Herramienta de triaje mejora cuidado del paciente en DU

Por el equipo editorial de HospiMedica en español
Actualizado el 17 Oct 2017

Según un nuevo estudio, los sistemas de triaje electrónico (e-triaje) clasifican la gravedad de la lesión del paciente del departamento de urgencias (DU) con mayor exactitud y apoyan la toma de decisiones por triaje.

Imagen: La interfaz de la herramienta electrónica de triaje de Johns Hopkins (Fotografía cortesía de la JHU).

Los investigadores de la Universidad Johns Hopkins (JHU, Baltimore, MD, EUA), StoCastic (Baltimore, MD, EUA) y otras instituciones, llevaron a cabo un estudio multi-sitio, retrospectivo y transversal de 172.726 consultas a los departamentos de urgencias urbanos y comunitarios para evaluar si un sistema de e-triaje compuesto por un modelo aleatorio de datos de triaje - signos vitales, queja principal y antecedentes médicos activos - podrían predecir la necesidad de cuidados críticos, un procedimiento de emergencia y hospitalización en paralelo, y traducir el riesgo a las designaciones de nivel de triaje.

Los resultados previstos y los resultados secundarios del estudio fueron los niveles elevados de troponina y lactato, que se evaluaron y compararon con el Índice de Severidad de Emergencia (ESI) estándar. Los resultados mostraron diferencias significativas en los niveles de prioridad de los pacientes entre el e-triaje y las evaluaciones ESI. Por ejemplo, de más del 65% de las consultas a los DU visitados que fueron clasificadas como de nivel 3 según el ESI, el e-triaje identificó a alrededor del 10% de los pacientes que pudieron beneficiarse de ser ascendidos a un nivel de prioridad más crítico, como el nivel 1 o 2.

Los pacientes de ESI de nivel 3 que fueron subidos de nivel, tenían al menos cinco veces más probabilidades de experimentar un resultado crítico -como muerte, ingreso a la UCI o cirugía de emergencia- y dos veces más probabilidades de ser ingresados al hospital. La herramienta de e-triaje también fue capaz de aumentar el número de pacientes clasificados a un nivel de prioridad más baja, como el Nivel 4 o 5, ayudando a disminuir para los pacientes de baja agudeza la espera y el uso excesivo de recursos escasos. El estudio fue publicado el 6 de septiembre de 2017, en la revista Annals of Emergency Medicine.

“El objetivo final es que los pacientes deben esperar menos en el departamento de urgencias”, dijo el autor principal, Scott Levin, PhD, de la JHU. “Para los pacientes en riesgo de tener una necesidad de cuidados críticos, el diseño de esta tecnología permite detectarlos mejor y asegurarse de que sean examinados más rápido. Para los pacientes que están menos enfermos, el e-triaje debe detectar a esos pacientes y ponerlos en una pista acelerada, para que no tengan que esperar tanto tiempo.

“El aprendizaje automático aprovecha al máximo las historias clínicas electrónicas y permite una precisión de los resultados que no se podía obtener previamente”, concluyó el Dr. Gabor Kelen, director del departamento de medicina de emergencia de la JHU. “Es la ola de la atención de la salud en el futuro, aunque algunos proveedores pueden tener sus dudas al respecto. Las ayudas a la toma de decisiones que aprovechan el aprendizaje automático también son altamente personalizables para satisfacer las necesidades de la población de pacientes de un departamento de emergencia y de los sistemas locales de atención de salud.

Los bosques al azar son un método de aprendizaje conjunto para la clasificación, regresión y otras tareas que operan construyendo una multitud de árboles de decisión en el momento del entrenamiento y generando la clase que es el modo de las clases o clasificación o predicción media del árbol individual.