Aseguru konpainien eta ospitaleen arteko gatazka, datu kontua

Tokian tokiko

Pazienteei buruzko informazioa biltzean hainbat datu sortzen dira, eta osasun langileek egunero kudeatu behar dituzte datu horiek. Datuok zuzen prozesatzeak eta aztertzeak osasun langileei lagun diezaieke kasu larrienak zehazten eta horiei aurrea hartzen eta, hala, larrialdi zerbitzuetan ospitaleratzeen kudeaketa hobetuko litzateke. Osasun zerbitzuak pribatuak diren herrialdeetan –Txilen, adibidez–, nahiz eta osasun txostenak digitalizatzeari esker ospitaleek pazienteen askotariko aldagai fisiologikoen erregistroekin datu baseak sortzeko gaitasuna izan, datu base horietatik ospitaleratzeak optimizatzeko informazio egokia atera ahal izanez gero bakarrik gutxituko lirateke aseguru konpainien eta ospitaleen arteko gatazkak.

Pazienteen larritasuna zehaztu ahal izateko, Asier Garmendia Mujika ikertzaileak, UPV/EHU Adimen Konputazionalaren taldeko kideekin batera, adimen konputazionalean oinarritutako sistema bat garatu zuen, Santiagoko José Joaquín Aguirre Txileko Unibertsitateko Ospitale Klinikoan ospitaleratutako pertsonen balio fisiologikoen milaka analisi erabilita. Ikerketa hori doktorego tesi honetan ageri da: “Contributions from computational intelligence to health care data processing” (Adimen konputazionala osasun arloko datu base batzuk prozesatzeko); zuzendaria Manuel Graña Romay izan zen, UPV/EHUko talde horretako ikertzaile nagusia.

aseguru etxeek
1. irudia: Datuok zuzen prozesatzeak eta aztertzeak osasun langileei lagun diezaieke kasu larrienak zehazten eta horiei aurrea hartzen eta, hala, larrialdi zerbitzuetan ospitaleratzeen kudeaketa hobetuko litzateke. (Argazkia: ArtisticOperations – Pixabay lizentziapean. Iturria: pixabay.com)

Tesia 2016an aurkeztu zuen, eta Txileko Unibertsitateko CEINE ikertaldearen laguntza izan zuen. Hauxe azaldu du Garmendiak: “Azterketa honetako datu baseetako bat 101.500 pazienteren datuekin osatu da; paziente horiek larrialdi zerbitzuetara joan ondoren alta jaso zuten, baina egun batzuen ostean ospitalera itzuli eta ingresatu egin behar izan zituzten”.

Azterketa hiru gertakariren kalkuluan oinarritu zen

  • larrialdi zerbitzuetan onartzea, hau da, pazienteak lehen aldiz larrialdi zerbitzuetara joan ziren unea;
  • bigarrenik, gehienez 30 egun baino lehen larrialdi zerbitzuetara itzuli ziren pazienteak berriro onartzea (3 egunera, 7 egunera, 15 egunera eta hilabete batera itzuli zirenen artean banatuta),
  • eta, azkenik, ospitaleratzea, hau da, denbora tarte horretan itzuli ziren pazienteak, eta ospitaleratu zituzten edo ez.

Baina zergatik da beharrezkoa hori egitea? “Imajina ezazu larrialdi zerbitzuetara joaten zarela zerbait gertatu zaizulako. Alta ematen dizute, eta hiru egun gabe berriz ere itzultzen zara eta ingresatu egin behar zaituzte. Hori onartze fasean akats bat egon delako izan daiteke. Beharbada, aurretik ingresatu behar zintuzten. Osasun zerbitzuak pribatuak diren lekuetan –Txilen, adibidez– aseguru konpainien eta ospitaleen artean gatazkak egoten direlako gertatzen dira horrelako kasuak. Aseguru konpainiek ospitaleen akatsa dela uste dute, eta gastu hori ez dute beren gain hartu nahi izaten, eta horrek ondorio zuzenak sortzen ditu ospitaleratzeetan eta pazienteei ematen zaien arretan”.

Detekzio goiztiarrerako eredua

Aztertu beharreko datuetan zenbait aldagai fisiologiko biltzen ziren, besteak beste, tenperatura, bihotz maiztasuna, arnas maiztasuna, odoleko oxigeno asetasuna, odol presioa, parametro biomedikoak –adibidez, glukosa maila– eta beste datu pertsonal batzuk, hala nola generoa, bizilekua eta adina. Laginketa bi taldetan banatu zen: helduak eta pediatriako pazienteak, hau da, 15 urte baino gutxiagokoak. “Umeen datuak askoz ere aldakorragoak direlako egin zen horrela. Umeek, adibidez, sukar handiagoa izaten dute, eta datuak aurreikustea zailagoa da”. Pazienteak larrialdi zerbitzuetara joateko arrazoiak ere jaso zituzten.

