Sistema de apoyo a la toma de decisiones clínicas

Este artículo tiene varios problemas. Ayúdenos a mejorarlo o a discutir estos problemas en la página de discusión . ( Aprenda cómo y cuándo eliminar estos mensajes ) Este artículo contiene contenido promocional .Por favor, ayude a mejorarlo eliminando el lenguaje promocional y los enlaces externos inapropiados , y añadiendo texto enciclopédico escrito desde un punto de vista neutral . ( Enero de 2020 )( Aprenda cómo y cuándo eliminar este mensaje ) This article needs to be updated. Please help update this article to reflect recent events or newly available information. (January 2020) (Learn how and when to remove this message)

Un sistema de apoyo a la toma de decisiones clínicas ( CDSS , por sus siglas en inglés) es una tecnología de información sanitaria que proporciona a los médicos, al personal, a los pacientes y a otras personas conocimientos e información específica de la persona para ayudar a la salud y a la atención sanitaria. El CDSS abarca una variedad de herramientas para mejorar la toma de decisiones en el flujo de trabajo clínico. Estas herramientas incluyen alertas y recordatorios computarizados para proveedores de atención y pacientes, pautas clínicas, conjuntos de órdenes específicas para cada condición, informes y resúmenes de datos de pacientes enfocados, plantillas de documentación, apoyo diagnóstico e información de referencia contextualmente relevante, entre otras herramientas. Los CDSS constituyen un tema importante en la inteligencia artificial en medicina .

Un sistema de apoyo a la toma de decisiones clínicas es un sistema de conocimiento activo que utiliza variables de datos de pacientes para generar asesoramiento sobre la atención sanitaria. Esto implica que un CDSS es simplemente un sistema de apoyo a la toma de decisiones centrado en el uso de la gestión del conocimiento .

El objetivo principal de los CDSS modernos es ayudar a los médicos en el punto de atención. ^[1] Esto significa que los médicos interactúan con un CDSS para ayudar a analizar y llegar a un diagnóstico basado en datos de pacientes para diferentes enfermedades.

En sus inicios, los CDSS se concibieron para que el médico tomara decisiones literalmente por él. El médico introducía la información y esperaba a que el CDSS diera como resultado la opción "correcta" y el médico simplemente actuaba en función de ese resultado. Sin embargo, la metodología moderna de uso de CDSS para ayudar implica que el médico interactúa con el CDSS, utilizando tanto su conocimiento como el del CDSS, para analizar mejor los datos del paciente de lo que un ser humano o un CDSS podrían hacer por sí solos. Normalmente, un CDSS hace sugerencias para que el médico las revise y se espera que este seleccione la información útil de los resultados presentados y descarte las sugerencias erróneas del CDSS. ^[2]

Los dos tipos principales de CDSS son los basados ​​en el conocimiento y los no basados ​​en el conocimiento: ^[1]

Un ejemplo de cómo un médico podría utilizar un sistema de apoyo a la toma de decisiones clínicas es un sistema de apoyo a la toma de decisiones diagnósticas (DDSS). El DDSS solicita algunos datos de los pacientes y, en respuesta, propone un conjunto de diagnósticos adecuados. A continuación, el médico toma el resultado del DDSS y determina qué diagnósticos podrían ser relevantes y cuáles no ^[1] y, si es necesario, solicita más pruebas para delimitar el diagnóstico.

Otro ejemplo de un CDSS sería un sistema de razonamiento basado en casos (CBR). ^[3] Un sistema CBR podría usar datos de casos anteriores para ayudar a determinar la cantidad apropiada de haces y los ángulos de haz óptimos para usar en radioterapia para pacientes con cáncer cerebral; los físicos médicos y los oncólogos revisarían entonces el plan de tratamiento recomendado para determinar su viabilidad. ^[4]

