Ribera Salud ha puesto en marcha un modelo predictivo, basado en Inteligencia Artificial, que analiza y procesa variables de cada paciente para predecir su evolución, en base a datos objetivos analizados por Microsoft Azure y sus herramientas de Machine Learning. Este modelo se ha creado con dos objetivos: brindar al clínico la oportunidad de reajustar el plan terapéutico ante una mala evolución; y apoyar al gestor en la toma de decisiones sobre los recursos existentes. En este sentido, su aplicación podría convertirse en una pieza clave para afrontar eficazmente posibles rebrotes en el futuro. “La detección temprana del empeoramiento clínico supone un elemento diferenciador de calidad, en un entorno de alta exigencia como la actual pandemia del coronavirus”,asegura Mireia Ladios, jefa Corporativa de Calidad de Ribera Salud.

Este modelo revolucionario se ha construido en base a una selección de variables clínicas, fijadas por los profesionales sanitarios donde el exhaustivo control, recogida y análisis de datos de los pacientes son la base para su creación, brindándole al clínico la oportunidad de revisar y ajustar el plan terapéutico antes de que el paciente empeore más.

Según explica Mireia Ladios, jefa corporativa de Calidad de Ribera Salud, "empezamos a predecir determinados efectos adversos utilizando técnicas de Machine Learning e incluyendo este tipo de predicciones dentro de la operativa y práctica asistencial del día a día. Buscábamos que, a pie de cama, con una tablet, la enfermera que estaba viendo al paciente y que podía tomar las medidas en ese momento, se aprovechase de esa predicción y pudiera actuar en consecuencia”.

Esta herramienta ha permitido a Ribera Salud tener un mayor control de los riesgos de los pacientes sin incurrir en una mayor carga de trabajo para los profesionales sanitarios. "El resultado del modelo se obtiene automáticamente varias veces al día, se inserta directamente en un espacio acordado con los propios profesionales dentro de la historia clínica. Esto hace que los profesionales lo perciban como un input natural y no como algo externo, y que utilicen esa información para poder atender a los pacientes a pie de cama. Si esa información tuviera que obtenerse y analizarse por mecanismos tradicionales, sería muy costoso en tiempo y recursos”, señalan desde la entidad.

En el último año, este modelo ha contribuido a reducir el número de pacientes que desarrollaron una UPP (úlceras por presión) en UCI, hasta un 19% (un 11% de incidencia acumulada).