Datu horiek eskuz jaso zituzten 2013ko urtarriletik 2016ko apirilera bitarte, horrek dituen zailtasun guztiekin. Adimen konputazionaleko algoritmoen bidez, larrialdi zerbitzuetara joandako pazienteei alta eman behar zitzaien edo ingresatu egin beharko ziren aurreikusten saiatu ziren.

aseguru etxeek
2. irudia: Algoritmoak detektatu zuen aztertutako denbora tarteetan alta jaso zuten hamar pazientetik sei ospitaleratuak izan behar zirela. (Argazkia: Engin_Akyurt – Pixabay lizentziapean. Iturria: pixabay.com)

Horri dagokionez, arazoa zen lehenengo kontsultan alta jaso zuten paziente batzuk larrialdi zerbitzuetara itzultzen zirela denbora bat igaro ostean, eta une horretan ospitaleratzen zituztela. “Ezberdintasun handia dago umeen eta helduen artean; izan ere, zailagoa da umeekin zer gertatuko den aurreikustea. Adibidez, hiru eta zazpi egun artean kontsultara itzultzen ziren helduen % 5,7 ospitaleratzen ziren, eta paziente pediatrikoen % 14,7”.

Datuen boterea

Ikerketa horretako arazoetako bat datuak paperean hartzea izan zen. Izan ere, eremu asko hutsik edo guztiz bete gabe geratzen ziren, informazioa jasotzean akatsak egiten ziren eta zailtasunak izan zituzten zenbakien bidez adierazi ezin ziren datu batzuk kodifikatzeko, adibidez, pazienteak onartzeko arrazoiak. “Pazienteak onartzeko arrazoien artean 500 baino gehiago zeuden, eta horiek guztiak modu eraginkorrago batean multzokatzen eta kodifikatzen saiatu ginen. Lehenengo arrazoia, % 25 eta % 30 artean, arrazoi zehaztugabea zen, eta “beste bat” izenaren barruan jasotzen zen.

Akatsak eta datuak jasotzean zailtasunak egon arren, azterketa horrekin medikuentzako eredu erabilgarri bat sortu zen, diagnostiko hobeak egiteko eta ospitaleratzeen kudeaketa optimizatzeko. Algoritmoen zehaztasun maila % 60 izan zen, hau da, “algoritmoak detektatu zuen aztertutako denbora tarteetan alta jaso zuten hamar pazientetik sei ospitaleratuak izan behar zirela”.

Orain arte eredua ez da ezein ospitaletan ezarri, baina lehen urratsa izan daiteke adimen konputazionala mundu osoko osasun profesionalentzako tresna gisa erabiltzeko; izan ere, “garatutako iragarpen sistemak edozein ospitaletan eta herrialdetan aplika daitezke”, nabarmendu du Garmendiak.

Hala ere, bide horretan aurrera egiteko, garrantzitsua da datu kualitatiboak modu eraginkorrean kodifikatzeko irizpideak ezartzea. Modu horretan, informazio baliagarria eskuratu ahal izango da osasun egoerari buruz, eta informazioa boterea da. Paziente bat ospitalera itzultzeko arrazoiak jakitea ezinbestekoa da pazienteari eta osasun sistemari kostu ekonomikoak eragozteko, pazienteei ematen zaien arreta hobetzeko eta aurretiazko patologia batek okerrera egin ez dezan.

Etorkizunean, “osasun kudeaketako sistemetan konputazioan oinarritutako aurreikuspen ereduak ezarrita eta ospitalera joateko arrazoiak zuzen sailkatuta, alde batetik, hobeto kudeatuko dira osasun zerbitzuetako baliabideak eta, beste alde batetik, gaur egun aseguru konpainiekin gertatzen diren egoerak eragotziko lirateke. Izan ere, gaur egun ez dituzte ospitaleratzeen gastuak beren gain hartzen, esaten dutelako ospitalearen zabarkeria izan dela lehenengo kontsultan alta eman zaiolako”.

Erreferentzia bibliografikoa:

Garmendia, A., Graña, M., Lopez-Guede, J.M., Rios, S. (2017). Predicting Patient Hospitalization after Emergency Readmission. Cybernetics and Systems-An International Journal, 48(3), 182-192. DOI: 10.1080/01969722.2016.1276772.

Ikertzaileaz:

Asier Garmendia Mujika, ingeniaria da eta UPV/EHUko Adimen Konputazionaleko ikertaldeko kidea. Unibertsitate bereko Ingeniaritza Mekanikoko Saileko irakaslea da.


Egileaz:

Maria Larumbe kazetaria da.

Utzi erantzuna

Zure e-posta helbidea ez da argitaratuko..