Los determinantes sociales de la salud pueden ayudar a predecir el reingreso por sepsis

La inclusión de los determinantes sociales de la salud en los modelos de readmisión por sepsis podría mejorar su capacidad predictiva, según muestra un nuevo estudio.

Para el estudio, publicado la semana pasada en el Revista de la Asociación Estadounidense de Informática MédicaLos investigadores de la Universidad de California en San Diego utilizaron datos de la cohorte del programa de investigación All of Us de los Institutos Nacionales de la Salud.

Descubrieron que la inclusión de varios determinantes sociales de la salud mejoró la capacidad del modelo para predecir qué pacientes con sepsis corren el riesgo de una readmisión no planificada de 30 días.

“Nuestros resultados resaltan la importancia de [social determinants of health] para identificar qué pacientes pueden beneficiarse de recursos adicionales en torno al momento del alta, o posterior al alta, para evitar reingresos a los 30 días”, escribieron los investigadores.

POR QUÉ ES IMPORTANTE

Como señalaron los investigadores, los reingresos a los 30 días por sepsis: ya es una condición prevalente y potencialmente mortal – son más comunes y costosos que los de varias otras afecciones, incluido el infarto agudo de miocardio, la enfermedad pulmonar obstructiva crónica y la insuficiencia cardíaca congestiva.

“Se necesitan sistemas mejorados para identificar a las personas con mayor riesgo de readmisión, desarrollar ayuda específica para esas personas y evitar readmisiones costosas”, escribieron.

“Por lo tanto, se indica una comprensión más amplia de los factores contribuyentes, incluida una investigación de si los factores sociales afectan las readmisiones”, continuaron.

Sin embargo, identificar qué pacientes tienen mayor riesgo es un desafío.

Muchos hospitales utilizan puntuaciones no desarrolladas específicamente para pacientes con sepsis para señalar a los que corren más peligro de readmisión.

El equipo de UCSD usó un conjunto de datos e información de encuestas a nivel de paciente de los NIH Programa Todos Nosotrosque incluyó información de 265.833 pacientes de 35 hospitales.

“El hallazgo central de este estudio de cohorte longitudinal multicéntrico es que ciertos [social determinants of health] están fuertemente asociados con reingresos no planificados por sepsis a los 30 días y que la inclusión de dicha información en un modelo predictivo para reingresos puede mejorar significativamente la capacidad predictiva y la capacidad de acción del modelo”, dijo el equipo del estudio.

Los investigadores identificaron varios factores potencialmente procesables, incluido el transporte deficiente para obtener atención médica, la incapacidad de pagar aspectos específicos de la atención médica y la falta de seguro, que estaban fuertemente asociados con una readmisión de 30 días.

Otros factores entraron en juego: ser hombre, identificarse como negro o asiático, experimentar inestabilidad en la vivienda y tener un título de escuela secundaria o GED o menos se identificaron como factores que aumentan el riesgo de readmisión.

“Estos se han descrito previamente como factores para la readmisión, aunque no específicamente en pacientes con sepsis, y no está claro si los programas de readmisión hospitalaria son efectivos cuando se dirigen a estas poblaciones”, se lee en el estudio.

El equipo de investigación notó que algunos factores, como la alfabetización digital y la conectividad a Internet, no se incluyeron en el conjunto de datos de All Of Us, lo que podría afectar las capacidades predictivas del modelo.

“Sin embargo, el 88 [social determinants of health] Las variables que se incluyeron en nuestros modelos mejoraron significativamente nuestro rendimiento predictivo, lo que destaca la importancia de tener en cuenta dichos factores en los modelos predictivos y la necesidad de una investigación adicional en este dominio”, escribieron.

LA TENDENCIA MÁS GRANDE

Dado el costo, la frecuencia y el peligro de la sepsis, los investigadores y los innovadores de TI han dedicado energía a tratar de predecir mejor la afección en los pacientes. A veces esto ha parecido implementando alertasa menudo impulsado por inteligencia artificial.

Sin embargo, el Dr. Thomas Selva, director de información médica de University of Missouri Healthcare y director médico del Tiger Institute for Health Innovation, dice que el poder de las personas también es importante. El equipo de Selva ganó un premio HIMSS Davies por su trabajo al combinar el algoritmo National Early Warning Score con un equipo de respuesta rápida para contribuir a una reducción en la mortalidad por sepsis.

“Con demasiada frecuencia, en las implementaciones de TI de salud, ponemos una alerta en el sistema y permanece allí para siempre, aunque no esté logrando el objetivo que querías”, dijo en una entrevista con Noticias de TI para el cuidado de la salud esta primavera.

“Uno quiere asegurarse de que haya buena evidencia detrás de la alerta y luego también tener buenas medidas en los informes”, dijo.

EN EL REGISTRO

“Se requieren estudios futuros para validar prospectivamente estos hallazgos y explorar más a fondo la relación entre[losdeterminantessocialesdelasaludlasreadmisionesylosresultadoscentradosenelpaciente”dijeronlosinvestigadores[socialdeterminantsofhealthreadmissionsandpatient-centeredoutcomes”saidtheresearchers

Kat Jercich es editora sénior de Healthcare IT News.
Gorjeo: @kjercich
Correo electrónico: kjercich@himss.org
Healthcare IT News es una publicación de HIMSS Media.

Leave a Comment

Your email address will not be published.