Allen-Duck A, Robinson JC, Stewart MW. Healthcare Quality: A Concept Analysis. Nurs Forum. 2017 Oct;52(4):377-386. doi: 10.1111/nuf.12207. Epub 2017 Apr 13. PMID: 28407249; PMCID: PMC5640472.
6. Cruz Rivera S, Liu X, Hughes SE, Dunster H, Manna E, Denniston AK, Calvert MJ. Embedding patient-reported outcomes at the heart of artificial intelligence health-care technologies. Lancet Digit Health. 2023 Mar;5(3):e168-e173. doi: 10.1016/S2589-7500(22)00252-7. PMID: 36828609.