Blog

Jun 11, 2024

Investigación de casos de uso de inteligencia artificial y herramientas de TI en servicios médicos de emergencia

Fuente: Thinkstock 25 de julio de 2023: Los servicios médicos de emergencia (EMS) y los equipos de primera respuesta desempeñan un papel fundamental a la hora de brindar atención médica oportuna y que salva vidas. Para ayudar a que la atención de emergencia sea más

Fuente: Thinkstock

25 de julio de 2023: Los servicios médicos de emergencia (EMS) y los equipos de primera respuesta desempeñan un papel fundamental a la hora de brindar atención médica oportuna y que salva vidas. Para ayudar a que la atención de emergencia sea más eficiente y mejorar los resultados de los pacientes, muchas organizaciones de EMS están evaluando posibles casos de uso de inteligencia artificial (IA) y herramientas de TI para la salud.

Sin embargo, las diferencias en el tipo de agencia de EMS, la financiación, los volúmenes y la composición de la fuerza laboral, los recursos y el acceso a los datos, como se destaca en la Evaluación Nacional de Servicios Médicos de Emergencia de 2020, pueden afectar a qué tecnologías y casos de uso puede dirigirse una organización.

Según los expertos, las herramientas de inteligencia artificial y TI pueden abordar dos de los puntos débiles más comunes en los servicios de emergencias médicas: garantizar el máximo tiempo de actividad y estabilidad del software móvil de gestión de incidentes y mejorar la clasificación de los pacientes.

El departamento de EMS del Centro Médico de la Universidad de Pittsburgh (UPMC) está adoptando un enfoque diferente para optimizar su flujo de trabajo y mejorar los resultados de los pacientes mediante la creación de una herramienta de aprendizaje automático (ML) que utiliza electrocardiogramas (ECG/EKG) para clasificar eventos cardíacos.

Por lo general, el personal de EMS y otro personal médico utilizan sistemas de clasificación como historial, ECG, edad, factores de riesgo y puntuación de troponina (HEART) para estratificar el riesgo de los pacientes con dolor en el pecho, explicó Christian Martin-Gill, MD, jefe de la división de EMS de UPMC. . La puntuación HEART, además de la interpretación de los ECG por parte de médicos experimentados, se considera la medida estándar de oro para evaluar posibles eventos cardíacos.

Sin embargo, estratificar e identificar con precisión a los pacientes que experimentan un evento cardíaco grave, como un ataque cardíaco, puede resultar un desafío. Los ECG poco claros son un obstáculo importante que los equipos de atención deben enfrentar al clasificar a los pacientes con dolor de pecho y pueden provocar retrasos en la atención que pueden afectar negativamente los resultados de los pacientes.

Martin-Gill indicó que, además de este problema, las limitaciones en las puntuaciones de riesgo utilizadas habitualmente también presentan posibles deficiencias en la clasificación del dolor torácico.

“Si piensas en puntuaciones de riesgo clínico como la puntuación HEART, se basa en gran medida en factores del historial del paciente y luego en un par de factores clínicos, como una enzima cardíaca en la sangre, y luego en nuestra interpretación general del electrocardiograma, pero combinado con algunos factores médicos anteriores. antecedentes u otros factores de riesgo clínico como la edad”, afirmó. “Y cualquiera de esos tipos de puntuaciones de factores de riesgo generalmente se basan en un puñado de puntos de datos. Si piensas en las personas que los desarrollan, podrían evaluar una docena o dos docenas de factores que podrían poner a alguien en riesgo de sufrir un diagnóstico versus el otro. Luego, desarrollamos estas puntuaciones de riesgo basadas en ese puñado de características que predisponen a alguien o están asociadas con ese diagnóstico”.

ML permite el análisis de cientos de características en un ECG a la vez. Martin-Gill subrayó que estos algoritmos podrían procesar una gran cantidad de datos sin procesar para cada paciente basándose en lecturas de ECG, proporcionando una visión más completa de la salud cardíaca del paciente.

La herramienta de aprendizaje automático desarrollada por Martin-Gill y su equipo, y validada externamente en sistemas de salud fuera de UPMC, puede examinar casi 700 características encontradas en los ECG, lo que puede ayudar a los equipos de EMS a identificar afecciones como isquemia cardíaca u obstrucciones en los vasos sanguíneos. La herramienta está diseñada para respaldar la interpretación humana de los ECG, ya que los algoritmos pueden analizar e interpretar una mayor cantidad de características de datos, incluidas aquellas que pueden no ser observables a simple vista.

