Hacia la Integración de Puntuaciones de Riesgo Polisocial Potenciadas por Aprendizaje Automático en Flujos de Trabajo...

Área de la Ciencia:

• Informática de la Salud
• Salud Pública
• Aprendizaje Automático en Salud

Sus antecedentes:

• Los determinantes sociales de la salud (SDOH) influyen significativamente en las disparidades de salud, y el 80% de los factores modificables provienen de necesidades sociales.
• Los sistemas de atención médica son fundamentales para abordar estas necesidades sociales no satisfechas para mejorar los resultados de salud de los pacientes.
• Las herramientas existentes para gestionar el riesgo social en entornos clínicos requieren una mayor integración en los flujos de trabajo de atención médica.

Objetivo del estudio:

• Desarrollar e iniciar la integración de un pipeline de aprendizaje automático basado en registros médicos electrónicos (EHR) para identificar y gestionar las necesidades sociales de los pacientes.
• Cuantificar el riesgo social utilizando una puntuación de riesgo polisocial para ayudar a los proveedores de atención médica a priorizar las intervenciones.
• Sentar las bases para un proceso de diseño centrado en el usuario para mejorar la evaluación del riesgo social y la implementación de intervenciones dentro de los flujos de trabajo clínicos.

Principales métodos:

• Se desarrolló un pipeline de aprendizaje automático basado en EHR para identificar necesidades sociales relacionadas con el riesgo de hospitalización.
• Se creó una puntuación de riesgo polisocial para cuantificar el riesgo social del paciente.
• Se llevaron a cabo sesiones de diseño participativo con proveedores de atención médica y trabajadores sociales basadas en principios de diseño centrado en el usuario (UCD) para integrar el modelo en los flujos de trabajo de EHR.

Principales resultados:

• Se inició con éxito la integración de un modelo predictivo para la evaluación del riesgo social en los flujos de trabajo de los EHR.
• Se estableció una base para mejorar la identificación del riesgo social y la priorización de intervenciones a través de una puntuación cuantitativa de riesgo polisocial.
• Se demostró la viabilidad de utilizar el diseño participativo para cerrar la brecha entre la modelización predictiva y la aplicación clínica.

Conclusiones:

• La integración de herramientas de evaluación de riesgos sociales basadas en aprendizaje automático en los EHR es crucial para abordar los SDOH.
• Los enfoques de diseño centrado en el usuario son esenciales para la implementación exitosa de modelos predictivos en la práctica clínica.
• Este trabajo preliminar apoya el desarrollo de estrategias integrales para gestionar las necesidades sociales y reducir las disparidades en salud.