Mejorando la atención médica infantil con un modelo de triaje inteligente

Las tasas de mortalidad infantil han disminuido significativamente desde los años 90, especialmente entre los niños mayores. Sin embargo, muchos niños menores de cinco años todavía mueren, sobre todo en países de bajos y medianos ingresos como los de África subsahariana y el sur de Asia. En 2020, cinco millones de niños menores de cinco años murieron por diversas enfermedades, siendo una gran parte recién nacidos que sufrían de infecciones. Las causas más comunes de muerte incluyen diarrea, infecciones respiratorias, meningitis y malaria.

La sepsis, una respuesta grave a infecciones, provoca muchas visitas al hospital en áreas de pocos recursos. Hacer un buen triaje, que es la clasificación rápida y efectiva de los pacientes, es crucial. Esto ayuda a identificar los casos más críticos desde el principio y les da prioridad. Muchas muertes en hospitales ocurren dentro de las primeras 24 horas, por lo que la atención rápida es esencial.

Para ayudar en este proceso, la Organización Mundial de la Salud creó pautas llamadas Evaluación y Tratamiento de Triage de Emergencia (ETAT). Estas pautas ayudan al personal a evaluar y tratar a niños enfermos en hospitales con recursos limitados. Sin embargo, implementar ETAT puede ser complicado. Requiere mucho entrenamiento y conocimiento, lo cual puede ser difícil de mantener en hospitales ocupados donde hay alta rotación de personal.

Una solución es crear herramientas electrónicas que usen datos para ayudar a priorizar la atención al paciente. Un ejemplo es el modelo Smart Triage, que mira nueve factores para determinar el riesgo en los niños enfermos. Sin embargo, estos modelos necesitan ser probados en diferentes entornos para asegurarse de que funcionen de manera efectiva en todas partes.

#La Importancia de Probar los Modelos

Los modelos de predicción pueden ayudar a tomar decisiones informadas en atención médica. Antes de usar estos modelos en entornos hospitalarios reales, deben ser probados para confirmar que funcionan fuera de su entorno inicial. Este proceso se conoce como validación externa. Ayuda a asegurar que las predicciones del modelo sean confiables y aplicables a diversas poblaciones.

La validación externa puede evaluar si un modelo necesita ajustes según los nuevos datos que encuentra. A veces, usar los mismos factores del modelo original puede ayudar a mantener su capacidad predictiva. Por lo tanto, es importante adaptar los modelos existentes para que se ajusten a nuevos contextos.

Se pueden usar dos métodos para evaluar modelos de predicción: validación geográfica y segmentación de datos. En un estudio reciente, el modelo Smart Triage fue probado usando datos de varios hospitales en Uganda y Kenia. Se observaron diferentes grupos de edad para ver qué tan bien funcionaba para cada grupo. Dado que la edad juega un papel crítico en los riesgos de salud, los investigadores buscaron evaluar la precisión del modelo centrándose en los pacientes más jóvenes, especialmente los recién nacidos.

El período Neonatal es conocido por tener el riesgo más alto debido a varios factores. El estudio pretendía crear un modelo específico para este grupo de edad actualizando cuidadosamente el existente.

#Diseño del Estudio y Recolección de datos

El modelo Smart Triage fue desarrollado inicialmente basado en un estudio realizado en un hospital importante en Uganda. Atiende a muchos pacientes diariamente y funciona de manera similar a los departamentos de emergencias en países más ricos. Con el tiempo, el modelo fue probado en otros hospitales de Uganda y Kenia. Se obtuvo aprobación ética para todos los lugares para asegurar que el estudio cumpliera con los estándares éticos.

La recolección de datos involucró enfermeras capacitadas recopilando información de salud de niños que buscaban tratamiento. Este proceso aseguró que se siguieran procedimientos sencillos, facilitando la obtención de datos de salud precisos. Se usaron los mismos métodos en todos los sitios para mantener la consistencia.

El estudio incluyó a niños menores de cinco años que buscaban tratamiento por enfermedades agudas. Sus padres o cuidadores tuvieron que dar su consentimiento, y los niños mayores también tuvieron que dar su asentimiento. Aquellos programados para procedimientos electivos o citas programadas no fueron incluidos en el estudio.

