Los sistemas electrónicos de registros médicos (EHR, por sus siglas en inglés) de las grandes e integradas redes de servicios de salud de la actualidad suelen ser vistos como monolíticos, inflexibles, difíciles de usar y costosos de instalar. Casi siempre son obtenidos de vendedores comerciales y requieren considerable tiempo, dinero y asistencia para implementarse.

Los sistemas más populares suelen construirse alrededor de tecnologías subyacentes más antiguas, y eso muchas veces se nota al momento de usarlos. Muchos proveedores de servicios de salud consideran que estos sistemas son complejos y difíciles de navegar, y es raro que el sistema EHR se ajuste a sus procesos de atención preferidos.

Conforme las redes de entrega crecen y despliegan amplias plataformas de EHR a nivel de empresa, el desafío de hacer que estas ayuden a los médicos, en lugar de entorpecer su trabajo, se está incrementando. El conocimiento del personal médico se extiende mucho más allá de su dominio clínico –lo que incluye conocimiento de los procesos de cuidado, de los pacientes y los procesos administrativos– y es raro que los EHR puedan capturar todo ello con eficiencia o que lo vuelvan fácilmente disponible. Más aun, en los Estados Unidos, los requisitos de los ciclos regulatorios, de facturación y de ingresos incrementan la complejidad del flujo de trabajo electrónico en los servicios de salud y reducen aún más el tiempo que el personal clínico tiene para atender a los pacientes.

Las opciones para reducir este desalineamiento entre sistemas y procesos son limitadas. Una es diseñar sistemas de EHR que estén más integrados y simplificados desde el inicio. Por ejemplo, One Medical, empresa de servicios de salud personalizados a nivel nacional, desarrolló su propio sistema de EHR para que estuviera alineado con la atención y prácticas de relaciones con los pacientes que utiliza. Aunque los sistemas a la medida parecen adaptarse mejor a los flujos de trabajo clínico, son difíciles y consumen mucho tiempo para desarrollarse (One Medical necesitó 10 años para construir su sistema). Construir un sistema desde cero o personalizar uno comercial probablemente no funcionaría para las grandes redes de distribución de contenidos.

Usar un EHR de código abierto es una segunda opción. Sin embargo, la mayoría de los actuales están diseñados para clínicas pequeñas y requerirían una instalación substancial. Además, incluso aunque el software es gratuito, se requiere una significativa cantidad de programación e infraestructura de tecnologías de la información para adaptarlo a la empresa. Más aun, los EHR de código abierto reciben menos mantenimiento y se actualizan en forma menos frecuente que los comerciales, por lo que pueden volverse obsoletos con rapidez.

IA como opción

Una tercera y más prometedora opción es el usar inteligencia artifical (IA) para hacer que los sistemas de EHR sean más flexibles e intuitivos. Algunas redes, muchas veces en colaboración con su vendedor de plataforma EHR, están haciendo esfuerzos en esta dirección. Las capacidades de IA para las EHR son relativamente estrechas actualmente, pero podemos esperar que mejoren en el futuro cercano. Algunas de estas habilidades de IA incluyen:

Extracción de texto libre: Los proveedores ya pueden extraer datos de los faxes en One Medical. Adicionalmente, Amazon Web Services recientemente anunció un servicio basado en la nube que usa IA para extraer y ordenar datos de notas clínicas.

Algoritmos predictivos y diagnóstico: Google está colaborando con redes de contenido para construir modelos predictivos a partir de datos masivos para advertir al personal clínico de condiciones de alto riesgo, como la sepsis y las fallas cardiacas. Google, Enlitic y una variedad de startups están desarrollando algoritmos de interpretación de imágenes con IA. Jvion ofrece una “máquina de éxito clínico” que identifica a los pacientes con mayor riesgo, además de aquellos que tienen más probabilidades de responder a los protocolos de tratamiento. Todos ellos podrían integrarse a los EHR para brindar respaldo a las decisiones.

Documentación clínica e ingreso de datos: Capturar notas clínicas con procesamiento de lenguaje natural le permite al personal clínico enfocarse en sus pacientes, en lugar de teclados y pantallas. Nuance ofrece herramientas respaldadas en IA que se integran con los EHR comerciales, para dar soporte a la recolección de datos y composición de notas clínicas.

Apoyo a decisiones clínicas: En el pasado el soporte de decisiones que recomienda estrategias de tratamiento, era genérico y basado en reglas. Actualmente están emergiendo soluciones de aprendizaje de las máquinas, incluidos IBM Watson, Change Healthcare y AllScripts, que aprenden basadas en nuevos datos y permiten una atención más personalizada.

Aunque la IA está siendo aplicada en sistemas EHR principalmente para mejorar la extracción de datos y personalizar las recomendaciones de tratamiento, tiene un gran potencial para hacer que los EHR sean más amigables con los usuarios. Esta es una meta fundamental, ya que los EHR son complicados para usar y suelen ser citados como un factor que contribuye al agotamiento del personal clínico. Hoy, personalizar los EHR para que sea más fácil usarlos es generalmente un proceso manual, y la rigidez de los sistemas obstaculiza su mejora. La IA, y específicamente el aprendizaje de las máquinas, podrían ayudar a los EHR a adaptarse continuamente a las preferencias de los usuarios, mejorando tanto los resultados médicos como la calidad de vida del personal clínico.

Para ser efectivas, todas estas capacidades necesitan estar muy integradas con los EHR. La mayoría de las opciones actuales de IA están “encapsuladas” como ofertas por aparte y no brindan tanto valor como las integradas, además de que obligan a médicos con presiones de tiempo a aprender el uso de nuevas interfaces. Sin embargo, los principales vendedores de EHR están comenzando a añadir capacidades de IA para hacer que sus sistemas sean más fáciles de usar. Las firmas están añadiendo capacidades como el procesamiento de lenguajes naturales, aprendizaje de máquinas para el soporte de decisiones médicas, integración con tecnologías de salud a distancia y análisis automatizado de imagen. Esto brindará interfaces integradas y acceso a los datos contenidos en el sistema, entre otros beneficios –aunque probablemente sucederá con lentitud–.

Thomas H. Davenport es profesor en Babson College, investigador en la MIT Initiative on the Digital Economy y consejero sénior en Deloitte Analytics. Tonya M. Hongsermeier es vicepresidenta y jefa de información médica en Lahey Health. Kimberly Alba McCord es candidata doctoral en el Institute for Epidemiology and Biostatistics del University Hospital en Basel, Suiza.