Primer modelo de aprendizaje automático del mundo para prevenir cirugías en el sitio equivocado

La cirugía en el sitio equivocado (WSS, por sus siglas en inglés), clasificada como un "evento nunca" crítico, representa una falla significativa en la atención médica que nunca debería ocurrir. Sin embargo, debido a la falta generalizada de notificación, la verdadera frecuencia de estos incidentes sigue siendo incierta, lo que pone en riesgo la seguridad del paciente y la gestión de la atención médica. El Informe de seguridad del paciente 2024 de la Organización Mundial de la Salud (OMS) revela que solo el 38 % de los países han implementado sistemas para informar estos eventos. En los Estados Unidos, la Comisión Conjunta registró 112 errores quirúrgicos en 2023, de los cuales el 62 % correspondieron a cirugías en el sitio equivocado. La falta de informes completos limita la capacidad del sistema de atención médica para evaluar el alcance del problema y tomar las medidas preventivas adecuadas. La documentación inconsistente es un factor clave que contribuye a los WSS. Para abordar este desafío, un nuevo modelo de aprendizaje automático proporciona tanto apoyo a la toma de decisiones en tiempo real como análisis retrospectivo, con el objetivo de mejorar la seguridad quirúrgica y la calidad de la atención.

AESOP Technology (San Francisco, CA, EUA) ha desarrollado una solución innovadora: el modelo de aprendizaje automático Association Outlier Pattern (AOP) que utiliza datos del conjunto de datos limitados de los Centros de Servicios de Medicare y Medicaid (2017-2020) para investigar las discrepancias en la lateralidad quirúrgica. Con base en este análisis, el modelo AOP se desarrolló para abordar específicamente el problema de la lateralidad quirúrgica. A diferencia de los sistemas tradicionales basados en reglas, que solo verifican la coherencia, el modelo AOP analiza patrones complejos entre los diagnósticos y los procedimientos quirúrgicos. Es particularmente hábil para manejar información diagnóstica incompleta o poco clara, logrando una tasa de precisión que supera el 80 % en la identificación de errores quirúrgicos, superando el rendimiento de los métodos existentes.

El modelo AOP permite a las organizaciones de atención médica identificar inconsistencias en los registros médicos, detectar errores quirúrgicos no informados y mejorar los sistemas de informes. Esto no solo promueve la seguridad del paciente, sino que también fortalece los sistemas de prevención de errores. Además del análisis retrospectivo, el modelo AOP brinda soporte para la toma de decisiones en tiempo real durante la planificación quirúrgica. Marca automáticamente las asociaciones incorrectas entre los códigos quirúrgicos y los diagnósticos, lo que garantiza registros precisos y completos. Esta funcionalidad en tiempo real reduce el riesgo de errores, lo que posiciona al modelo AOP como una herramienta indispensable para los futuros sistemas de registros médicos electrónicos (EHR).

"Estamos encantados con los resultados preliminares de nuestra investigación y esperamos integrar estos conocimientos en las funciones de seguridad del paciente de DxPrime este año", afirmó Jim Long, director ejecutivo de AESOP Technology. "Nuestros avances en la automatización de la codificación quirúrgica muestran un gran potencial para ayudar a los médicos a brindar una atención más segura, reducir el tiempo de documentación y permitir que los codificadores médicos realicen una mejor codificación y revisión simultánea de las cirugías cuando los pacientes aún están hospitalizados".

Enlaces relacionados:
AESOP Technology

Visitar la expo >

Miembro Oro

STI Test

Vivalytic Sexually Transmitted Infection (STI) Array

Miembro Oro

SARS‑CoV‑2/Flu A/Flu B/RSV Sample-To-Answer Test

SARS‑CoV‑2/Flu A/Flu B/RSV Cartridge (CE-IVD)

New

Intelligent Mattress System

DualPlus

New

Captivator EMR Device

Captivator Endoscopic Mucosal Resection Device