#Medición de Resultados

El objetivo principal del estudio era rastrear los resultados de los pacientes, enfocándose en la admisión hospitalaria por más de 24 horas, readmisiones y tasas de mortalidad. Estos resultados fueron verificados a través de llamadas de seguimiento a los cuidadores después de la inscripción en el estudio.

Además, los investigadores compararon los resultados de los niños más jóvenes (menores de cinco años) con los mayores de seis meses. Los resultados mostraron que los niños más jóvenes tenían una mayor probabilidad de necesitar hospitalización.

#Rendimiento del Modelo Smart Triage

El modelo Smart Triage utiliza una combinación de nueve predictores para evaluar el riesgo, como la edad, la frecuencia cardíaca y la temperatura. Cuando fue probado, el modelo demostró que funcionaba bien en general para niños menores de cinco años, pero su efectividad disminuyó para los grupos más jóvenes, especialmente los recién nacidos. El rendimiento cayó porque los factores que influyen en los riesgos de salud cambian significativamente en los niños más pequeños.

Por ejemplo, cuando el modelo fue probado solo en bebés, sus predicciones se volvieron menos precisas, resaltando la necesidad de un modelo dedicado para este grupo de edad. Los investigadores decidieron actualizar el modelo específicamente para los recién nacidos, enfocándose en los factores que juegan un papel crucial en su salud.

#Actualizando el Modelo para Recién Nacidos

El proceso de actualización del modelo para recién nacidos involucró ajustar los factores clave y probarlos con nuevos datos. Era esencial asegurar que el modelo actualizado estuviera bien calibrado para predecir con precisión los riesgos de salud para este grupo vulnerable.

Después de pasar por varios pasos de ajuste, el modelo mejorado mostró una mejor capacidad predictiva para los recién nacidos en comparación con el original. La capacidad del modelo para distinguir entre casos de alto y bajo riesgo mejoró significativamente.

Al seleccionar nuevos umbrales para las categorías de bajo y alto riesgo, el modelo actualizado permitió a los trabajadores de la salud priorizar efectivamente la atención en casos de emergencia. Identificó correctamente una cantidad significativa de recién nacidos que necesitaban atención urgente.

#Implicaciones Prácticas del Estudio

El modelo Smart Triage actualizado tiene aplicaciones continuas en hospitales de Uganda y Kenia, donde se utiliza para identificar rápidamente a niños gravemente enfermos. Se ha demostrado que el modelo mejora la calidad de la atención y los resultados de los pacientes, además de ser rentable. Su simplicidad lo hace fácil de usar para los proveedores de salud, incluso en condiciones exigentes con recursos limitados.

Aunque el modelo funciona bien en entornos similares, aún necesita más pruebas en diferentes contextos para demostrar su confiabilidad en poblaciones más diversas. Los estudios futuros pueden involucrar probar el modelo en diferentes países o tipos de instalaciones de salud para asegurar que funcione de manera eficiente en varios contextos.

#Fortalezas y Limitaciones

La principal fortaleza de este estudio radica en su gran conjunto de datos de múltiples ubicaciones, lo que proporciona una sólida potencia estadística. El uso de procedimientos estándar para la recolección de datos redujo las posibilidades de información faltante. Sin embargo, el estudio también enfrentó algunas limitaciones, incluyendo el hecho de que todas las ubicaciones hospitalarias estaban en regiones cercanas, lo que puede haber afectado la generalizabilidad de los hallazgos.

Mantener un equilibrio entre la reproducibilidad y la aplicabilidad a diferentes contextos es esencial. El objetivo final es refinar el modelo para asegurar que se pueda usar de manera confiable para mejorar la atención neonatal en entornos de bajos recursos.

El trabajo continuo con el modelo Smart Triage demuestra un compromiso por mejorar la atención médica infantil utilizando métodos científicos para crear herramientas efectivas para los profesionales. A través de la investigación y el desarrollo continuos, hay esperanza de mejorar los resultados para los niños en todo el mundo, especialmente en aquellas áreas que más lo necesitan.