Otra clasificación importante de un CDSS se basa en el momento de su uso. Los médicos utilizan estos sistemas en el punto de atención para ayudarlos mientras tratan con un paciente, y el momento de uso puede ser antes del diagnóstico, durante el diagnóstico o después del diagnóstico. ^{[ cita requerida ]} Los sistemas CDSS previos al diagnóstico ayudan al médico a preparar los diagnósticos. Los CDSS ayudan a revisar y filtrar las opciones diagnósticas preliminares del médico para mejorar los resultados. Los sistemas CDSS posteriores al diagnóstico se utilizan para extraer datos para derivar conexiones entre los pacientes y su historial médico pasado y la investigación clínica para predecir eventos futuros . ^[1] A partir de 2012, se ha afirmado que el apoyo a la toma de decisiones comenzará a reemplazar a los médicos en tareas comunes en el futuro. ^[5]

Otro método, utilizado por el Servicio Nacional de Salud de Inglaterra, consiste en utilizar un DDSS para clasificar las afecciones médicas fuera de horario sugiriendo al paciente un siguiente paso adecuado (por ejemplo, llamar a una ambulancia o ver a un médico general el siguiente día laborable). La sugerencia, que puede ser desestimada tanto por el paciente como por el operador telefónico si el sentido común o la cautela sugieren lo contrario, se basa en la información conocida y en una conclusión implícita sobre cuál es el diagnóstico más grave ; no siempre se revela al paciente porque bien podría ser incorrecto y no se basa en la opinión de una persona con formación médica; solo se utiliza con fines de clasificación inicial. ^{[ cita requerida ]}

La mayoría de los sistemas CDSS constan de tres partes: la base de conocimiento, un motor de inferencia y un mecanismo de comunicación. ^[6] La base de conocimiento contiene las reglas y asociaciones de datos compilados que, con mayor frecuencia, toman la forma de reglas SI-ENTONCES. Si se tratara de un sistema para determinar las interacciones entre medicamentos , una regla podría ser que SI se toma el medicamento X Y se toma el medicamento Y ENTONCES se alerta al usuario. Mediante otra interfaz, un usuario avanzado podría editar la base de conocimiento para mantenerla actualizada con nuevos medicamentos. El motor de inferencia combina las reglas de la base de conocimiento con los datos del paciente. El mecanismo de comunicación permite que el sistema muestre los resultados al usuario, así como que tenga información para el sistema. ^{[2] [1]}

Se necesita un lenguaje de expresión como GELLO ^{[ aclaración necesaria ]} o CQL (lenguaje de calidad clínica) para expresar artefactos de conocimiento de manera computable. Por ejemplo: si un paciente tiene diabetes mellitus y el último resultado de la prueba de hemoglobina A1c fue inferior al 7 %, se recomienda volver a realizar la prueba si han pasado más de seis meses, pero si el último resultado de la prueba fue mayor o igual al 7 %, se recomienda volver a realizar la prueba si han pasado más de tres meses.

El objetivo actual del grupo de trabajo CDS HL7 es desarrollar el lenguaje de calidad clínica (CQL). ^​​[7] Los Centros de Servicios de Medicare y Medicaid (CMS) de Estados Unidos han anunciado que planean utilizar el CQL para la especificación de las Medidas Electrónicas de Calidad Clínica (eCQM). ^[8]

Los sistemas basados ​​en aprendizaje automático que no utilizan una base de conocimiento utilizan una forma de inteligencia artificial llamada aprendizaje automático ^[9] , que permite a las computadoras aprender de experiencias pasadas y/o encontrar patrones en datos clínicos. Esto elimina la necesidad de escribir reglas y aportes de expertos. Sin embargo, dado que los sistemas basados ​​en aprendizaje automático no pueden explicar las razones de sus conclusiones, la mayoría de los médicos no los utilizan directamente por razones de diagnóstico, confiabilidad y responsabilidad. ^{[2] [1]} Sin embargo, pueden ser útiles como sistemas posdiagnósticos, para sugerir patrones que los médicos pueden analizar con más profundidad.

