Constantemente se señala que la Salud Pública presenta deficiencias ligadas a la gestión de sus pocos recursos. Los factores son multisectoriales, así como también sus soluciones. Es en este último punto donde creemos que las ciencias tienen mucho que aportar. Como una forma de avanzar en soluciones en algunos de los procesos de gestión más relevantes, realizamos un estudio que, combinando inteligencia artificial y enfoques cualitativos de investigación, propone incorporar la predicción del ausentismo en la gestión de la agenda médica, considerando técnicas de aprendizaje de máquinas.
Esto, porque solicitar una cita médica y no presentarse genera pérdidas en tiempo y recursos para el sistema de salud, sobre todo en hospitales del sector público. Según el Reporte Estadístico Mensual 2019 del Ministerio de Salud, el 19% de las consultas médicas de especialidad se pierden en Chile debido al ausentismo sin aviso de los pacientes, lo que a nivel nacional es aproximadamente 1.400.000 inasistencias anuales. En jerga hospitalaria este fenómeno se conoce como NSP (el paciente “No Se Presenta”), y genera cuantiosas pérdidas económicas para el Estado, pero aún más relevante es la pérdida de adhesión a los tratamientos y consecuente impacto en la salud del paciente, una baja en satisfacción usuaria por aumento de tiempos de espera, el costo de oportunidad del hospital al no recibir el pago de esa hora, y la pérdida del tiempo del profesional que los atiende.
La solución tecnológica propuesta se configuró como una herramienta informática que, analizando la data de las citas y el comportamiento histórico de los pacientes a horas de las especialidad agendadas, predice su comportamiento, y propone una lista de pacientes a contactar, a lo que luego se pueden aplicar de manera priorizada acciones preventivas para mitigar estas posibles ausencias.
La validación de esta solución tecnológica se realizó mediante un diseño experimental que se implementó en tres instituciones públicas de salud. Durante tres meses se analizaron un total de 18.000 citas médicas y se cuantificó la capacidad mitigadora del ausentismo de pacientes identificados por las máquinas predictoras como posibles NSP utilizando tres tipos de intervenciones: llamada telefónica, mensaje de WhatsApp y mensaje de texto. Además, para poder comprender mejor el comportamiento de los pacientes que no se presentaban a las citas médicas, se realizaron entrevistas telefónicas a aquellos pacientes que no asistieron a la cita a pesar de que habían sido avisados y a pacientes que sí asistieron a la cita médica para así poder ver patrones de datos.
Los resultados evidenciaron una disminución significativa del ausentismo al ejecutar estrategias de mitigación en conjunto con la identificación de las citas susceptibles de ausentismo mediante la aplicación de esta solución tecnológica. Por medio de esta intervención, se pudo reducir en 6,1 puntos porcentuales el ausentismo (de 20,3% a 14,2%), constatando una mayor capacidad de mitigación a través de los llamados telefónicos realizados por un operador humano, la cual logró una reducción porcentual promedio de un 7,8%, mientras que las estrategias recordatorias basadas en mensaje de texto y WhatsApp lograron una reducción de alrededor de 5,4 puntos porcentuales.
También se identificaron cuatro grandes motivos relacionados con la ausencia de los pacientes a las citas médicas. Primero, motivos de salud que les impedía asistir a la cita médica (36,4%), donde no asistían por contagio COVID-19 o por estar hospitalizados el mismo día que les habían asignado la hora médica. Segundo, motivos de responsabilidad individual (32,7%), los cuales hacen referencia a situaciones personales que le impidieron asistir a la cita médica (por ejemplo, conflictos personales u olvidar la cita médica, entre otros). Tercero, motivos relacionados con compromisos laborales de los pacientes (16,4%), los cuales aluden a la imposibilidad de asistir a la cita médica debido a que en su trabajo no les autorizaba ir. Cuarto, motivos relacionados con el centro asistencial (14,5%), es decir, citas médicas suspendidas por el mismo hospital y que no fueron informadas oportunamente al paciente.
Otro resultado interesante de consignar es que se identificaron algunas características distintivas entre los pacientes que se presentan a las citas médicas versus aquellos que no se presentan. Para el caso de los pacientes que sí asistían a las citas médicas agendadas, se observó que ellos valoraban positivamente la asignación de la cita médica, demostrando mayor adherencia al tratamiento entregado. Además, empleaban distintas estrategias para recordar la cita médica y contaban con redes de apoyo para poder organizarse cuando debían asistir al hospital. En cambio, para el caso de los pacientes que no asistían a sus citas médicas se observó que, si bien eran conscientes de la cita médica asignada, no asistían principalmente debido a dos motivos: en primer lugar, por razones personales como olvidarse de la cita o quedarse dormido; y por motivos externos que no podían controlar, como por ejemplo no obtener permiso en el trabajo para poder asistir o la notificación de la hora fue informada con escasa anticipación, lo cual dificulta la posibilidad de poder organizarse.
Los resultados de este estudio nos invitan a reflexionar sobre diversos temas cuyo posicionamiento en las políticas públicas del área de la salud debería ser prioritario. En primer lugar, sobre la importancia de incorporar herramientas de inteligencia artificial en la gestión hospitalaria. Esto permite mejorar procesos internos, hacerlos más eficientes, y de paso reducir también sus costos, tal como en la experiencia relatada la identificación de posibles NSP permite enfocar los esfuerzos de mitigación sin perder eficiencia en la predicción. En segundo lugar, se considera fundamental avanzar en un abordaje más comprensivo de los motivos por los cuales los pacientes no asisten a sus citas médicas, considerando la naturaleza multifactorial de las causas que pueden estar incidiendo en este fenómeno. En la medida que se logre caracterizar mejor el perfil de este tipo de pacientes, será posible diseñar estrategias de mitigación más pertinentes y en sintonía con sus necesidades.
* PhD. en Matemáticas Aplicadas y directora del proyecto. Investigadora del Centro de Modelamiento Matemático (CMM).
** PhD. en Matemáticas Aplicadas y director del Centro de Modelamiento Matemático (CMM).
*** PhD. en Educación e investigadora del Laboratorio de Educación del Centro de Modelamiento Matemático (CMM).
Lee también en Qué Pasa:
