Estrategias para incorporar modelos de predicción en los flujos de trabajo de toma de decisiones clínicas

Área de la Ciencia:

• La informática clínica es la informática clínica.
• Servicios de salud Servicios de salud Investigación Investigación.
• La inteligencia artificial en la medicina.

Sus antecedentes:

• El aprendizaje automático (ML) y las herramientas de predicción estadística se desarrollan cada vez más para aplicaciones de atención médica.
• A pesar de los avances, traducir estas herramientas en la práctica clínica de rutina y lograr un impacto sostenido sigue siendo un desafío significativo.
• La evidencia existente sobre la implementación en el mundo real de estos modelos es fragmentada.

Objetivo del estudio:

• Para sintetizar la evidencia empírica sobre la incorporación de modelos de predicción en la toma de decisiones de rutina en el cuidado de la salud.
• Identificar las lecciones aprendidas para los equipos de implementación con respecto al despliegue exitoso de estas herramientas.
• Analizar las barreras y facilitadores que influyen en el impacto clínico de los modelos de predicción.

Principales métodos:

• Se empleó una metodología de revisión narrativa, buscando en las principales bases de datos (PubMed, Embase, Web of Science, IEEE Xplore) y revistas de informática de 2010 a 2025.
• Se incluyeron estudios centrados en el despliegue en el mundo real de modelos de predicción multivariables e informes sobre los resultados de la implementación.
• La síntesis de la evidencia se centró en modelos para la detección de la sepsis, el deterioro del paciente, la readmisión hospitalaria y el triaje de emergencia.

Principales resultados:

• Las estrategias de incorporación exitosas involucraron el co-diseño de las partes interesadas, la selección cuidadosa de umbrales, la capacitación integral y el monitoreo continuo del rendimiento.
• Un modelo de sepsis de aprendizaje profundo (COMPOSER) demostró una reducción de la mortalidad hospitalaria y una mejor adherencia a las pautas.
• Las barreras clave incluyeron problemas de integración del flujo de trabajo, fatiga de alerta, falta de transparencia del modelo, problemas de calidad de los datos y gobernanza inadecuada.

Conclusiones:

• Los modelos de predicción proporcionan valor cuando se integran a través de sistemas de apoyo a la decisión clínica bien diseñados, adheridos al marco de los "Cinco Derechos".
• La gobernanza multidisciplinaria, el monitoreo riguroso y la capacitación clínica son cruciales para generar confianza y garantizar el uso efectivo del modelo.
• Los equipos de implementación deben priorizar la calibración y las métricas de utilidad de la decisión, junto con la gobernanza del ciclo de vida del modelo, para una integración clínica exitosa.