"Pensamos en esto como una herramienta que no reemplaza la interpretación que hace un médico o un paramédico del [ECG] de 12 derivaciones, pero uno de los próximos pasos que estamos dando es desarrollar un panel donde podamos colocar la información que el algoritmo se está recuperando”, dijo Martin-Gill.

Señaló además que la herramienta está destinada a ayudar a dirigir a los usuarios a examinar más de cerca partes del ECG que son anormales o importantes pero sutiles y, por lo tanto, fáciles de pasar por alto.

En los próximos años, la herramienta se aprovechará en asociación con la Oficina de Servicios Médicos de Emergencia de la Ciudad de Pittsburgh.

Ahora que la herramienta ML ha sido desarrollada y validada externamente, Martin-Gill indicó que el equipo está interesado en cómo se puede utilizar mejor la información que genera. En la continuidad de la atención para la clasificación de pacientes torácicos, se deben considerar tres grupos de profesionales de la salud: paramédicos en el campo, médicos de emergencia o médicos del comando médico de EMS que brindan orientación médica en línea y cardiólogos responsables de intervenciones avanzadas.

Como parte de la asociación, el equipo de Martin-Gill está trabajando en grupos focales con este personal para crear un panel que facilite una mejor toma de decisiones y coordinación de la atención entre los servicios de emergencias médicas y los médicos hospitalarios.

“Con ese tablero, lo que se puede imaginar es que un paramédico haría un electrocardiograma de 12 derivaciones y lo enviaría a un centro de comunicaciones médicas, una instalación donde hay un médico de emergencia o un médico de emergencias médicas con quien el paramédico va a hablar. por radio o por teléfono”, explicó.

"[El ECG], en el proceso de transmisión, será interpretado por nuestro modelo de aprendizaje automático y procesado a través de este panel", continuó. "Eso, entonces, se muestra al médico al otro lado de la línea, quien puede observar las características individuales [marcadas por el ML] además de interpretar las 12 derivaciones por su cuenta".

A partir de ahí, los médicos pueden guiar al SEM para determinar a qué hospital transportar al paciente o qué intervenciones médicas pueden ser necesarias en función de la probabilidad de un evento cardíaco. Estos conocimientos también podrían afectar las intervenciones hospitalarias que el cardiólogo desearía realizar para el paciente.

Martin-Gill enfatizó que herramientas como el algoritmo ML y el panel tienen un potencial significativo para mejorar la clasificación de pacientes de EMS.

“Ya hacemos un gran trabajo identificando a los pacientes cuando presentan dolor en el pecho u otros síntomas atípicos, en términos de quién podría tener un evento o un ataque cardíaco. Sin embargo, todavía tenemos muchas oportunidades para identificar a las personas que no están teniendo los eventos más obvios, especialmente cuando se trata de la interpretación del electrocardiograma”, dijo. “Estos algoritmos realmente son el siguiente paso para que podamos interpretarlos de una manera mejorada e identificar a más de estos pacientes para que podamos arriesgarnos a estratificarlos mejor y obtener atención más temprana para los pacientes que realmente la necesitan, y potencialmente también para identificar aquellos que realmente tienen un riesgo bajo de sufrir un evento y evitar que tengan que someterse a períodos de prueba u observación muy extensos”.

Al utilizar software móvil de gestión y alerta de incidentes, los socorristas enfrentan una serie de desafíos, según Thomas Craighton, coordinador de la Agencia de Manejo de Emergencias del condado de Hardin, Iowa.

Explicó que si bien estas tecnologías son cruciales para ayudar a los profesionales de EMS, funcionan a través de redes celulares, lo que puede resultar problemático.

"Nuestro primer problema siempre es que los socorristas decidan que no llevan un buscapersonas y confían en esta tecnología", explicó. "Pero como sabemos que la tecnología celular tiene puntos de falla y cuellos de botella, eso se convierte en un gran problema".

Sin embargo, las redes celulares son la mejor opción para respaldar los sistemas de localización de EMS, ya que brindan información adicional que puede ayudar a los socorristas, como la ubicación. Estas redes, en combinación con el sistema de respuesta de emergencia de extremo a extremo IamResponding, permiten a los profesionales de EMS recibir la ubicación de un incidente y mapearlo en sus teléfonos.

Por lo tanto, los socorristas pueden navegar hasta la escena de un incidente de manera más eficiente, ya sea que vengan de su casa o de la estación, ya que muchas de estas personas son voluntarias, señaló Craighton.

