Los Estados Unidos es una nación que envejece. Se espera que los estadounidenses de 65 años o más representen más del 20% de la población para el 2030, un aumento del 17% en el 2022, y hasta un 23% para el 2050. Estamos viviendo más tiempo, pero no mejor; una parte creciente de nuestra esperanza de vida se pasa en mala salud.
Este cambio demográfico trae consigo necesidades de atención médica costosas y complejas, ya que los adultos mayores a menudo sufren de enfermedades crónicas y comorbilidades que requieren una atención médica más intensiva. Con nuestro sistema de salud actual plagado de escasez de personal, problemas de capacidad y costos crecientes que ya superan las proyecciones de gastos de Medicare presupuestados, estamos muy poco preparados para las crecientes demandas de nuestra población en envejecimiento.
Para enfrentar eficazmente los desafíos que presenta la “ola gris”, las organizaciones de salud y los pagadores deben colaborar y adoptar un nuevo enfoque que pueda ayudar a reducir los riesgos para los adultos mayores a través de una identificación e intervención más tempranas. A pesar del creciente número de recursos tecnológicos disponibles, todavía no hemos encontrado la manera de maximizar la interacción de estos recursos entre sí, y, lo que es más importante, con los pagadores, proveedores, pacientes y la salud pública.
La modelización predictiva puede ayudar a mitigar uno de los mayores riesgos para la salud.
Una de las mayores amenazas que enfrentamos al envejecer es caer, que es la principal causa de discapacidad y muerte entre los pacientes mayores de 65 años. Las caídas no solo representan tropezones físicos; son una amenaza profunda para la salud y la independencia de los adultos mayores. También representan una amenaza económica; aproximadamente se gastan $50 mil millones en costos médicos relacionados con las caídas de adultos mayores cada año en los Estados Unidos, según los Centros para el Control y la Prevención de Enfermedades (CDC). Además, las caídas suceden por una multitud de razones y su convergencia, ya sea por las consecuencias de la polifarmacia, la desacondicionamiento y la sarcopenia, cambios cognitivos o patrones de salud en declive.
Los modelos predictivos proporcionan una respuesta potencial para la detección y, en última instancia, para establecer estrategias de prevención necesarias. Estos modelos analizan puntos de datos dispares para predecir eventos de salud, lo que permite intervenciones oportunas y dirigidas que pueden extender la esperanza de vida saludable y mejorar la calidad de vida. Al aprovechar vastas cantidades de datos de pacientes e inteligencia artificial (IA), los modelos predictivos pueden generar predicciones precisas de mortalidad y morbilidad, como identificar a pacientes en riesgo de caídas, meses e incluso años antes.
Hay montones de datos disponibles para los modelos predictivos que podrían llevar a una predicción de riesgo precisa con condiciones como las caídas, pero la captura de datos en el punto de atención y la interoperabilidad de datos siguen siendo inconsistentes. Los datos clínicos están llenos de variabilidad de un EHR a otro, de una implementación a otra de la misma EHR, entre proveedores e incluso entre pacientes basados en diferencias sociales y médicas. Estas discrepancias en la captura, presentación y calidad de datos llevan a desafíos para tejer una “historia” cohesiva que es requisito no solo para la modelización predictiva, sino aún más crítico, para la prestación de atención. Para superar estos obstáculos, las soluciones de interoperabilidad y los marcos de datos estructurados son imperativos.
Lograr un enfoque basado en estándares.
La iniciativa STEADI (Detener los Accidentes, Muertes y Lesiones de Ancianos) de los CDC es un ejemplo de un enfoque exitoso basado en estándares. Basado en las pautas clínicas de prevención de caídas de las Sociedades Americanas y Británicas de Geriatría, STEADI proporciona a los proveedores de atención médica un marco de proceso estructurado para la evaluación de riesgos de caídas, la evaluación de factores de riesgo modificables e implementación de intervenciones dirigidas. Sin embargo, como se mencionó anteriormente, el impacto de iniciativas como esta puede verse limitado por el registro inconsistente y no estándar de datos en EHRs, lo que debilita el impacto de los modelos predictivos y otras tecnologías novedosas que dependen de datos optimizados para su uso efectivo. Muchas interacciones entre pacientes y proveedores se documentan mediante cuestionarios que no están asociados a vocabularios existentes y, cuando lo están, no se integran en los sistemas EMR, lo que lleva a una captura de datos fragmentada que es difícil de analizar de manera exhaustiva. Al adoptar y hacer cumplir estándares para tales herramientas de recolección de datos con vocabularios como Identificadores y Nombres de Observación Lógicos (LOINC), los proveedores de atención médica pueden garantizar que los datos de STEADI y otros cuestionarios se registren y rastreen de manera consistente a lo largo del tiempo como datos. Esta estandarización permitiría una mejor análisis longitudinal, mejorando la atención al paciente al proporcionar a los médicos una visión clara de la trayectoria de salud de un paciente. Al adaptar sus modelos para incorporar los criterios de STEADI, un socio tecnológico puede asegurar que el análisis predictivo se alinee con las pautas establecidas para la evaluación de riesgos de caídas.
La cuestión de las caídas entre los adultos mayores es una gran preocupación para la salud pública, dado que todos vivimos más tiempo. Hay muchas otras métricas de salud y condiciones clínicas que son críticas de abordar para una mayor efectividad de las iniciativas de salud pública. Al establecer un método estándar de recopilación de datos y utilizar programas como STEADI, podemos avanzar significativamente en nuestros esfuerzos de prevención de fragilidad y caídas y mejorar los modelos de entrega para otras condiciones que afectan a los miembros más vulnerables de nuestra población. La estandarización no solo allana el camino para datos compatibles en todo el sistema, sino que también proporciona a los proveedores de atención médica información valiosa para tomar decisiones informadas. La incorporación de tecnologías predictivas avanzadas en los esfuerzos de prevención de caídas mejorará aún más los resultados, aliviando la carga sobre el sistema de salud y proporcionando una oportunidad para que todos los actores dentro del ecosistema impulsen la atención basada en el valor y sirvan mejor a una población envejecida.
Foto: Getty Images
Paulo Pinho, M.D., es el Director Médico y de Estrategia de Discern Health, una startup de tecnología de la salud centrada en modelos de datos predictivos para mejorar los resultados de salud. Con casi 25 años de práctica médica, está certificado por los consejos en Medicina Interna, Pediatría y Medicina de Seguros. El Dr. Pinho ocupó previamente puestos de liderazgo en Availity Clinical Solutions y Prudential International Insurance, y fundó PASE Healthcare. Su experiencia clínica global abarca diversos entornos, y sigue siendo un destacado orador público y experto publicado en la prestación de atención médica y el empoderamiento del paciente. El Dr. Pinho también está cursando una Maestría en Informática de la Salud en la Universidad de Rutgers.
Esta publicación aparece a través del programa MedCity Influencers. Cualquiera puede publicar su perspectiva sobre negocios e innovación en el campo de la salud en MedCity News a través de MedCity Influencers. Haga clic aquí para averiguar cómo.