Clientes /

SAS INSTITUTE ARGENTINA SA.
Alicia Moreau de Justo 550, 2º G
(C1107AAL) Ciudad Autónoma de Buenos Aires
Tel:(+54-11)-4878-4500
Fax: (+54-11)4878-4509
E-mail: informes@sas.com
SAS Institute, Argentina.
Alicia Moreau de Justo 550 2º G
http://www.sas.com/offices/latinamerica/argentina/success/index.html
(C1107AAL) Ciudad Autónoma de Buenos Aires
Tel:011-4878-4500

Clientes

Versión para imprimirVersión para imprimirPDF PDF

Casos de Clientes

 

Hospital Italiano de Buenos Aires

Las soluciones de SAS ayudan al Hospital Italiano a brindarle a sus afiliados una atención de mayor calidad

Cuando se implementan soluciones de inteligencia analítica en el sector salud, el retorno de la inversión no se mide sólo en dinero. Así lo demuestra un proyecto implementado por SAS Institute junto con el Hospital Italiano, una institución médica líder en la Argentina muy bien integrada en la comunidad científico-académica internacional.
En efecto, el objetivo principal del Hospital Italiano con esta iniciativa fue brindar a los afiliados una atención de mayor calidad,especialmente a aquellos que, por distintos motivos, interactúan más frecuentemente en las distintas etapas del proceso asistencial.
Estos pacientes generalmente son los que padecen enfermedades crónicas y acostumbran reunir una multiplicidad de factores de riesgo, cuya suma se traduce en una mayor probabilidad de adquirir patologías no solamente muy prevalentes, sino de alto costo.
"Los factores de riesgo clásicos (hipertensión arterial, diabetes, dislipemia y tabaquismo) parecen agotarse al intentar mostrar su poder discriminante para evaluar la evolución de los diferentes subgrupos. Obviamente son útiles, pero no alcanzan a explicar por qué no llegamos a controlarlos (en el caso de los factores psicosociales), o inclusive, habiéndolos controlado, por qué la evolución sigue siendo decepcionante (en lo que hace a la biología de la enfermedad)", explica Hernán Michelangelo: Médico de Planta, Médico Interno, Auditor Médico del Plan de Salud del Hospital Italiano e Integrante del Comité de Seguridad del Paciente.
Por eso, como indica Mónica Schpilberg, Médica de Planta y Jefe de Área de Epidemiología Bioestadística y Calidad del Departamento de Información Hospitalaria del Hospital Italiano, "nos interesó particularmente contar con una herramienta que generara potenciales hipótesis acerca de los factores que influyen en el deterioro de la salud y, mejor aún, acerca de las causas que lo originan. Si contáramos con hipótesis novedosas..., podríamos diseñar estudios para testearlas y, eventualmente, implementar soluciones o acciones preventivas".
La solución para afrontar este desafío fue un modelo predictivo basado en un árbol de decisión con capacidad de exponer a los grupos que compartieran ciertas características y sobre los cuales se pudiesen establecer hipótesis causales y diseñar estudios para su testeo.

El proyecto


El Hospital Italiano ofrece a la comunidad un Plan de Salud prepago que, en la actualidad, tiene unos 150 mil afiliados. Los integrantes de dicho plan cuentan con una Historia Clínica Electrónica que permite a la institución centralizar la información médica. Sin embargo, estos datos no son sistemáticamente controlados y se caracterizan por su elevada variabilidad, lo cual podría ir en detrimento de su calidad.
Por lo tanto, si se quería obtener indicadores que predijeran la ocurrencia de complicaciones en pacientes ya tratados en el hospital, era necesario desarrollar otras variables médicas, epidemiológicas y administrativas. Por ejemplo, el número de consultas a médicos clínicos, la relación entre consultas programadas y no programadas, la tasa de estudios por unidad de tiempo, el gasto en fármacos, etc. La hipótesis fue que este tipo de variables podía indicar la existencia de esas posibles complicaciones de la misma manera que los factores de riesgo cardiovascular clásicos.
En consecuencia, se decidió implementar un proyecto para obtener un modelo analítico que permitiera predecir, a partir de la gran cantidad de información médico-administrativa que el hospital posee de sus afiliados, quiénes serían aquéllos cuyo estado de salud se vería agravado de forma importante en el siguiente año. A continuación, se identificaría a los socios en riesgo para diseñar determinadas intervenciones porque, como explica Hernán Michelangelo, "al lograr detectar correlaciones podemos actuar en forma más dirigida, previniendo eventos adversos. Además, y no menos importante, podemos entender mejor algunos de los procesos fisiopatológicos involucrados". Antes, los programas de prevención sobre grupos de riesgo se basaban en hipótesis obtenidas mediante inferencia abductiva y datos aportados por investigación cualitativa, tanto obtenidos en el Hospital Italiano como por equipos de otras organizaciones, lo cual era sumamente útil, pero se basaba en datos menos veraces, completos y ajustables.