A partir de 2012, tres tipos de sistemas no basados ​​en el conocimiento son las máquinas de vectores de soporte , las redes neuronales artificiales y los algoritmos genéticos . ^[10]

1. Las redes neuronales artificiales utilizan nodos y conexiones ponderadas entre ellos para analizar los patrones encontrados en los datos del paciente y derivar asociaciones entre los síntomas y un diagnóstico.
2. Los algoritmos genéticos se basan en procesos evolutivos simplificados que utilizan la selección dirigida para lograr resultados CDSS óptimos. Los algoritmos de selección evalúan componentes de conjuntos aleatorios de soluciones a un problema. Las soluciones que resultan ganadoras se recombinan y mutan y se vuelven a ejecutar en el proceso. Esto sucede una y otra vez hasta que se descubre la solución adecuada. Funcionalmente son similares a las redes neuronales en el sentido de que también son "cajas negras" que intentan derivar conocimiento de los datos del paciente.
3. Las redes no basadas en el conocimiento a menudo se centran en una lista limitada de síntomas, como los síntomas de una sola enfermedad, a diferencia del enfoque basado en el conocimiento, que abarca el diagnóstico de muchas enfermedades. ^{[2] [1]}

Un ejemplo de un CDSS no basado en el conocimiento es un servidor web desarrollado utilizando una máquina de vectores de soporte para la predicción de la diabetes gestacional en Irlanda. ^[11]

This section does not cite any sources. Please help improve this section by adding citations to reliable sources. Unsourced material may be challenged and removed. (January 2020) (Learn how and when to remove this message)

En 1999, el IOM publicó un informe titulado To Err is Human (Errar es humano) , que se centraba en la crisis de seguridad de los pacientes en Estados Unidos y señalaba el número increíblemente elevado de muertes. Esta estadística atrajo gran atención hacia la calidad de la atención al paciente. ^{[ cita requerida ]} El Instituto de Medicina (IOM) promovió el uso de la tecnología de la información sanitaria, incluidos los sistemas de apoyo a la toma de decisiones clínicas, para mejorar la calidad de la atención al paciente. ^[12]

Con la promulgación de la Ley de Recuperación y Reinversión Estadounidense de 2009 (ARRA), se impulsó la adopción generalizada de la tecnología de la información sanitaria a través de la Ley de Tecnología de la Información Sanitaria para la Salud Clínica y Económica (HITECH). A través de estas iniciativas, más hospitales y clínicas estaban integrando registros médicos electrónicos (EMR) e ingreso de órdenes médicas computarizadas (CPOE) dentro de su procesamiento y almacenamiento de información sanitaria. A pesar de la ausencia de leyes, los proveedores de CDSS casi con certeza serían vistos como si tuvieran un deber legal de cuidado tanto para los pacientes que pueden verse afectados negativamente debido al uso de CDSS como para los médicos que pueden usar la tecnología para el cuidado del paciente. ^{[ cita requerida ] [ aclaración necesaria ] Sin embargo} , las regulaciones legales de los deberes de cuidado aún no están definidas explícitamente. Con la promulgación de la Ley HITECH incluida en la ARRA, que fomenta la adopción de TI sanitaria, la Oficina del Coordinador Nacional para la Tecnología de la Información Sanitaria (ONC) todavía estaba definiendo leyes de casos más detalladas para CDSS y EMR ^{y las} aprobaba el Departamento de Salud y Servicios Humanos (HHS). Aún no se ha publicado una definición de "uso significativo". ^{[ Se necesita aclaración ]}

La evidencia de la efectividad de los CDSS es mixta. Hay ciertas enfermedades que se benefician más de los CDSS que otras entidades patológicas. Una revisión sistemática de 2018 identificó seis afecciones médicas en las que los CDSS mejoraron los resultados de los pacientes en entornos hospitalarios, incluido el control de la glucosa en sangre, el control de las transfusiones de sangre, la prevención del deterioro fisiológico, la prevención de las úlceras por presión, la prevención de la lesión renal aguda y la profilaxis de la tromboembolia venosa. ^[13] Una revisión sistemática de 2014 no encontró un beneficio en términos de riesgo de muerte cuando el CDSS se combinó con el historial médico electrónico . ^[14] Sin embargo, puede haber algunos beneficios en términos de otros resultados. ^[14] Una revisión sistemática de 2005 había concluido que los CDSS mejoraron el desempeño del médico en el 64% de los estudios y los resultados de los pacientes en el 13% de los estudios. Las características de los CDSS asociadas con un mejor desempeño del médico incluyeron avisos electrónicos automáticos en lugar de requerir la activación del sistema por parte del usuario. ^[15]

