digitalizacion medicina
10 de febrero de 2023

Cómo alcanzar la digitalización de la medicina

Cuando se habla de telemedicina, suele definirse como “el uso de las tecnologías electrónicas de la información y la comunicación para prestar y apoyar la asistencia sanitaria cuando la distancia separa a los actores que participan en el proceso médico”.

En primer lugar, cuando nos referimos a la digitalización de la medicina, debemos recordar que los datos médicos descontextualizados tienen habitualmente poco valor y pueden sesgarnos, por lo que todo dato médico debe interpretarse en un contexto completo centrado en la problemática y las características del paciente.

Model Guided Medicine

Esto es lo que denominamos “Model Guided Medicine” o, en palabras de Claude Bernard (1813-1878), “quien no sabe lo que busca no entiende lo que encuentra”. (1,2)

Definición del flujo de trabajo

Por ende, debemos definir el flujo de trabajo clínico a digitalizar antes de precipitarnos con definir las tecnologías que harán posible la adquisición, el procesamiento, la estructuración, la visualización y la compartición de datos.

Una vez escogido un flujo de trabajo concreto, debemos proceder a su modelización (qué datos, en qué orden y en qué formato son necesarios para realizar el proceso). Por ejemplo, si queremos digitalizar las consultas posquirúrgicas de traumatología, quizás necesitaríamos una foto de la herida, una serie de constantes vitales del paciente que puedan sugerir alguna complicación inmediata como una infección o un hematoma (fiebre, frecuencia cardíaca o tensión arterial), una radiografía posquirúrgica y una serie de datos subjetivos como si el paciente presenta dolor o se encuentra bien.

En el caso de que se analice el periodo posquirúrgico tardío requeriremos de otros datos distintos. Por consiguiente, el contexto del propio proceso también es importante. (3).

Variables para definir el alcance del proyecto

Para definir el alcance del proyecto a realizar conviene concretar las siguientes variables:

    • 1- El tamaño del proceso clínico a digitalizar y el número de agentes (o flujos de trabajo específicos) que intervienen: Puede llevarse a cabo desde una anamnesis autodirigida, como se realiza para armonizar la adquisición de datos en algunos centros, (4) a modelizarse todo un proceso de toma de decisión oncológica multidisciplinar. (5)
    • 2- El análisis de la base de digitalización, de la que partimos usando alguno de los denominados modelos de madurez digital (DMMs): Desde mi punto de vista personal, considero que el Stages in digital business transformation es un modelo eficaz y validado, pero siempre deben añadirse las métricas y parámetros específicos del subdominio a evaluar y emplear estándares de análisis específicos para dichos subdominios. Por ejemplo, para evaluar la digitalización de los EHR podría usarse también la American EMRAM (Electronic Medical Records Adoption Model from HIMSS Analytics), pero siempre bajo el paraguas del modelo general. (6-9)
    • 3- El nivel de digitalización a alcanzar: Objetivos a alcanzar con el proceso de digitalización, definiendo todos los outcomes deseados, pero centrándonos siempre en los clínicos usando métricas ligadas a la salud y el bienestar de las personas y analizando la heterogeneidad y aquellos indicadores validados para predecir outcomes a largo plazo. (10-15)

No existe ninguna guía que pueda estandarizar perfectamente el proceso de implantación de un nuevo modelo de telemedicina, pero el seguir unas guías básicas basadas en la evidencia puede ayudarnos a ejecutar la implementación de una forma más eficiente y medible maximizando el valor de introducir esta nueva forma de practicar la medicina sin perder de vista al paciente y manteniendo la humanidad del proceso asistencial.

Invito al lector a recordar que no existe herramienta digital que pueda solucionar por sí sola los problemas de una organización. El éxito o fracaso de una nueva forma de ejecutar un proceso depende siempre de las personas que participan en él. No te olvides de las necesidades de las personas y de evaluar cómo impactará la nueva solución en el día a día de todos los implicados. El sentido común no se puede protocolizar.

