*

Hospital Italiano: mejor predecir que curar

La entidad mplementó una solución de inteligencia analítica para estimar la población de pacientes cuya salud se verá afectada al año siguiente. Atiende a cerca de 50.000 pacientes por mes. Invirtió US$ 14.000. 23 de Agosto 2010
Hospital Italiano: mejor predecir que curar

Hay un viejo proverbio que dice que “es preferible prevenir que curar”, y quizá sea esa idea, justamente, la que tomaron como base en el Hospital Italiano para iniciar un proyecto cuyo objetivo era desarrollar hipótesis sobre cuáles son los factores que influyen en el deterioro de la salud y las causas que lo generan. Para, de esa manera, poder implementar acciones preventivas en pos de un doble beneficio: una atención de mayor calidad a los pacientes y mayor eficiencia en estudios, tratamientos y los costos asociados. 

Hernán Michelangelo, médico de Planta del Servicio de Clínica Médica, auditor médico del Plan de Salud e integrante del Comité de Seguridad del Paciente del Hospital Italiano, explica: “Queríamos contar con una herramienta que nos permitiera descubrir factores de riesgo que influyen en la biología de las enfermedades, más allá de los ya conocidos, que resultan limitados en poder explicar la mala evolución de algunos pacientes y el mal control de las patologías crónicas”.

En la práctica, lo que se implementó fue una solución de inteligencia analítica a partir de minería de datos, que permite predecir cuáles pacientes tienen mayor probabilidad de que su estado de salud resulte afectado de manera importante en el futuro cercano. La estimación se realiza a partir de la información médico-administrativa que el hospital posee de sus afiliados al Plan de Salud. 

El Hospital Italiano factura $ 495 millones (datos de 2008) y tiene 4.000 empleados; cuenta con un hospital central con 550 camas en el porteño barrio de Almagro, un hospital en San Justo con 200 camas y suma 25 centros periféricos de atención primaria. La entidad atiende a cerca de 50.000 pacientes por mes y necesitaba una herramienta para brindar una atención de mayor calidad, fundamentalmente a aquellos pacientes que, por diversos factores, usan con mayor frecuencia las distintas etapas del proceso asistencial.  

Para el proyecto recurrió a las soluciones SAS Enterprise Miner y SAS Enterprise Guide 4.1, para lo que destinaron algo menos de U$S 14.000 (incluye consultoría y sueldos asociados). Michelangelo comenta que “se eligió el Miner de SAS por referencias académicas y por experiencias revisadas en otras instituciones de salud”. La iniciativa demandó aproximadamente unos nueve meses y la primera fase terminó en agosto del año pasado. 

Predecir el costo
El primer paso fue relevar y extraer la información que reside en las diversas bases de datos del Hospital Italiano para luego identificar las variables que se incluirían en los modelos predictivos. Los datos generados, tras ser extraídos y transformados, se cargaron en un data warehouse. Se definieron 575 variables de datos demográficos, geográficos, de tipo de relación con el plan de salud, de nivel de uso, de enfermedades crónicas, de uso de diagnóstico por imágenes y de resultados de laboratorio, entre otras. El sistema no fue aplicado a todos los afiliados del Hospital Italiano, sino a cerca del 10 por ciento de los pacientes que se encuentran por encima del gasto médico mensual. Generalmente, estos pacientes padecen enfermedades crónicas y acostumbran reunir una multiplicidad de factores de riesgo, cuya suma se traduce en una mayor probabilidad de adquirir patologías. 

El mayor desafío fue normalizar los datos. Para esto fue necesario centralizar la información que no era controlada y tenía una elevada variabilidad, lo que conducía a una calidad de datos al menos discutible. 

Santiago Fainstein, gerente Comercial de SAS, cuenta cómo fue el proceso: “Primero se trabajó mucho en la normalización de datos: valores extremos, erróneos y faltantes. Luego se probaron distintos modelos de predicción. Por ejemplo, regresiones logísticas, árboles de decisión y diferentes combinaciones de esos modelos hasta que se encontró el más preciso. Se probó con los datos de 2006 para predecir el año siguiente, para ver si el sistema lo hacía bien. Se ensayó entonces con 2007 y siguió dando bien. Entonces se implementó de manera definitiva”.

Las etapas de la “modelización” (obtención y verificación de los datos) representaron casi el 75 por ciento del tiempo total del proyecto. Los modelos de data mining fueron generados mediante la aplicación de Enterprise Miner de SAS, en la versión 5.3. Según Fainstein, la solución implementada permite “predecir el costo médico de los afiliados tomando en cuenta la información histórica y midiendo diversas variables que van desde cuestiones financieras y administrativas hasta variables de laboratorio (qué valores habían dado los diferentes indicadores como sangre, colesterol, etcétera) o cuántas internaciones tuvo el paciente en el año, entre muchas otras”. 

Mónica Schpilberg, médica y jefa de Epidemiología Bioestadística y Calidad del Departamento de Información Hospitalaria de la entidad, coincide en que “la parte que más costó llevar adelante fue la recolección y la preparación de los datos. Fue necesario relevar datos de unos cuantos años atrás para una mejor validación de los modelos. Como algunos de los sistemas del hospital se habían modificado, trabajamos mucho en la homogenización de la información”. 

Schpilberg comenta los resultados: “Nos abrió una fuente de nuevas preguntas y de novedosas respuestas. Permite encontrar resultados y asociaciones que uno ni siquiera se había interrogado;  analizar situaciones tan complejas como arbitrarias con un número ilimitado de variables, y nos abrió nuevos caminos en las investigaciones que realizamos”. A nivel de costos, el modelo predictivo identificó a 2.724 afiliados como de “alto gasto”. El Hospital Italiano comenzó además el diseño de modelos más específicos sobre subgrupos de pacientes, como el desarrollo de un nuevo set de datos para construir modelos sobre pacientes diabéticos, lo que confirma que irá convirtiéndose en una herramienta de uso cotidiano en la entidad.



¿Te gustó la nota?

Comparte tus comentarios

Sé el primero en comentar