Actas del Congreso Nacional de
Tecnología Aplicada a Ciencias
de la Salud
Actas del Congreso Nacional de Tecnología Aplicada a Ciencias de la Salud Vol. 4, 2022
Por medio de un estudio comparativo sobre herramientas de apoyo al diagnóstico clínico y artículos relacionados, se puso a prueba la viabilidad y pertinencia del desarrollo de un SADC cuyo algoritmo de predicción diagnóstica estuviera conformado por datos y guías nacionales, que pudiera posteriormente servir como material formativo.
La comparación con las plataformas existentes mostró que la herramienta desarrollada, si bien aún está en un estado incipiente, puede llegar a ser una plataforma útil en la formación y actualización de médicos. Además, con la implementación completa de las funcionalidades propuestas, podrá pasar a una fase de prueba con alumnos.
Palabras Claves: Sistema; Diagnóstico; Síntoma
Through a comparative study of clinical diagnosis support tools and related articles, the feasibility and relevance of developing a CDSS as training material—whose diagnostic prediction algorithm was made up of data and national guidelines—was tested.
The comparison with existing platforms showed that the developed tool, although it is still in an early state, can become a useful platform for the training and updating of doctors. Besides, with the complete implementation of the proposed functionalities, it will be able to move on to trial phases with students.
Key Words: System; Diagnostic; Symptom
El conocimiento diagnóstico es el primer elemento básico que se utiliza para descartar o identificar una enfermedad1, proceso que se complementa con el uso de herramientas como los Sistemas de Apoyo a las Decisiones Clínicas (SADC) que se definen como herramientas de “ayuda al personal de salud en la toma de decisiones clínicas, que usan las características individuales de los pacientes para generar evaluaciones y recomendaciones específicas que se presentan a los profesionales para su consideración”2. Aunque su implementación a nivel formativo y profesional ha encontrado dificultades, su uso puede ayudar a disminuir los errores diagnósticos, mejorar la seguridad del paciente y la calidad de la práctica médica3.
Lo anterior forma parte de la integración de la experiencia clínica individual con conocimiento proveniente de la investigación científica, en lo que se denomina medicina basada en evidencia (MEB)4. Una representación de este razonamiento en México es la información contenida en el Catálogo Maestro de Guías de Práctica Clínica (GPC), del Centro Nacional de Excelencia Tecnológica en Salud (CENETEC), la cual refiere a prevalencias de enfermedades y factores de riesgo específicos de nuestra población5.
La consideración de estas características particulares y la diferenciación en la sintomatología de las enfermedades debidas a la geografía y a enfermedades crónicas, indican que el uso de sistemas que no tomen en cuenta el patrón de síntomas específicos de una población puede llevar a un análisis diagnóstico menos acertado. Este fenómeno se evidencia más con enfermedades emergentes, tal como sucedió con la pandemia global de COVID-19, durante la cual se observó una variación en el perfil de síntomas asociados a pacientes con esta enfermedad6.
2.1 SADC/CDSS
Durante los años 70, en hospitales de Estados Unidos se empiezan a informatizar las admisiones y datos sanitarios, lo que conforma posteriormente los denominados Sistemas de Apoyo a las Decisiones Clínicas (CDSS por sus siglas en inglés). Con la aparición y paulatina implementación de estos sistemas se demostró que su uso era efectivo para mejorar los procesos en la calidad de la atención en diversos entornos7.
Sin embargo, y aún con el creciente uso e implementación de los SADC, actualmente es todavía escasa y poco consistente la evidencia publicada sobre los resultados clínicos, económicos y eficiencia de estas herramientas, debido a la diversidad de los estudios y al todavía gran desconocimiento de las características que deben implementarse acorde con cada institución8.
Apenas en las últimas décadas se han hecho varias aproximaciones para entender mejor sus repercusiones en la práctica clínica, un ejemplo de esta inquietud se muestra en un estudio de 2003, en el cual se identificaron principios considerados básicos para incrementar la efectividad de los sistemas de apoyo clínico9. Estos fueron:
2.2 GPC
Las guías de práctica clínica (GPC) - una de las principales herramientas utilizadas por sistemas y profesionales de la salud modernos – son instrumentos confiables y de uso generalizado, y a su desarrollo se les asocian características como10:
Se observa la relación y coincidencia que existe entre características de las GPC en comparación con las sugeridas para los SADC y cómo la implementación de guías locales puede impactar en el sistema, de carácter menos individual, para el tratamiento clínico.
Se revisó la bibliografía referente al uso de SADC y se analizaron las características más relevantes de las herramientas usadas tanto en la práctica como en la formación clínica. De estas herramientas DXplain e Isabel fueron seleccionadas como principales plataformas a evaluar y comparar con el prototipo en desarrollo, lo anterior por su uso extendido y accesibilidad.