Una revisión sistemática de 2005 encontró que "los sistemas de apoyo a la toma de decisiones mejoraron significativamente la práctica clínica en el 68% de los ensayos". Las características de los CDSS asociadas con el éxito incluyeron la integración en el flujo de trabajo clínico en lugar de como un inicio de sesión o pantalla independiente, plantillas electrónicas en lugar de en papel, brindar apoyo a la toma de decisiones en el momento y el lugar de la atención en lugar de antes, y brindar recomendaciones de atención. ^[16]

Sin embargo, revisiones sistemáticas posteriores fueron menos optimistas sobre los efectos de los CDS; una de 2011 afirmó que "hay una gran brecha entre los beneficios postulados y los demostrados empíricamente de [los CDSS y otras] tecnologías de eSalud  ... su relación costo-efectividad aún debe demostrarse". ^[17]

En 2014 se publicó una evaluación de cinco años de la eficacia de un CDSS en la implementación del tratamiento racional de infecciones bacterianas para el uso racional de antimicrobianos ; según los autores, fue el primer estudio a largo plazo de un CDSS. ^[18]

Muchas instituciones médicas y empresas de software han hecho un gran esfuerzo para producir CDSS viables que respalden todos los aspectos de las tareas clínicas. Sin embargo, dada la complejidad de los flujos de trabajo clínicos y las altas exigencias de tiempo del personal, la institución que implementa el sistema de soporte debe tener cuidado para garantizar que el sistema se convierta en una parte integral del flujo de trabajo clínico. Algunos CDSS han tenido distintos grados de éxito, mientras que otros han sufrido problemas comunes que han impedido o reducido su adopción y aceptación.

Dos sectores del ámbito de la atención sanitaria en los que los CDSS han tenido un gran impacto son los sectores farmacéutico y de facturación. Los sistemas de pedidos de medicamentos y de prescripción de uso común ahora realizan pedidos de verificación por lotes para detectar interacciones farmacológicas negativas e informan de las advertencias al profesional que realiza el pedido. Otro sector en el que los CDSS han tenido éxito es en la facturación y la presentación de reclamaciones. Dado que muchos hospitales dependen de los reembolsos de Medicare para seguir funcionando, se han creado sistemas para ayudar a examinar tanto un plan de tratamiento propuesto como las normas actuales de Medicare para sugerir un plan que intente abordar tanto la atención del paciente como las necesidades financieras de la institución. ^{[ cita requerida ]}

Otros sistemas de apoyo cognitivo dirigidos a tareas de diagnóstico han tenido éxito, pero a menudo su implementación y alcance son muy limitados. El sistema de dolor abdominal de Leeds se puso en funcionamiento en 1971 en el hospital de la Universidad de Leeds. Se informó de que había producido un diagnóstico correcto en el 91,8% de los casos, en comparación con la tasa de éxito de los médicos, del 79,6%. ^{[ cita requerida ]}

A pesar de los amplios esfuerzos de las instituciones para producir y utilizar estos sistemas, la mayoría de las ofertas aún no han logrado una adopción y aceptación generalizadas. Un gran obstáculo para la aceptación ha sido históricamente la integración del flujo de trabajo. Existía una tendencia a centrarse únicamente en el núcleo de toma de decisiones funcional del CDSS, lo que causaba una deficiencia en la planificación de cómo el médico utilizaría el producto in situ. Los CDSS eran aplicaciones independientes, que requerían que el médico dejara de trabajar en su sistema actual, cambiara al CDSS, ingresara los datos necesarios (incluso si ya se habían ingresado en otro sistema) y examinara los resultados producidos. Los pasos adicionales interrumpen el flujo desde la perspectiva del médico y cuestan un tiempo precioso. ^{[ cita requerida ] [19]}

Los sistemas de apoyo a la toma de decisiones clínicas se enfrentan a grandes desafíos técnicos en diversas áreas. Los sistemas biológicos son sumamente complejos y una decisión clínica puede utilizar una enorme variedad de datos potencialmente relevantes. Por ejemplo, un sistema electrónico de medicina basada en evidencias puede tener en cuenta los síntomas, el historial médico, los antecedentes familiares y la genética del paciente , así como las tendencias históricas y geográficas de la aparición de enfermedades y los datos clínicos publicados sobre la eficacia terapéutica a la hora de recomendar el tratamiento de un paciente.

