Resumen de Unwarranted variations in healthcare: the role of business intelligence
La atención sanitaria es uno de los sectores más importantes que afecta a todos los ámbitos de la sociedad. En la actualidad existe una preocupación creciente por las enfermedades crónicas, el envejecimiento de la población y una mayor movilidad de los profesionales de la atención sanitaria, lo que acentúa la necesidad de políticas de gestión que mejoren la disponibilidad y la calidad del sistema de atención sanitaria. Por otro lado, se sabe que en los sistemas de atención sanitaria existen variaciones en la prestación de servicios conocidas como variaciones no justificadas. Estas son variaciones que no se explican por las necesidades o preferencias de los pacientes. La existencia de tales variaciones indica que no se ha brindado la mejor atención o que los recursos no se han aplicado adecuadamente en las organizaciones de atención sanitaria. La detección adecuada de las variaciones injustificadas necesita dos requisitos importantes: primero, acceso a una base de datos de calidad y segundo, ajustes en el riesgo fiables. Estos aspectos son aún más cruciales cuando se pasa de niveles de análisis macro a niveles micro. Business Intelligence (BI) proporciona una herramienta importante para solventar los requisitos anteriores. Por ello, en esta tesis doctoral se desarrollan cinco estudios articulados en tres fases.
En la primera fase, se evalúan las variaciones relacionadas con la atención médica en las diferentes provincias españolas. Se analizan la duración promedio de la estancia hospitalaria, las tasas de mortalidad, las tasas de reingreso y las tasas de infección adquiridas en el hospital de los pacientes. Las tasas se obtuvieron a partir de los datos administrativos de los hospitales públicos españoles para pacientes no quirúrgicos diagnosticados con enfermedades en seis categorías diagnósticas principales. Estas tasas se han ajustado según el sexo, la edad, el tipo de ingreso, la gravedad de la enfermedad y el peso de la combinación de casos. Las tasas ajustadas se han utilizado como entrada para un proceso de agrupación en dos pasos. Los resultados demuestran que el patrón de rendimiento por tipo de categoría de diagnóstico es similar para los tres grupos. Esto sugiere que los factores influyentes son comunes y que los responsables de la toma de decisiones en la atención de la salud deberían prestar más atención a las actuaciones específicas sobre los indicadores que a las actuaciones específicas de la enfermedad. A continuación, se analizan los factores que influyen en las hospitalizaciones potencialmente evitables. Las tasas de hospitalización ajustadas se evaluaron para tres afecciones sensibles a la atención ambulatoria comunes, conocidas como responsables de admisiones potencialmente evitables. Los hallazgos muestran que la consulta con los médicos generales se asocia con menos hospitalizaciones para las tres condiciones. Además, las consultas a los especialistas per cápita y la proporción de personas que visitan a los especialistas se asocia con una reducción de las hospitalizaciones en dos de las condiciones. Esto es un indicio de que la atención primaria no se puede responsabilizar únicamente de todas las hospitalizaciones evitables.
En la segunda fase, se presenta un modelo de madurez integral que sugiere las líneas prioritarias a seguir para desarrollar progresivamente una solución de BI. Se demuestra que la implementación exitosa de BI es un camino evolutivo y complejo. El desarrollo de un modelo de este tipo para salud, proporciona a los gestores medios para su implementación evolutiva.
Finalmente, la tercera fase está enfocada a un análisis avanzado que puede integrarse en los sistemas de BI y respaldar así las investigaciones en variaciones injustificadas. Primero se desarrolla un algoritmo novedoso de Association Rules Mining (ARM) llamado Length-Sort que puede descubrir las reglas de asociación entre factores de longitud máxima de manera más eficiente. La mejora de la eficiencia permite el análisis de grandes conjuntos de datos de salud. A continuación, se demuestra la aplicación del algoritmo Length-Sort a una base de datos (QOF) de salud del Reino Unido que contiene información sobre las prácticas generales en términos de varios indicadores basados en la evidencia. Los resultados muestran que la ARM y, en particular, el algoritmo Length-Sort, puede ser una alternativa a los métodos tradicionales de ajuste de riesgo, especialmente en los niveles de análisis más detallados.
