Tratamiento empírico y estimaciones de probabilidad antes y después de una intervención de un sistema de apoyo a la...

Área de la Ciencia:

• Informática Médica
• Enfermedades Infecciosas
• Apoyo a la Decisión Clínica

Sus antecedentes:

• La resistencia a los antimicrobianos presenta un desafío significativo para equilibrar la atención al paciente y la salud pública.
• Los sistemas de apoyo a la decisión computarizados basados en aprendizaje automático (ML-CDSS) son herramientas emergentes para ayudar a los médicos en la prescripción de antibióticos.
• Se requiere una evaluación de la toma de decisiones de los médicos en escenarios comunes de infección bacteriana versus viral.

Objetivo del estudio:

• Evaluar la toma de decisiones de los médicos en el diagnóstico de infecciones bacterianas vs. virales utilizando un escenario común.
• Evaluar el impacto de un ML-CDSS hipotético en las decisiones diagnósticas y de tratamiento de los médicos.
• Comprender cómo la incertidumbre clínica influye en el comportamiento de prescripción de antibióticos.

Principales métodos:

• Se administró una encuesta en línea basada en escenarios a 211 médicos, principalmente pediatras.
• Los participantes evaluaron cuatro escenarios de dolor de garganta basados en la puntuación de McIsaac, estimando la probabilidad de infección bacteriana y las estrategias de tratamiento.
• Estas evaluaciones se realizaron tanto antes como después de las intervenciones simuladas de ML-CDSS que proporcionaron resultados de probabilidad de infección bacteriana.

Principales resultados:

• Los médicos sobreestimaron consistentemente las probabilidades de infección bacteriana y prescribieron en exceso antibióticos empíricos en todos los escenarios.
• Las intervenciones de ML-CDSS impactaron significativamente las estimaciones de probabilidad, reduciéndolas hasta en 14 puntos porcentuales.
• La intervención de ML-CDSS redujo las probabilidades de prescripción de antibióticos en un factor de 0.42.

Conclusiones:

• La sobreestimación de las infecciones bacterianas y la posterior sobreprescripción de antibióticos son prevalentes, particularmente en situaciones clínicas inciertas.
• Las intervenciones de ML-CDSS demostraron una capacidad para mitigar estas tendencias de prescripción en un entorno simulado.
• Los hallazgos respaldan el desarrollo y la integración de ML-CDSS en la atención primaria, pendientes de validación clínica y consideraciones políticas.