Clínicamente, un gran impedimento para la aceptación del CDSS es la integración del flujo de trabajo.

Si bien se ha demostrado que los médicos necesitan explicaciones sobre los CDSS basados ​​en aprendizaje automático para poder comprender y confiar en sus sugerencias, ^[20] existe una clara falta general de aplicación de la inteligencia artificial explicable en el contexto de los CDSS, ^[21] lo que agrega otra barrera a la adopción de estos sistemas.

Otro motivo de discordia con muchos sistemas de asistencia médica es que generan una cantidad enorme de alertas. Cuando los sistemas generan un gran volumen de advertencias (especialmente aquellas que no requieren una intensificación), además de la molestia, los médicos pueden prestar menos atención a las advertencias, lo que hace que se pasen por alto alertas potencialmente críticas. Este fenómeno se denomina fatiga de alertas. ^[22]

Uno de los principales retos a los que se enfrenta el CDSS es la dificultad de incorporar la gran cantidad de investigaciones clínicas que se publican de forma continua. Cada año se publican decenas de miles de ensayos clínicos. ^[23] En la actualidad, cada uno de estos estudios debe leerse manualmente, evaluarse en cuanto a su legitimidad científica e incorporarse al CDSS de forma precisa. En 2004, se afirmó que el proceso de recopilación de datos clínicos y conocimientos médicos y de ponerlos en un formato que las computadoras puedan manipular para ayudar a la toma de decisiones clínicas "todavía está en sus primeras etapas". ^[24]

Sin embargo, es más factible para una empresa hacer esto de manera centralizada, aunque sea de manera incompleta, que tener que cada médico tratar de mantenerse al día con todas las investigaciones que se publican. ^{[ cita requerida ]}

Además de ser laboriosa, la integración de nuevos datos a veces puede ser difícil de cuantificar o incorporar al esquema de apoyo a la toma de decisiones existente, en particular en casos en los que diferentes artículos clínicos pueden parecer contradictorios. La resolución adecuada de este tipo de discrepancias suele ser el tema de los propios artículos clínicos (véase el metanálisis ), que a menudo tardan meses en completarse. ^{[ cita requerida ]}

Para que un CDSS ofrezca valor, debe mejorar de manera demostrable el flujo de trabajo o los resultados clínicos. La evaluación de un CDSS cuantifica su valor para mejorar la calidad de un sistema y medir su eficacia. Dado que los distintos CDSS sirven para distintos propósitos, no hay una métrica genérica que se aplique a todos esos sistemas; sin embargo, atributos como la coherencia (con y entre expertos) suelen aplicarse a un amplio espectro de sistemas. ^[25]

El parámetro de evaluación de un CDSS depende del objetivo del sistema: por ejemplo, un sistema de apoyo a la toma de decisiones diagnósticas puede ser calificado en función de la coherencia y precisión de su clasificación de enfermedades (en comparación con los médicos u otros sistemas de apoyo a la toma de decisiones). Un sistema de medicina basada en la evidencia puede ser calificado en función de una alta incidencia de mejoría del paciente o un mayor reembolso financiero para los proveedores de atención. ^{[ cita requerida ]}

La implementación de los registros médicos electrónicos fue un desafío inevitable, ya que se trata de un área relativamente inexplorada y existen muchos problemas y complicaciones durante la fase de implementación de un registro médico electrónico, como se puede observar en los numerosos estudios que se han realizado. ^{[ cita requerida ]} Sin embargo, se ha prestado cierta atención a los desafíos que presenta la implementación de registros médicos electrónicos (REC). Aun así, se sabe menos sobre la transición de los registros médicos electrónicos tradicionales a sistemas más nuevos. ^[26]

