Un enfoque de aprendizaje automático para el gobierno de la telemedicina

La telemedicina es un componente de la salud electrónica que utiliza la tecnología de la información y la comunicación (TIC) para prestar servicios de atención de salud superando la distancia y conectar al proveedor y al paciente. “Tele salud no es sólo sobre el paciente y el tratamiento, el conocimiento sobre el equipo es vital también”.¹

Telemedicina ayuda durante una tele consulta y tele-educación para los doctores locales al facilitar una entrega eficiente de cuidados médicos a “áreas remotas, grupos vulnerables y población envejeciendo”.² Telemedicina también ayuda a proveer cuidados post operatorios a través de seguimiento remoto y monitoreo.^{3, 4} Una iniciativa eficiente de telemedicina requiere un ecosistema activo que se compone de pacientes, proveedores de cuidado, tecnología de la información y hospitales participantes dentro de la red. Gobierno proactivo de telemedicina ayuda a asegurar un sistema eficiente de prestación de servicios de salud y mejora la calidad de la experiencia.⁵

Este artículo presenta un marco de un sistema de apoyo de decisión en dos etapas para el gobierno de la telemedicina, conocido como el modelo DSO-R. La primera etapa es el modelo de departamento-sesión-organización (DSO), que utiliza un enfoque de aprendizaje de máquina para predecir la probabilidad que una organización remota participara en una sesión particular de telemedicina; la segunda etapa es el modelo de estimar el riesgo (R).

Las restricciones presupuestarias y la escasa demanda de telemedicina en los países de ingresos bajos a medianos hacen que el uso óptimo de los recursos disponibles sea necesario. Un caso de estudio del centro médico TELEMED en India es utilizada para validar el modelo.

Barreras a la telemedicina

El mercado de la Telemedicina está creciendo a nivel mundial a una tasa de crecimiento anual compuesta (CAGR) del 14,3 por ciento y, de 2014 a 2020, se espera alcanzar los US $ 36,3 mil millones. La Tele consulta es entre los tipos más comunes de sesiones de telemedicina.⁶ A pesar de la creciente demanda de telemedicina, la investigación atribuye a la baja penetración de la telemedicina a (figura 1):

• Costo de configuración inicial
• Competencia por los sistemas de entrega de cuidados
• Falta de conocimientos técnicos
• Preocupación por los estándares de atención médica^{7, 8}

La telemedicina tiene algunos costos iniciales de instalación y funcionamiento que deben ser cubiertos por los ingresos obtenidos de las sesiones de telemedicina. Así, un número óptimo de sesiones asegura la sostenibilidad del proyecto.⁹

Aplicando el modelo DSO-R

Las sesiones de telemedicina relacionadas con la diabetes, las unidades de cuidados intensivos o la hemodiálisis utilizan técnicas de aprendizaje automático en un sistema de apoyo a la toma de decisiones clínicas (CDSS).^{10, 11, 12} El propósito del modelo DSO-R es entender los objetivos de las organizaciones de salud para establecer un proyecto de telemedicina y sus procesos tradicionales de prestación de atención de salud y para determinar las organizaciones de atención de la salud que son los más adecuados para establecer las iniciativas de la sesión de telemedicina. Se puede calcular manualmente la pérdida esperada de la organización que realiza la sesión de telemedicina, en caso de que el modelo seleccione incorrectamente un hospital remoto a través de su mecanismo de clasificación basado en los siguientes parámetros de entrada:

• Tipo de Departamento (ej., cirugía endocrina, medicina transfusional)
• Tipo de Sesión (ej., sesión general, seguimiento, ronda de subvenciones tele-común [tele-CGR])
• Tipo de organización del receptor (académica o no académica)

Después de aprender de conocimientos previos, el modelo DSO de telemedicina predice las organizaciones de atención de salud de los socios (ej., National Medical College Network [NMCN], el Foro de Telemedicina del Sudeste Asiático y el Proyecto de Redes Locales Subsaharianas) que son los más adecuados para establecer una iniciativa de sesión de telemedicina. Tal modelo puede ayudar a optimizar el alcance de TELEMED a través de la India y el extranjero.

El modelo de estimación del riesgo computa la pérdida esperada producto de la clasificación errónea en la predicción del modelo DSO sobre organizaciones de atención de salud de socios adecuados. El cálculo del riesgo depende de la tasa de exactitud del árbol de decisión, el interés de los pacientes en la telemedicina, el tratamiento interno disponible y el impacto monetario de un paciente admitido. Figura 2 ilustra el modelo DSO-R propuesto.