 

Dr. Hugo Herrero Antón de Vez,

Director de Innovación de Alma Medical Imaging

Bibliografía:

  • Lemke HU, Golubnitschaja O. Towards personal health care with model-guided medicine: long-term PPPM-related strategies and realisation opportunities within ‘Horizon 2020’. EPMA J. 2014 May 30;5(1):8. doi: 10.1186/1878-5085-5-8. PMID: 24883142; PMCID: PMC4038822.
  • Weiner, S. J. (2004). Contextualizing Medical Decisions to Individualize Care: Lessons from the Qualitative Sciences. Journal of General Internal Medicine, 19(3), 281. https://doi.org/10.1111/J.1525-1497.2004.30261.X
  • Fabrés Martín C, Ventura Parellada C, Herrero Antón de Vez H, Ordoñez Urgiles CE, Alonso-Rodríguez Piedra J, Mora Guix JM. Telemedicine approach for patient follow-up after total knee and reverse total shoulder arthroplasty: a pilot study. Int J Comput Assist Radiol Surg. 2022 Nov 23:1–8. doi: 10.1007/s11548-022-02784-z. Epub ahead of print. PMID: 36422767; PMCID: PMC9686457.
  • Sommer KK, Amr A, Bavendiek U, Beierle F, Brunecker P, Dathe H, Eils J, Ertl M, Fette G, Gietzelt M, Heidecker B, Hellenkamp K, Heuschmann P, Hoos JDE, Kesztyüs T, Kerwagen F, Kindermann A, Krefting D, Landmesser U, Marschollek M, Meder B, Merzweiler A, Prasser F, Pryss R, Richter J, Schneider P, Störk S, Dieterich C. Structured, Harmonized, and Interoperable Integration of Clinical Routine Data to Compute Heart Failure Risk Scores. Life (Basel). 2022 May 18;12(5):749. doi: 10.3390/life12050749. PMID: 35629415; PMCID: PMC9147139.
  • Cypko MA, Stoehr M, Kozniewski M, Druzdzel M, Dietz A, Berliner L, Lemke HU. Validation workflow for a clinical Bayesian network model in multidisciplinary decision making in head and neck oncology treatment. Int J Comput Assist Radiol Surg, 2017, 12(11):1959-1970.
  • Berghaus, S., Back, A.: Stages in digital business transformation: results of an empirical maturity study. In: MCIS, p. 22 (2016).
  • Thordsen, T., Murawski, M., & Bick, M. (2020). How to Measure Digitalization? A Critical Evaluation of Digital Maturity Models. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 12066 LNCS, 358–369. https://doi.org/10.1007/978-3-030-44999-5_30/TABLES/3
  • Kharrazi H, Gonzalez CP, Lowe KB, Huerta TR, Ford EW. Forecasting the Maturation of Electronic Health Record Functions Among US Hospitals: Retrospective Analysis and Predictive Model. J Med Internet Res. 2018 Aug 7;20(8):e10458. doi: 10.2196/10458. PMID: 30087090; PMCID: PMC6104443.
  • Kotarba, M. (2017). Measuring Digitalization-Key Metrics. Foundations of Management, 9(1), 123–138. https://doi.org/10.1515/FMAN-2017-0010.
  • Payne, K., McAllister, M., & Davies, L. M. (2013). Valuing the economic benefits of complex interventions: when maximising health is not sufficient. Health Econ, 22(3), 258–271. https://doi.org/10.1002/hec.2795
  • Briggs, A. D. M., Wolstenholme, J., Blakely, T., & Scarborough, P. (2016). Choosing an epidemiological model structure for the economic evaluation of non-communicable disease public health interventions. Population Health Metrics, 14(1), 1–12. https://doi.org/10.1186/S12963-016-0085-1/TABLES/2
  • Dronavalli, M., & Thompson, S. C. (2015). A systematic review of measurement tools of health and well-being for evaluating community-based interventions. Journal of Epidemiology and Community Health, 69(8), 805–815. https://doi.org/10.1136/JECH-2015-205491
  • Villanti, A. C., Jiang, Y., Abrams, D. B., & Pyenson, B. S. (2013). A cost-utility analysis of lung cancer screening and the additional benefits of incorporating smoking cessation interventions. PloS One, 8(8), e71379. https://doi.org/10.1371/journal.pone.0071379
  • Kim, D. D., & Basu, A. (2017). New Metrics for Economic Evaluation in the Presence of Heterogeneity: Focusing on Evaluating Policy Alternatives Rather than Treatment Alternatives. Medical Decision Making : An International Journal of the Society for Medical Decision Making, 37(8), 930–941. https://doi.org/10.1177/0272989X17702379
  • Pataky, R. E., Bryan, S., Sadatsafavi, M., Peacock, S., & Regier, D. A. (2022). Tools for the Economic Evaluation of Precision Medicine: A Scoping Review of Frameworks for Valuing Heterogeneity-Informed Decisions. PharmacoEconomics, 40(10), 931–941. https://doi.org/10.1007/S40273-022-01176-0