Desafíos en el diagnóstico de condiciones post-COVID

Después de COVID-19, algunas personas experimentan problemas de salud persistentes conocidos como Condiciones post-COVID (PCC). Estos pueden incluir una variedad de síntomas que duran semanas o meses después de la infección inicial por COVID-19. Entender y diagnosticar estas condiciones ha sido complicado para los doctores, principalmente porque todavía hay mucha confusión sobre qué incluye realmente la PCC.

El Departamento de Salud y Servicios Humanos de EE. UU. ha descrito la PCC como una colección de problemas de salud que se superponen, lo que agrega dificultad en el diagnóstico. Desde la pandemia, se ha recolectado más información sobre la PCC, pero muchos doctores todavía encuentran complicado tratar a los Pacientes debido a esta falta de comprensión clara.

En octubre de 2021, se introdujo un código diagnóstico específico para la PCC (U09.9) para ayudar a crear una forma más estandarizada de identificar a estos pacientes. Sin embargo, la forma en que se utiliza este código varía mucho de un médico a otro, lo que genera más confusión y hace que sea difícil para los investigadores recopilar datos precisos sobre cuán común es la PCC.

#Variación en las Tasas de Diagnóstico

Una investigación de la Administración de Salud de Veteranos de EE. UU. mostró que las tasas de diagnósticos de PCC después de COVID-19 variaron ampliamente-entre el 3% y el 41%-en diferentes centros médicos. Esta diferencia proviene principalmente de cómo cada centro aborda el diagnóstico. Otros estudios han indicado que una parte significativa de estos diagnósticos no cumple con los estándares establecidos por organizaciones de salud como los Centros para el Control y la Prevención de Enfermedades y la Organización Mundial de la Salud.

Además, un estudio en el Reino Unido reveló que las tasas de diagnóstico de PCC variaban según el sistema de registros de salud electrónicos (EHR) utilizado por diferentes proveedores de atención médica. Esta inconsistencia en el diagnóstico de la PCC significa que hay una fuerte necesidad de mejores métodos para identificar y apoyar a los pacientes que pueden estar viviendo con estos síntomas persistentes.

#Nuevos Enfoques para Identificar la PCC

A causa de los desafíos que surgen del uso inconsistente del código de diagnóstico PCC, los investigadores han recurrido a la tecnología, específicamente el aprendizaje automático, para encontrar mejores formas de identificar a los pacientes con estas condiciones. Algunos investigadores han utilizado grupos pequeños de pacientes y encuestas para entrenar modelos que analizan notas clínicas, logrando un éxito moderado en el reconocimiento de síntomas relacionados con la PCC.

Otros estudios han utilizado datos estructurados para predecir quién podría estar asistiendo a clínicas de PCC especializadas. Estos enfoques han dado resultados prometedores en encontrar pacientes que podrían estar experimentando PCC, aunque se enfocaron principalmente en aquellos en clínicas especializadas en lugar de en atención primaria general.

#Enfoque en los Patrones de Atención Primaria

Este estudio tenía como objetivo mirar más de cerca cómo se diagnostica la PCC en entornos de atención primaria general. Combinamos análisis estadístico con técnicas de aprendizaje automático para determinar cómo diferentes médicos aplican el código de diagnóstico PCC y para entender las características comunes entre los pacientes con PCC, incluso si no habían recibido un diagnóstico oficial.

El primer paso implicó examinar el número de diagnósticos de PCC registrados por diferentes doctores, lo que ayudó a mostrar cuán inclinados estaban cada uno a etiquetar a un paciente con PCC. Luego, analizamos el tiempo entre el primer diagnóstico de COVID-19 de un paciente y su diagnóstico de PCC, ya que este tiempo es esencial para un diagnóstico preciso.

También verificamos cómo varios factores, como la demografía del paciente y las características de la práctica o del clínico, influenciaron la documentación del código de diagnóstico PCC. Finalmente, entrenamos un modelo usando notas clínicas de doctores para ver si había características comunes entre los pacientes que podrían tener PCC, sin importar si tenían un código diagnóstico de PCC.

#Fuentes de Datos y Población del Estudio

El estudio utilizó datos del American Family Cohort (AFC), que recopila información de salud de clínicas de atención primaria en EE. UU. Este conjunto de datos incluye visitas de más de 12,000 Clínicos y alrededor de 8 millones de pacientes. Los datos de AFC abarcan desde 2017 hasta noviembre de 2023 y representan un grupo diverso de pacientes en términos de edad, raza y geografía.