Los registros médicos electrónicos son una forma de capturar y utilizar datos en tiempo real para brindar atención médica de alta calidad al paciente, garantizando la eficiencia y el uso eficaz del tiempo y los recursos. La incorporación de registros médicos electrónicos y sistemas de apoyo a la atención de la salud en el proceso de la medicina tiene el potencial de cambiar la forma en que se enseña y se practica la medicina. ^[27] Se ha dicho que "el nivel más alto de un registro médico electrónico es un sistema de apoyo a la atención de la salud en el proceso de la medicina". ^[28]

Dado que "los sistemas de apoyo a las decisiones clínicas (CDSS) son sistemas informáticos diseñados para influir en la toma de decisiones de los médicos sobre pacientes individuales en el momento en que se toman esas decisiones", ^[27] está claro que sería beneficioso tener un CDSS y un EHR totalmente integrados.

Si bien los beneficios son evidentes, la implementación completa de un CDSS integrado con un EHR ha requerido históricamente una planificación significativa por parte del centro/organización de atención médica para que el CDSS sea exitoso y efectivo. El éxito y la efectividad se pueden medir por el aumento de la atención al paciente que se brinda y la reducción de los eventos adversos que ocurren. Además, se ahorraría tiempo y recursos y se obtendrían beneficios en términos de autonomía y beneficios financieros para el centro/organización de atención médica. ^[29]

Una integración exitosa de CDSS/EHR permitirá brindar una atención de alta calidad y de mejores prácticas al paciente, que es el objetivo final de la atención médica. Tres áreas que se pueden abordar con la implementación de CDSS y registros médicos electrónicos (EHR) son:

1. Errores en la prescripción de medicamentos
2. Eventos adversos relacionados con medicamentos
3. Otros errores médicos

Los CDSS serán más beneficiosos en el futuro cuando los centros de salud sean "100% electrónicos" en términos de información del paciente en tiempo real, simplificando así la cantidad de modificaciones que deben realizarse para garantizar que todos los sistemas estén actualizados entre sí.

Los beneficios mensurables de los sistemas de apoyo a la toma de decisiones clínicas sobre el desempeño de los médicos y los resultados de los pacientes siguen siendo objeto de investigación en curso.

La implementación de registros médicos electrónicos (EHR) en entornos de atención médica implica desafíos; ninguno más importante que mantener la eficiencia y la seguridad durante la implementación, ^[30] pero para que el proceso de implementación sea efectivo, comprender las perspectivas de los usuarios de EHR es clave para el éxito de los proyectos de implementación de EHR. ^[31] Además de esto, la adopción debe promoverse activamente a través de un enfoque de abajo hacia arriba que priorice las necesidades clínicas. ^[32] Lo mismo puede decirse de CDSS.

A partir de 2007, las principales áreas de preocupación con respecto a la transición hacia un sistema EHR/CDSS totalmente integrado han sido: ^[33]

1. Privacidad
2. Confidencialidad
3. Facilidad de uso
4. Exactitud e integridad del documento
5. Integración
6. Uniformidad
7. Aceptación
8. Desensibilización de alertas

así como los aspectos clave de la entrada de datos que deben abordarse al implementar un CDSS para evitar que se produzcan posibles eventos adversos. Estos aspectos incluyen si:

• Se están utilizando datos correctos
• Todos los datos han sido introducidos en el sistema.
• Se están siguiendo las mejores prácticas actuales
• Los datos están basados ​​en evidencia ^{[ aclaración necesaria ]}

Se ha propuesto una arquitectura orientada a servicios como un medio técnico para abordar algunas de estas barreras. ^[34]

A julio de 2015, la transición planificada a los registros médicos electrónicos en Australia enfrenta dificultades. La mayoría de los centros de atención médica aún utilizan sistemas totalmente basados ​​en papel; algunos se encuentran en una fase de transición hacia los registros médicos electrónicos escaneados o están avanzando hacia esa fase de transición.

Victoria ha intentado implementar EHR en todo el estado con su programa HealthSMART, pero ha cancelado el proyecto debido a costos inesperadamente altos. ^[35]

Sin embargo, Australia del Sur (SA) tiene un poco más de éxito que Victoria en la implementación de un historial clínico electrónico. Esto puede deberse a que todas las organizaciones de atención médica pública en SA están administradas de manera centralizada.