Telemedicina en India

Las cámaras de comercio e industria asociadas de la India (Assocham) informaron de una tasa de crecimiento anual del 20 por ciento del mercado de la telemedicina en la India y estimaron que su valor de mercado se duplicará en 2020, a US $32 millones.¹³ La prestación de servicios de telemedicina es ideal para la India, ya que tiene vastas extensiones de remotas regiones montañosas, zonas tribales e islas,¹⁴ en la cual “setenta y cinco por ciento de los doctores practican en las zonas urbanas, el 23 por ciento en las zonas semi-urbanas y sólo el 2 por ciento en las zonas rurales donde vive la gran mayoría de la población”.¹⁵

Proyectos de telemedicina en el Colegio Médico Cristiano (CMC) Vellore y All India Instituto de Ciencias Médicas de Nueva Delhi se establecieron en colaboración con la Agencia Japonesa de Cooperación Internacional (JICA). JICA proporcionó la inversión inicial para el equipo de TI para iniciativas de telemedicina. El undécimo plan quinquenal del Gobierno de la India, para 2007-2012, enumera 11 estados (entre ellos Andaman-Nicobar y Lakshadweep) y otras redes de hospitales de súper especialidad que han establecido proyectos de telemedicina.¹⁶ El tipo de comunicación utilizado es el vídeo por satélite (VSAT o Sky IP), las redes digitales de servicios integrados (ISDN) o ambos. Los organismos de financiación y ejecución de los diferentes proyectos de telemedicina están a cargo de la Organización India de Investigaciones Espaciales (ISRO), Centro de Desarrollo de Computación Avanzada (CDAC), IIT Kharagpur y otros. El departamento de TI, Ministerio de Información y Tecnología de la India también está actuando como facilitador de varios proyectos de telemedicina.¹⁷

Caso de Estudio

Se utiliza un caso de estudio del centro médico de TELEMED para medir y validar el modelo DSO-R. La visión para TELEMED en Lucknow, la India, fue adoptada de los EE.UU. del Instituto Nacional del Centro de Salud Clínica:

TELEMED tiene la intención de ser un instituto médico de primera clase en Asia, con la intención de minimizar largas distancias recorridas para el tratamiento de sus enfermedades. TELEMED también tiene la intención de emerger como una unidad de atención médica súper-especialidad, en términos de disponibilidad de médicos, enfermeras y técnicos capacitados y poder cumplir con las mejores prácticas internacionales.¹⁸

TELEMED es un centro médico académico de referencia de nivel terciario que se dedica principalmente a la formación y la enseñanza en los 18 departamentos especializados de su centro de 30 departamentos. El objetivo del centro médico incluye la entrega de estado de la técnica de nivel terciario de atención médica, y la investigación súper-especialidad y la creación de capacidad a través de la enseñanza y la formación.

TELEMED se ha movido hacia el mantenimiento de una infraestructura bien desarrollada para la educación, la investigación, la formación y la aplicación de Telemedicina. TELEMED recibió donaciones de proyectos intramuros y extramuros que han ayudado en el sustento del programa de telemedicina y trabajos de investigación. Las instituciones de financiamiento incluyen varios organismos de financiamiento nacionales e internacionales. TELEMED también realizó aproximadamente 450 proyectos intramuros que le ayudaron a mantener sus incentivos de investigación.¹⁹ TELEMED quería analizar sus datos anteriores sobre departamentos involucrados en sesiones de telemedicina (sesiones generales, seguimiento y tele-CGR) con organizaciones remotas (académicas o no académicas). También fue necesario determinar el riesgo que está asociado con una decisión incorrecta tomada por el modelo DSO-R. La realización del costo asociado con el riesgo puede ayudar a optimizar la utilidad de la sesión de telemedicina y minimizar la pérdida.

Metodología Utilizada

Esta sección describe la metodología que fue utilizada en el caso de estudio de TELEMED.

Modelo DSO
Los datos anteriores de TELEMED consisten en varios niveles de variables categóricas. Este tipo de conjunto de datos es ideal para desarrollar reglas de clasificación que pueden contribuir a la identificación del objetivo desde un patrón de atributos dados.²⁰ El árbol de clasificación se implementa a través del programa MATLAB R2012a. El programa predice la ubicación de la organización remota en función de los predictores introducidos por el usuario. La regla de clasificación consiste en la probabilidad de ocurrencia de diferentes zonas para un determinado conjunto de datos. La exactitud del árbol de clasificación se probó entrenando el árbol de clasificación con 80 por ciento del conjunto de datos pasados y usando el 20 por ciento restante como un conjunto de prueba. El modelo DSO ayudará a reducir el riesgo de baja utilidad que está asociado con una sesión de telemedicina.