De esta evaluación de factores, que pudieran influir en la disminución de la incertidumbre diagnóstica con el uso de SADC, se identificaron características que fueron propuestas para el desarrollo actual y futuro (Tabla 1).
Tabla 1. Hallazgos de características más requeridas en SADC
| Característica | |
|---|---|
| 1 | Terminología entendible y en el idioma de origen. |
| 2 | Buscador de términos Mesh. |
| 3 | Interfaz sencilla y de fácil usabilidad. |
| 4 | Posibilidad de guardar casos clínicos para recuperarlos después. |
| 5 | Usabilidad en dispositivos móviles (celulares, tabletas). |
| 6 | Reconocimiento de síntomas ingresados en lenguaje natural. |
| 7 | Integración con temas de la carrera (Teorema de Bayes, pruebas diagnósticas, etc.) |
| 8 | Inclusión de material didáctico para aprendizaje. |
| 9 | Acceso libre y universal (sin costo, en cualquier lugar). |
| 10 | Uso con expediente clínico para seguimiento de casos. |
Posteriormente se procedió a la etapa de creación del sistema, la cual estuvo dividida en cuatro fases consecutivas:
Con el prototipo desarrollado se realizó un estudio comparativo con otras plataformas; para tal efecto se utilizó información pediátrica, predominantemente relacionada a enfermedades del tracto respiratorio de incidencia común. Se estudiaron los síntomas disponibles en cada plataforma y los resultados obtenidos.
En promedio, GNOSIS se desvió hasta en un 20% (± 3) con respecto a las demás plataformas, el análisis hecho fue por enfermedad, comparando los cuadros clínicos ingresados con casos clínicos ya resueltos y opinión de expertos. En promedio se usaron 10 casos clínicos con ligeras variaciones.
El producto final, GNOSIS; un prototipo de análisis capaz de arrojar hipótesis diagnósticas (Figura 1), que fue usado para cotejar estimaciones y evaluar en paralelo con las otras plataformas, para lo cual se usó un conjunto de enfermedades respiratorias tomadas de las guías (n=40).
En la valoración del análisis entre las diversas plataformas se contrastaron:
Aparecieron desviaciones que se recopilaron y tradujeron como porcentajes de coincidencia (Figura 2) y se observó que la mayor coincidencia entre el cuadro clínico presentado y el diagnóstico arrojado fue entre Gnosis y DXplain, con un 90% de coincidencia para sinusitis.
Figura 1. Ejemplo de uso de GNOSIS
Figura 2. Muestra de coincidencia de síntomas de Gnosis con otras plataformas
Cabe mencionar que, con fines prácticos y para evitar distraer al usuario en su rol de tomador de decisiones, los resultados del algoritmo se muestran solamente como “Alto”, “Medio” o “Bajo” haciendo referencia al grado de coincidencia entre cada enfermedad registrada con respecto al cuadro ingresado, evitando poner la probabilidad calculada.
Sin embargo, se plantea que en la siguiente versión el porcentaje generado por coincidencia y el seguimiento de cada paso tomado por el sistema para llegar al resultado final se puedan mostrar de manera desglosada con fines didácticos y con una interfaz adecuada.
A diferencia de otras herramientas como DXPlain e Isabel, este producto se enfocó en la población mexicana, y especialmente en estudiantes, por lo mencionado respecto al uso de datos obtenidos de GPC del CENETEC, pero también haciendo énfasis en la población de las siguientes maneras:
En la evaluación de las plataformas actuales (Isabel y DXplain) en conjunto con la herramienta desarrollada, se encontraron diferencias estadísticas medianamente significativas entre los diagnósticos generados y en la caracterización de las enfermedades. Lo anterior, debido a varias razones como son los diferentes grados de definición de los síntomas, la no total concordancia entre términos, la existencia de comorbilidades y enfermedades crónicas, así como al nivel de especificación de las GPC del CENETEC.
Esto implicaría que, si bien el cuadro clínico para una determinada enfermedad en diversas poblaciones sea similar, los análisis obtenidos mediante herramientas de diagnóstico pudieran no coincidir totalmente con la situación y requerimientos de una población diferente a la usada como referencia.
Se concluye que es válido hacer un esfuerzo para contar con algoritmos que estén basados en datos y prevalencias específicas de nuestra población, con el fin de mejorar las habilidades diagnósticas de manera continua, sobre todo si se considera que los médicos en formación tienen conocimiento limitado sobre la existencia y uso de las GPC, especialmente al inicio de su educación.
Obtener PDF