Sudáfrica está en proceso de implementar el " Sistema de administración de pacientes empresariales (EPAS)". Este sistema es la base para que todos los hospitales públicos y centros de atención médica cuenten con un historial clínico electrónico en Sudáfrica, y se esperaba que para fines de 2014, todas las instalaciones en Sudáfrica estuvieran conectadas a él. Esto permitiría una integración exitosa del CDSS en Sudáfrica y aumentaría los beneficios del historial clínico electrónico. ^[36] Para julio de 2015, se informó que solo 3 de 75 instalaciones de atención médica implementaron el EPAS. ^[37]

Con el sistema de salud más grande del país y un modelo federado en lugar de uno administrado centralmente, Nueva Gales del Sur está logrando un progreso constante hacia la implementación de registros médicos electrónicos en todo el estado. La versión actual de la tecnología del estado, eMR2, incluye características del CDSS como una vía de sepsis para identificar pacientes en riesgo en función de los datos ingresados ​​en el registro electrónico. A junio de 2016, 93 de los 194 sitios incluidos en el alcance de la implementación inicial habían implementado eMR2. ^[38]

El servicio de apoyo a la toma de decisiones clínicas EBMEDS, proporcionado por Duodecim Medical Publications Ltd, es utilizado por más del 60% de los médicos del sistema sanitario público finlandés. ^[39]

En la India se han llevado a cabo muchas iniciativas recientes para promover la salud digital. Están surgiendo nuevas plataformas en la India, como Eka.care, Clinisio, Raxa, etc., que ofrecen asistencia para la toma de decisiones clínicas integrada en la historia clínica electrónica. ^[40]

En un estudio realizado en el Reino Unido se puso a prueba el Salford Medication Safety Dashboard (SMASH), una aplicación de CDSS basada en la web para ayudar a los médicos de cabecera y farmacéuticos a encontrar personas en sus registros médicos electrónicos que podrían enfrentarse a riesgos de seguridad debido a errores en las recetas. El panel se utilizó con éxito para identificar y ayudar a los pacientes con recetas inseguras ya registradas y, más tarde, ayudó a controlar los nuevos casos a medida que aparecían. ^{[41] [42]}

• Lenguaje de expresión de Gello
• Organización Internacional para el Desarrollo de Normas Terminológicas de Salud
• Algoritmo médico
• Informática médica
• Ley de protección de la información sanitaria personal (ley vigente en Ontario)
• Soporte para la toma de decisiones sobre el tratamiento (herramientas de apoyo a la toma de decisiones para pacientes)
• Inteligencia artificial en la atención sanitaria

• Duodecim EBMEDS Soporte de toma de decisiones clínicas
• Capítulo sobre soporte de decisiones de la Guía de informática sanitaria de Coiera
• OpenClinical Archivado el 2 de febrero de 2020 en Wayback Machine mantiene un extenso archivo de sistemas de Inteligencia Artificial en uso clínico de rutina.
• Robert Trowbridge/ Scott Weingarten. Capítulo 53. Sistemas de apoyo a la toma de decisiones clínicas
• Sistema de Seguridad Comunitaria de Stanford

1. 1. 1. Sistemas de apoyo a la toma de decisiones clínicas: mejora de la atención sanitaria mediante la tecnología

En el panorama actual de la atención sanitaria, que avanza rápidamente, los sistemas de apoyo a la toma de decisiones clínicas (CDSS) desempeñan un papel fundamental a la hora de mejorar la atención al paciente, optimizar los resultados clínicos y ayudar a los profesionales sanitarios a tomar decisiones informadas. Este artículo analiza el concepto, los beneficios, los desafíos y las perspectivas futuras de los CDSS.

1. 1. 1. 1. ¿Qué es un Sistema de Apoyo a la Decisión Clínica (CDSS)?

Un sistema de apoyo a la toma de decisiones clínicas (CDSS, por sus siglas en inglés) es una herramienta informática diseñada para ayudar a los proveedores de atención médica a tomar decisiones clínicas mediante la integración de los conocimientos médicos con los datos de los pacientes. Estos sistemas utilizan algoritmos, bases de datos e información de los pacientes para proporcionar recomendaciones, alertas y recordatorios personalizados a los profesionales de la atención médica en el punto de atención.