Modelo Riesgo (R)
El modelo R determina además la exactitud del árbol de decisiones. Un hospital incurre en un considerable costo de atención hospitalaria (alrededor del 43 por ciento en los Estados Unidos).²¹ Si un paciente no es tratado adecuadamente a través de una sesión de telemedicina programada, entonces el costo para el paciente y el hospital aumenta. Se utilizó una función exponencial del número de días y la tasa de difusión de las ICT para calcular el número de pacientes que utilizaron la telemedicina (figura 3).

El resultado de la ecuación de figura 3 fue utilizada en la ecuación en la figura 4 para determinar la perdida esperada por cada día.

Datos
Los datos sobre los detalles de la sesión para cada sesión de telemedicina que el grupo de proyectos de telemedicina de TELEMED llevó a cabo del 2007 al 2015 consistieron en 2.612 puntos de datos, que se clasifican en la figura 5. Consiste en más de 30 departamentos y tres tipos de sesión, es decir, sesiones generales, sesiones de seguimiento y sesiones de tele-CGR. Varias organizaciones asociadas de atención de la salud asociadas con TELEMED para la enseñanza y la atención al paciente. Los hospitales socios fueron separados en tipos de organización de enseñanza y no-enseñanza. Para simplificar la explicación, la figura 5 muestra solamente los siete departamentos principales (en número máximo de sesiones) y clasifica a los socios en seis zonas.

El propósito del caso de estudio es establecer un patrón entre la determinación de la ubicación (zona) y el tipo de sesión para asegurar una toma de decisiones libre de errores. Los resultados también pueden ser utilizados para recomendar zonas para la realización de nuevas sesiones y pueden ser incluidos como parte de la estrategia de mitigación de riesgos de TELEMED.

Resultados

Modelo DSO
En la primera etapa del modelo DSO-R, las zonas resultantes se determinaron en base a su probabilidad de ocurrencia para un conjunto predictor. El árbol de decisión resultante que se ilustra en la figura 6 puede sugerir sólo una única zona basada en un conjunto particular de predictores.

La figura 7 compara los datos predichos con los datos de prueba para el conjunto de datos de prueba. No todos los datos previstos coinciden con los datos de la prueba. El árbol de predicción predijo 415 de 523 (80 por ciento) del conjunto de datos de prueba con precisión. Sin embargo, la curva característica de funcionamiento del receptor (ROC) mejoró para S-E-A, Sur de la India Sur y el Este de la India debido al mayor número de sesiones de estas zonas en actividades de telemedicina (Figura 8). La India Central y la India del Norte mostraron una menor exactitud debido a la falta de coherencia entre los datos de entrenamiento y de prueba. La precisión de la predicción fue muy afectada por el conocimiento previo del conjunto de datos de entrenamiento y, por lo tanto, puede ser un sistema de recomendación débil.

Modelo Riesgo (R)
En la segunda etapa del modelo DSO-R, se utilizó la ecuación de la figura 4 para calcular la pérdida esperada debida a una clasificación errónea del árbol de decisión en la primera etapa. En un entorno rural en la India con una población de 3.000 habitantes, el ritmo de difusión de las ICT es lento (0,05). Por lo tanto, el número de pacientes que llegaron al centro de telemedicina para el tratamiento es una fracción minúscula del árbol de población rural. Para un hospital público súper especializado, siempre es importante bajar el costo. La tasa de exactitud de la decisión se redondea al 70 por ciento. Para efectos de simulación, se utiliza la ecuación de la figura 4, donde la probabilidad (tratamiento disponible) es del 12 por ciento, la probabilidad (el paciente que viaja para un tratamiento posterior) es igual al 60 por ciento y el impacto monetario equivale a US $135. Figura 9 muestra el resultado del cálculo y también calcula la pérdida media esperada para cada día.

Conclusión

Los datos y detalles de la sesión se analizaron cuidadosamente y luego se simplificó el conjunto de datos seleccionando los departamentos apropiados basados en la frecuencia de sesiones de telemedicina de TELEMED. El modelo DSO-R asegura una mejor utilización de una sesión de telemedicina, ya que ya se ha obtenido la probabilidad de que la organización remota participe en una sesión en particular. El modelo facilita una toma de decisiones más rápida en la transmisión de sesiones de telemedicina a zonas seleccionadas y ayuda con la identificación del riesgo pre calculando la pérdida esperada de la clasificación errónea por el árbol de clasificación. Sin embargo, un conjunto de datos consistente en nombres hospitalarios apropiados en lugar de zonas mejorará la precisión de la predicción y, por lo tanto, la pérdida esperada cuando se utiliza el modelo DSO-R. El desarrollo futuro del modelo DSO-R aplicará técnicas de aprendizaje de máquina más robustas e inteligentes para mejorar la precisión de la predicción. También se probará el efecto de un error de cálculo con los datos de campo, lo que ayudará a estudiar los factores relevantes que pueden aumentar o disminuir la pérdida esperada de una sesión de telemedicina.