La ejecución


Como recuerda Hernán Michelangelo, "nosotros tenemos la experiencia de haber trabajado sobre un subgrupo de la población que, sin tener patologías concluyentes, simplemente consumía servicios en forma inagotable ("heavy users" de los servicios de salud). No habíamos hecho más investigación sobre éstos que analizar sus patologías y hacer una intervención muy básica para organizarles la atención. Pero esto nos permitió ver que había un sinnúmero de factores que los scores de morbi-mortalidad clásicos no consideraban y que debían ser hallados".Por lo tanto, se realizó un proyecto de minería de datos sobre la gran cantidad de información que el hospital poseía de sus afiliados. Y, teniendo en cuenta que el gasto en salud puede ser un indicador del grado de salud-enfermedad de una persona y que esa información estaba disponible, el target u objetivo a predecir se definió como el promedio mensual del gasto médico en que incurrirá el afiliado el próximo año.
El gasto médico fue definido como la suma de la facturación en los distintos dominios (anestesia, tratamiento, fármaco, laboratorio, etc.). A mayor gasto médico, se presume más complejo el deterioro de la salud. Para que este valor fuese independiente de la inflación, se decidió dividirlo por el valor de la cápita correspondiente al Plan Mayor (este valor es el que se le paga al médico de cabecera mensualmente por cada uno de los afiliados de cuya salud él se ocupa) correspondiente al mes calculado. Luego este valor se dividió por la cantidad de meses que cada socio estuvo activo en el Plan de Salud.
Se definió como afiliado de alto riesgo a aquel cuyo gasto promedio mensual estuviera por encima de un determinado valor (Percentil 90). Este valor es aquel superado sólo por el 10 por ciento de los afiliados. El objetivo a predecir o target pasó a ser si un afiliado estaba o no incluido en este grupo.
En principio, se entrenaron modelos de clasificación con un conjunto de datos registrados durante el 2005 con el target correspondiente al 2006. Cada conjunto de datos (dataset) agrupaba los datos de los afiliados por año calendario. A cada observación se le añadió un atributo que subrogaba el gasto médico incurrido por el paciente en el año posterior. Éste era el objetivo o target a predecir utilizado para entrenar y validar los modelos.
El primer paso fue relevar, extraer y componer de las bases de datos del Hospital Italiano las variables que se incluirían posteriormente en los modelos predictivos. Los datos generados por estos sistemas transaccionales, luego de ser extraídos y transformados, se cargaron en un Data Warehouse. Se recolectaron 575 atributos o variables de datos demográficos, geográficos, de tipo de relación con el Plan de Salud, de tasa de uso, de facturación, de enfermedades crónicas, de uso de diagnóstico por imágenes, de resultados de laboratorio, de antropometría/signos vitales y de uso de fármacos.
Utilizamos dos métodos predictivos clásicos: árboles de decisión y regresión logística. Luego de probar diferentes alternativas de regresión logística, se consideró oportuno descartar estos modelos. También fueron descartados ciertos tipos de árboles por cuestiones de sobreajuste. En definitiva quedaron tres modelos de similares características. Luego estos se evaluaron con los datasets correspondientes a 2006 y 2007. De este modo, se pudo verificar que el modelo que presentaba el mejor desempeño era estable año a año. Una vez seleccionado, se lo volvió a entrenar y a evaluar con los datos del 2007 (target 2008). Nuevamente,se comprobó que era estable y que ajustaba adecuadamente la variable objetivo. Como paso final, este modelo fue utilizado para clasificar los datos del 2008.
La aplicación Enterprise Guide de SAS (versión 4.1) permitió realizar las operaciones sobre los datos que finalizaron en la generación de tres tablas analíticas que incluían la variable target, y una (la correspondiente al año 2008) sobre la que se aplicó el modelo elegido. Las etapas previas a la modelización en sí, esto es, obtención, preparación y verificación de datos, representaron aproximadamente el 75% del tiempo del proyecto. Para generar los modelos de Data Mining se utilizó la aplicación Enterprise Miner de SAS (versión 5.3).