Al seleccionar muestras para el análisis, aproximadamente el 20% de los pacientes tenían datos faltantes sobre raza y etnicidad. Para estos pacientes, se asignó la raza o etnicidad más probable según métodos validados.

#Analizando los Patrones de Práctica

Para entender mejor cómo diferentes clínicos aplican los estándares diagnósticos, observamos dos aspectos principales: la distribución de diagnósticos de PCC entre los clínicos y el tiempo entre el diagnóstico de COVID-19 de un paciente y el diagnóstico de PCC. Incluimos a todos los pacientes diagnosticados con PCC desde la introducción del código diagnóstico PCC y comparamos esto con el momento de su diagnóstico de COVID-19.

Entre los hallazgos, muchos clínicos documentaron muy pocos diagnósticos de PCC. Algunos doctores solo diagnosticaron a un paciente con PCC, mientras que unos pocos vieron a más de 100 pacientes diagnosticados con ello. Esta distribución desigual sugiere que algunos doctores son más propensos a reconocer y documentar la PCC que otros.

#Creando un Modelo para la Documentación del Código

Usando el enfoque establecido por investigadores anteriores, desarrollamos un modelo de aprendizaje automático que predice si un médico documentaría el código diagnóstico de PCC. El conjunto de datos utilizado incluyó una muestra aleatoria de visitas de pacientes del período relevante.

Para manejar el desequilibrio en el conjunto de datos-ya que menos pacientes tenían un código de PCC en comparación con aquellos que no lo tenían-ajustamos los datos para que fueran más equilibrados. Luego visualizamos cómo diferentes características influyeron en si un paciente recibió un diagnóstico de PCC.

#Procesamiento de Lenguaje Natural para Notas Clínicas

Para otra parte de nuestro estudio, nos centramos en las notas clínicas escritas por los médicos durante las visitas de los pacientes. Al analizar estas notas, nuestro objetivo era ver si algún síntoma o patrón específico podría resaltar a los pacientes con PCC.

Las notas incluidas fueron cuidadosamente seleccionadas en base a varios síntomas de COVID-19 y debían cumplir con un requisito de longitud mínima para asegurarnos de que contenían información útil. Se eligió una muestra de 5,000 notas clínicas para el análisis, y dos médicos de familia revisaron estas notas para identificar qué pacientes probablemente estaban sufriendo de PCC.

Utilizamos diferentes modelos para analizar estas notas, desde enfoques básicos de bolsa de palabras hasta métodos más avanzados como transformers. A pesar de los avances en tecnología, los resultados mostraron que identificar a los pacientes con PCC usando notas clínicas sigue siendo un desafío.

#Hallazgos y Conclusiones

Nuestro estudio descubrió diferencias significativas en cómo los clínicos de atención primaria diagnostican la PCC en el tiempo posterior a la introducción del código diagnóstico de PCC. La variación sugiere que los doctores pueden no estar siempre de acuerdo sobre lo que constituye la PCC, lo que lleva a inconsistencias en la documentación. La mayoría de los clínicos en el estudio no registraron ningún diagnóstico de PCC, mientras que unos pocos documentaron muchos.

Además, encontramos que muchos de los diagnósticos de PCC no seguían las pautas de tiempo establecidas por organizaciones de salud, lo que indica la necesidad de claridad en los criterios de diagnóstico. La demografía del paciente, como la edad y la raza, desempeñó un papel más importante en determinar si se documentó un código de PCC que otros factores clínicos.

A pesar de usar métodos avanzados de procesamiento de lenguaje natural, nuestros intentos de identificar a los pacientes a partir de notas clínicas no arrojaron resultados sólidos. Esto indica que tanto las diferencias entre pacientes como la variabilidad entre clínicos contribuyen a los desafíos en el diagnóstico y tratamiento de la PCC.

Nuestro estudio resalta la necesidad urgente de una mejor comprensión y pautas más claras respecto a la PCC. Los clínicos que trabajan en entornos de atención primaria necesitan más apoyo y herramientas para reconocer y manejar esta condición con precisión. A medida que la investigación continúa, será importante monitorear el uso del código diagnóstico de PCC para asegurar que los pacientes reciban la atención y el apoyo adecuados que necesitan.