Notas Finales

¹ Hall, S.; “Global Telemedicine Market Forecast: 18.5% Growth Rate Through 2018,” FierceHealthcare, 16 December 2013, www.fiercehealthcare.com/it/global-telemedicine-market-forecast-18-5-growth-rate-through-2018
² World Health Organization, “Third Global Survey on eHealth,” 2015, www.who.int/goe/survey/goe_2015_survey_en.pdf?ua=1
³ European Commission, “Telemedicine for the Benefit of Patients, Healthcare Systems and Society,” Commission Staff Working Paper, EC (2009) 943 final, 2009
⁴ Telemedicine Healing Touch Through Space, “Enabling Specialty Health Care to the Rural and Remote Population of India,” Indian Space Research Organisation, Publications and Public Relations Unit, ISRO Headquarters, Bangalore-560094, p. 3-5
⁵ May, C. R.; M. M. Mort; F. S. Mair; T. Finch; “Telemedicine and the ‘Future Patient’?: Risk, Governance and Innovation,” Economic and Social Research Council, 2005, www.york.ac.uk/res/iht/researchfindings/MayFindings.pdf
⁶ MedGadget, “Telemedicine Market—Rising Demand for Personal Healthcare Solutions to Boost Deployment of Telemedicine Services, Says TMR,” August 2014, www.medgadget.com/2016/08/telemedicine-market-rising-demand-for-personal-healthcare-solutions-to-boost-deployment-of-telemedicine-services-says-tmr.html
⁷ Gulube, S. M.; S. Wynchank; “Telemedicine in South Africa: Success or Failure?,” Journal of Telemedicine and Telecare, 7 (Supplement 2), 2001, p. 47-49, https://www.researchgate.net/publication/11608739_Telemedicine_in_South_Africa_Success_or_Failure
⁸ World Health Organization, “Global Observatory for eHealth: Survey 2009 Figures,” 2009, www.who.int/goe/survey/2009/figures/en/index1.html
⁹ Whitten, P. S.; F. S. Mair; A. Haycox; C. R. May; T. L. Williams; S. Hellmich; “Systematic Review of Cost Effectiveness Studies of Telemedicine Interventions,” BMJ, 15 June 2002, www.bmj.com/content/324/7351/1434
¹⁰ Bellazzi, R.; C. Larizza; S. Montani; A. Riva; M. Stefanelli; G. d’Annunzio; J. Cermeno; “A Telemedicine Support for Diabetes Management: The T-IDDM Project,” Computer Methods and Programs in Biomedicine, vol. 69, iss. 2, September 2002, https://www.researchgate.net/publication/11275070_A_telemedicine_support_for_diabetes_management_The_T-IDDM_project
¹¹ Thursky, K. A.; M. Mahemoff; “User-centered Design Techniques for a Computerised Antibiotic Decision Support System in an Intensive Care Unit,” International Journal of Medical Informatics, 2006
¹² Rose, C.; C. Smaili; F. Charpillet; “A Dynamic Bayesian Network for Handling Uncertainty in a Decision Support System Adapted to the Monitoring of Patients Treated by Memodialysis,” ICTAI ‘05 Proceedings of the 17^th IEEE International Conference on Tools With Artificial Intelligence, 2005, http://dl.acm.org/citation.cfm?id=1106120
¹³ B2B Bureau, “Indian Telemedicine Market to Become More Than Double by 2020,” Business Standard, June 2016, www.business-standard.com/content/b2b-pharma/indian-telemedicine-market-to-become-more-than-double-by-2020-116060600568_1.html
¹⁴ Ibid.
¹⁵ Mishra et al.; 25 Years Anniversary SGPGI Souvenir, 2013, sgpgi.edu.in/pdf/25%20Aniversary%20SGPGI%20souvenir.pdf
¹⁶ Op cit, Thursky
¹⁷ Government of India Planning Commission, “Report of the Working Group on Health Informatics Including Tele-medicine,” 2016, www.planningcommission.gov.in/plans/planrel/11thf.htm
¹⁸ Op cit, Mishra et al.
¹⁹ Ibid.
²⁰ Quinlan, J. R.; “Induction of Decision Trees,” Machine Learning, vol. 1, 1986, p. 81-106, www.hunch.net/~coms-4771/quinlan.pdf
²¹ Klaassen, B.; B. J. van Beijnum; H. J. Hermens; “Usability in Telemedicine Systems—A Literature Survey,” International Journal of Medical Informatics, 2016, https://www.ncbi.nlm.nih.gov/pubmed/27435948