Los resultados


No sólo se clasificó el dataset correspondiente al 2008 identificando a 2724 afiliados como de "alto gasto", sino que el modelo también permitió postular hipótesis no sospechadas a priori y susceptibles de ser testeadas. Por ejemplo, el modelo permitió ver que aquellos afiliados con registro de enfermedad hipertensiva por más de 13 meses, que consultaron 28 veces o más a médicos especialistas durante el 2008 y cuya facturación en prácticas de laboratorio fue alta y en productos de farmacia baja constituyen un grupo de riesgo para el año próximo. Una hipótesis posible es que este nodo resulte de pacientes hipertensos insuficientemente tratados, ya sea en cantidad de dosis o cantidad de fármacos, ya sea por insuficiente prescripción o por falta de adherencia al tratamiento.
Todo esto hubiera sido muy difícil de lograr sin soluciones como las que proveyó SAS porque, como explica Mónica Schpilberg "las variables que incluimos en el proyecto fueron demasiadas como para poder ser estudiadas con las herramientas clásicas. El proyecto fue realizado en conjunto con integrantes de SAS, esto fue de gran ayuda y nos aportó conocimiento para encarar nuevas iniciativas de este tipo. Además vimos experiencias documentadas con SAS en otras organizaciones del ámbito de la salud que nos resultaron muy interesantes".
No obstante, Hernán Michelangelo aconseja que para que un proyecto de Data Mining tenga éxito, es imprescindible establecer primero si las condiciones de informatización de la organización están dadas para este propósito: "se debe identificar unívocamente los casos y tener especial consideración por el volumen de trabajo que conlleva la preparación de los datos. Y, antes de lanzarse a la confección de modelos, se debe hacer un planteo claro y profundo de cuáles son las preguntas que quieren responderse. Plantearse una hipótesis que, si bien la herramienta NO va a responder, ya que esa no es su finalidad, va a permitirnos abrir diagramas de causa-efecto más amplios, superadores de los que podemos construir con nuestra información clásica y sesgada por una evidencia muy recortada".


Eso fue precisamente lo que se logró en el Hospital Italiano con las herramientas de SAS y, en el futuro, existe la posibilidad de continuar con el proceso y entrar en un nuevo ciclo. De esta forma, se obtendrá un nuevo modelo que permita mejorar la calidad de ajuste respecto del actual.

Copyright © SAS Institute Inc. All Rights Reserved.

Hospital Italiano de Buenos Aires

Hospital Italiano de Buenos Aires

Problemática /Reto de negocio:

Poder generar hipótesis acerca de los factores que influyen en el deterioro de la salud y las causas que lo originan.

Solución:

- SAS Enterprise Miner 5.3
- SAS Enterprise Guide 4.1

Beneficios:
  • Obtener asociaciones novedosas entre los datos que permitieron establecer hipótesis que luego de ser testeadas podrían contribuir a diseñar acciones preventivas en pacientes de alto riesgo.
Producto(s):
Salud

La dificultad que enfrentábamos es que la enfermedad desarrollada por dos o más personas con los mismos factores de riesgo es muchas veces muy diferente.

Hernán Michelangelo

Médico de Planta del Servicio de Clínica Médica, Auditor Médico del Plan de Salud e Integrante del Comité de Seguridad del Paciente


Nos interesó particularmente contar con una herramienta que generara potenciales hipótesis acerca de los factores que influyen en el deterioro de la salud y, mejor aún, acerca de las causas que lo originan.

Mónica Schpilberg

Médica de Planta y Jefe de Área de Epidemiología Bioestadística y Calidad


Al lograr detectar correlaciones podemos actuar en forma más dirigida, previniendo eventos adversos. Además, y no menos importante, podemos entender mejor algunos de los procesos fisiopatológicos involucrados.

Hernán Michelangelo


El proyecto fue realizado en conjunto con integrantes de SAS, esto fue de gran ayuda y nos aportó conocimiento para encarar nuevas iniciativas de este tipo"

Mónica Schpilberg