Otro desafío radica en la coordinación y la comunicación, en parte porque muchas organizaciones de servicios de emergencia tienen un gran volumen de personal voluntario. Cuando las personas responden a una alerta de incidente desde sus hogares, puede resultar difícil determinar qué personal y cuánto personal debe acudir al lugar del incidente.

Un sistema de respuesta de emergencia de extremo a extremo permite a los miembros del equipo de EMS indicar su estado de respuesta, lo que permite al resto del personal evaluar rápidamente cuántos socorristas están disponibles y quién llegará al lugar.

Craighton dijo que en algunas estaciones, los socorristas pueden indicar más específicamente su estado, con opciones para "ir a la estación", "ir a la escena, por favor traiga mi equipo" o "no responder".

Una vez que los despachadores publican la página para notificar al personal sobre un incidente, estas respuestas se pueden aprovechar para comprender cuántos miembros del equipo están respondiendo y qué necesitan. Si no responde suficiente personal, el personal de comunicaciones puede localizar a otros departamentos en tiempo real.

A pesar de los beneficios de aprovechar una solución como IamResponding, que Craighton explicó que es una herramienta extremadamente común utilizada por las organizaciones de primeros auxilios, mantener el sistema en funcionamiento y estable crea obstáculos adicionales para los equipos de EMS, especialmente aquellos que son pequeños o están compuestos en su mayoría por voluntarios.

Muchas de estas organizaciones carecen del tiempo, el personal, los recursos y la experiencia para solucionar problemas con el sistema de respuesta a emergencias del que dependen. El condado de Hardin ha trabajado para combatir esto asociándose con la empresa de soporte de TI MiPi Support, que brinda asistencia y capacitación en la configuración de estos sistemas para departamentos individuales, facilitándoles el uso eficaz de la tecnología.

Craighton afirmó que la asociación va más allá del típico soporte de TI y ha ayudado significativamente a su organización a abordar los desafíos relacionados con el uso de tecnologías de software de alerta de incidentes móviles.

La compañía se especializa en soporte de TI para organizaciones de primeros auxilios, lo que significa que tienen un conocimiento integral no solo de estos sistemas de respuesta a emergencias sino también de cómo operan las organizaciones de EMS y cuáles son sus necesidades, agregó.

La empresa también sirve como enlace entre el condado e IamResponding, ayudando a determinar si el software admite ciertas características o funcionalidades. Si una función deseada no es compatible, la empresa puede compartirla con IamResponding para ayudar a las organizaciones de EMS a brindar comentarios de manera más efectiva.

Además de brindar soporte, la compañía ofrece software y computadoras pequeñas para ayudar a mejorar el despacho y brindar monitoreo continuo del sistema de respuesta a emergencias, explicó Craighton.

Utilizando el software de la empresa, el condado de Hardin puede cerrar la brecha de comunicación de despacho creada al depender de radios y buscapersonas. La herramienta dirige los despachos directamente a los teléfonos de los socorristas, lo que ayuda a alertar mejor al personal si no tienen su buscapersonas o están fuera del alcance.

El condado también aprovecha el software de monitoreo de la compañía para ayudar a identificar y abordar problemas potenciales antes de que provoquen un tiempo de inactividad del sistema. Si se detecta algún problema, el representante de MiPi del condado se acerca para señalarlo y ayudar a solucionarlo, lo que, según Craighton, reduce significativamente el tiempo de inactividad. Esto puede ayudar a mejorar la eficiencia del EMS y los tiempos de respuesta en caso de emergencia.

Craighton destacó que este soporte de TI ha demostrado un valor sustancial para su organización y señaló que ha generado resultados que no había visto en otros momentos de su carrera.

“Solo he estado en este condado durante cinco años, pero en mi condado anterior no teníamos eso”, dijo. “Luego tuve que conocer y resolver los problemas con IamResponding por mi cuenta. Ahora es mucho más fácil simplemente llamar a [nuestro representante], enviarle un correo electrónico, lo que sea. Y en una hora o, como máximo, medio día, todo está arreglado, vuelve a estar en línea y listo para funcionar”.

Las experiencias de Martin-Gill y Craighton subrayan que los casos de uso de herramientas de IA y TI en EMS son diversos, pero la pandemia de COVID-19 puso de relieve lagunas críticas en la medicina de emergencia que estas soluciones por sí solas no pueden solucionar. Antes de la adopción generalizada de estas herramientas por parte de los sistemas de salud y las organizaciones de servicios médicos de emergencia, las partes interesadas deberán identificar y abordar los obstáculos éticos y legales y al mismo tiempo cumplir con las mejores prácticas de la industria.