1. 1. 1. 1. Componentes de un CDSS:

1. **Base de conocimientos**: Contiene pautas médicas, protocolos, mejores prácticas y reglas clínicas.

2. **Interfaz de datos del paciente**: Se integra con los sistemas de registros médicos electrónicos (EHR) para acceder a datos demográficos del paciente, historial médico, resultados de pruebas y medicamentos actuales.

3. **Motor de inferencia**: analiza los datos del paciente y aplica reglas clínicas para generar sugerencias o alertas basadas en algoritmos predefinidos.

4. **Interfaz de usuario**: Presenta recomendaciones, alertas e información relevante a los proveedores de atención médica en un formato fácil de usar.

1. 1. 1. 1. Beneficios de los sistemas de apoyo a la toma de decisiones clínicas:

1. **Mejora de la toma de decisiones clínicas**: el CDSS proporciona recomendaciones basadas en evidencia, reduciendo los errores y la variabilidad en la práctica clínica.

2. **Mayor seguridad del paciente**: Las alertas sobre interacciones medicamentosas, alergias y posibles eventos adversos ayudan a prevenir errores médicos y mejorar los resultados de los pacientes.

3. **Eficiencia**: agiliza el flujo de trabajo al proporcionar acceso rápido a la información relevante, lo que reduce el tiempo dedicado a la recuperación y el análisis manual de datos.

4. **Rentabilidad**: Ayuda a optimizar la utilización de recursos, reduciendo pruebas, tratamientos y hospitalizaciones innecesarias.

5. **Educación continua**: actúa como una herramienta de aprendizaje al mantener a los proveedores de atención médica actualizados con las últimas investigaciones y pautas médicas.

1. 1. 1. 1. Desafíos en la implementación del CDSS:

1. **Complejidad de integración**: Integrar CDSS con sistemas y flujos de trabajo de EHR existentes puede ser un desafío y llevar mucho tiempo.

2. **Calidad de los datos e interoperabilidad**: La dependencia de datos precisos y completos es crucial para la eficacia del CDSS.

3. **Aceptación del usuario**: Resistencia al cambio y falta de familiaridad con las nuevas tecnologías entre los proveedores de atención médica.

4. **Fatiga de alertas**: sobrecargar a los proveedores de atención médica con alertas y recordatorios excesivos, lo que lleva a la desensibilización.

5. **Cuestiones legales y éticas**: Preocupaciones relacionadas con la responsabilidad, la privacidad y la confidencialidad de los datos de los pacientes.

1. 1. 1. 1. Tendencias futuras e innovaciones:

1. **Inteligencia artificial y aprendizaje automático**: Algoritmos avanzados para análisis predictivo , medicina personalizada y toma de decisiones en tiempo real.

2. **Soluciones móviles y basadas en la nube**: acceso remoto e integración perfecta en diferentes entornos de atención médica.

3. **Procesamiento del lenguaje natural**: mejora de las capacidades del CDSS para interpretar datos no estructurados, como notas clínicas e informes de imágenes.

4. **CDSS centrado en el paciente**: involucrar a los pacientes en los procesos de toma de decisiones y en la gestión personalizada de la salud.

1. 1. 1. 1. Conclusión:

Los sistemas de apoyo a la toma de decisiones clínicas representan una tecnología transformadora en el ámbito de la atención sanitaria, que ofrece importantes beneficios en la práctica clínica, la seguridad del paciente y la eficiencia de la atención sanitaria. Si bien aún existen desafíos en la implementación y la adopción, los avances continuos en la tecnología y la prestación de servicios de atención sanitaria están preparados para mejorar aún más las capacidades y el impacto de los CDSS en la mejora de los resultados generales de la atención sanitaria.

En conclusión, los CDSS son herramientas fundamentales en el cambiante panorama de la tecnología sanitaria, que permiten a los profesionales sanitarios aprovechar la información basada en datos y el conocimiento médico de manera eficaz en el punto de atención, lo que en última instancia conduce a mejores resultados para los pacientes y una mejor prestación de la atención sanitaria.