Ya lo aseguró la Comisión Europea (CE), el futuro de los sistemas de salud se orientará hacia el paciente, promoviendo hábitos saludables y una conectividad digital integral entre la tríada conformada por pacientes, profesionales y organizaciones sanitarias. Teniendo en cuenta este panorama, fomentar una medicina basada en valor promoviendo el uso de las herramientas como los Patient-Reported Outcomes (PROMs) y los Patient-Reported Experience Measures (PREMs) se convierte en todo un aliado de cara a “capturar” la perspectiva del paciente y evaluar el impacto real de las intervenciones. Con esta visión nace Algopromia, un proyecto multicéntrico que implica varios hospitales públicos de toda España y que se prevé que tenga un gran impacto en pacientes oncológicos, con patologías inmunomediadas, neurodegenerativas u oftalmológicas.
EG se ha puesto en contacto con Gabriel Mercadal, adjunto en el servicio de farmacia hospitalaria del Hospital General Mateu Orfila (Menorca), para indagar en todos los detalles de este proyecto, que se dio a conocer en el marco del 69º Congreso Nacional de la Sociedad Española de Farmacia Hospitalaria (SEFH).
Más personalización y eficiencia
Entre los objetivos principales del proyecto, Mercadal destaca diseñar y validar una metodología basada en técnicas de machine learning para predecir con precisión las puntuaciones de cuestionarios de resultados en salud reportados por los propios pacientes, sobre su calidad de vida, signos y síntomas de sus enfermedades, es decir en base a los resultados de los PROMs y PREMs. Además, simultáneamente se quiere revelar su curso clínico desde el punto de vista de los cuestionarios y clasificar a los pacientes mediante variables de interés como, por ejemplo, la adhesión al tratamiento.
“El proyecto busca mejorar la personalización de los tratamientos y la eficiencia en la atención sanitaria, alineándose con los retos actuales en farmacología de optimizar los recursos asistenciales, reducir las complicaciones y centrarse en el paciente”, garantiza.
Transformar la atención farmacéutica a través del machine learning
En lo que respecta a la metodología empleada y a los principales desafíos, el adjunto en el servicio de farmacia hospitalaria del Hospital General Mateu Orfila indica que utiliza un enfoque multicéntrico e interdisciplinar, integrando datos clínicos, sociodemográficos y resultados de PROMs/PREMs mediante algoritmos de machine learning. “El modelo Random Forest ha demostrado ser efectivo para predecir las puntuaciones de estos cuestionarios, mientras que modelos ARIMA se utilizan para analizar la evolución clínica en enfermedades crónicas”, recalca.
Incidiendo en los desafíos principales, señala la integración de datos provenientes de diversas fuentes, la calidad de los mismos y la validación de los modelos predictivos en diferentes patologías, como el cáncer, la artritis reumatoide y el VIH. Además, asegurar la aplicabilidad de los modelos en entornos hospitalarios reales “ha requerido una estrecha colaboración entre farmacéuticos hospitalarios, médicos y tecnólogos”, asegura.
De esta forma, el impacto esperado en la atención farmacéutica y el manejo de pacientes en los centros hospitalarios es transformar la atención farmacéutica al permitir una mayor personalización de los tratamientos. “Los algoritmos de machine learning permiten predecir la evolución clínica de los pacientes y anticipar complicaciones, lo que facilita la intervención temprana”, afirma. “Al mejorar la adherencia al tratamiento y optimizar el uso de los recursos sanitarios, el proyecto contribuirá a reducir las visitas presenciales innecesarias, promoviendo un modelo de atención telemática”, añade, Mercadal. Como consecuencia directa de ello, “se logrará una atención más eficiente y centrada en las necesidades individuales de los pacientes”, asevera.
Optimización del seguimiento en tiempo real y formación profesional
El proyecto Algopromia integra tecnologías de machine learning, análisis de datos masivos (big data) y herramientas digitales de telemedicina, facilitadas a través de la plataforma NAVETA. “Estas tecnologías permiten un análisis predictivo preciso, personalizando los tratamientos y clasificando a los pacientes según su adherencia al tratamiento o su evolución clínica”, sostiene. Paralelamente, “esto optimiza el seguimiento de los pacientes en tiempo real y permite una mayor eficiencia en la gestión de los recursos hospitalarios”.
“La formación se centra en la interpretación de los datos y su integración en la toma de decisiones clínicas”
Incidiendo en cómo se está abordando la formación y capacitación de los farmacéuticos en relación con este proyecto, Mercadal explica que se ha implementado un programa de formación para los farmacéuticos hospitalarios y otros profesionales sanitarios para capacitarlos en el uso de herramientas digitales avanzadas y técnicas de machine learning. “La formación se centra en la interpretación de los datos obtenidos de los cuestionarios PROMs y PREMs y su integración en la toma de decisiones clínicas, asegurando que los profesionales estén preparados para aplicar este enfoque digital en la práctica diaria”, subraya.
Resultados preliminares y mecanismos de evaluación
Actualmente, el proyecto se encuentra en fase de diseminación de resultados y validación clínica en varios hospitales de España. Una vez completada esta fase, se espera que esté disponible para su implementación en un plazo de 12 a 18 meses, facilitando su uso en hospitales con infraestructura adecuada y permitiendo una mayor adopción de modelos de atención basados en valor. “Varios hospitales españoles ya han mostrado interés en implementar Algopromia, especialmente aquellos que forman parte de la cohorte NAVETA, que incluye más de 60 hospitales e instituciones“, garantiza. Estos centros han estado involucrados en las fases de desarrollo y validación del proyecto y se espera que lideren su implementación a nivel nacional e internacional.
“Varios hospitales españoles ya han mostrado interés en implementar Algopromia”
Para medir el éxito de Algopromia, se ha empleado indicadores clave como la precisión en la predicción de los resultados clínicos (mediante métricas como el error cuadrático medio y el coeficiente de determinación R2), la mejora en la adherencia al tratamiento y la reducción de complicaciones, informa Mercadal. Asimismo, la curva ROC se ha utilizado para evaluar la capacidad de los modelos de clasificación en la identificación de pacientes que requieren intervenciones adicionales, garantizando una atención más adaptada a las necesidades individuales.
“El futuro de la farmacia hospitalaria estará profundamente influenciado por proyectos como Algopromia. Al combinar machine learning con los datos reportados por los pacientes, será posible predecir complicaciones, mejorar la adherencia a los tratamientos y personalizar los planes terapéuticos“, enfatiza Mercadal. “Esto optimizará los recursos, reducirá costes y promoverá una atención más centrada en el paciente, avanzando hacia un modelo de salud más humano y eficiente, alineado con los principios de la medicina basada en valor”, concluye.