Automatización sanitaria: qué es, qué funciona y qué hizo bien una clínica

Un centro de cirugía oftalmológica estaba perdiendo pacientes, no frente a la competencia, sino por inasistencias. Cada semana, el 18 % de las citas programadas quedaban sin cubrir. Cuatro empleados a tiempo completo dedicaban la jornada a llamar a unos 500 pacientes para confirmar sus citas. Cuando eso no funcionaba, la clínica recurría a una sobrecitación aleatoria, con la esperanza de que las cuentas acabaran cuadrando. Algunos días acudían todos los pacientes y la sala de espera se convertía en un caos. Otros, quedaban huecos vacíos.

Entonces, la clínica desarrolló un modelo predictivo sencillo. «IA tabular simple, no demasiado difícil de montar», como lo describe Don Woodlock, presidente de InterSystems, en su serie Code to Care. El modelo predecía qué pacientes tenían más probabilidades de faltar a su cita. El personal dejó de llamar a todo el mundo y empezó a llamar solo a los pacientes que lo necesitaban. Las ausencias sin previo aviso se redujeron del 18 % al 10 %, y el equipo de llamadas pasó de cuatro personas a una.

La parte técnica fue la más fácil. El valor estaba en el rediseño del flujo de trabajo.

A continuación se explica en detalle cómo lo consiguió, el marco de cuatro pasos que hace replicable este patrón y un roadmap práctico para identificar el primer éxito de automatización en la propia organización..

La automatización sanitaria consiste en utilizar inteligencia artificial, machine learning, automatización robótica de procesos y herramientas digitales para realizar tareas clínicas y administrativas que antes exigían trabajo manual. Abarca desde una regla que envía un recordatorio de cita, pasando por un modelo predictivo que identifica qué pacientes faltarán a su consulta, hasta un sistema de IA agéntica que razona de forma autónoma para completar un flujo de trabajo de varios pasos.

El objetivo es sencillo: que las organizaciones sanitarias dediquen el tiempo de sus profesionales a las tareas que requieren criterio humano, y no a las que pueden prescindir de él.

El coordinador de citas que ya no hace 500 llamadas de recordatorio a la semana puede dedicarse al seguimiento de pacientes con necesidades complejas. El especialista en facturación liberado de la introducción manual de datos puede centrarse en las reclamaciones denegadas que requieren investigación. El personal de enfermería cuyos registros clínicos se generan mediante tecnología de escucha ambiental puede pasar más tiempo a pie de cama, atendiendo directamente al paciente.

Aproximadamente el 90 % de las organizaciones sanitarias han adoptado alguna forma de automatización y despliegan o prueban en proyectos piloto herramientas de automatización basadas en IA en, al menos, un área. Se prevé que el mercado mundial de la automatización sanitaria alcance entre 69 000 y 88 000 millones de dólares a finales de 2030, con un crecimiento anual cercano al 9 %. La automatización sanitaria se extiende con rapidez desde las tareas administrativas internas hasta la atención directa al paciente. Las organizaciones sanitarias que obtienen mejores resultados son las que rediseñan sus flujos de trabajo en torno a la tecnología, en lugar de superponerla a los sistemas existentes.

Hoy, la mayor parte de la automatización sanitaria se apoya en cuatro categorías tecnológicas. Saber dónde encaja cada una facilita a profesionales y organizaciones sanitarias la elección de la herramienta de automatización adecuada para cada problema.

La automatización robótica de procesos se ocupa de tareas administrativas repetitivas y basadas en reglas: cumplimentar formularios, transferir datos entre sistemas, presentar reclamaciones a las aseguradoras o procesar la documentación de admisión de los pacientes. La RPA sigue reglas predefinidas y las ejecuta con más rapidez y constancia que una persona, lo que reduce los errores humanos en los procesos sanitarios. Es el motor habitual de la automatización de procesos en el sector sanitario. Es el motor habitual de la automatización de procesos en el sector sanitario.

La inteligencia artificial y los modelos predictivos van más allá de las reglas: aprenden patrones a partir de los datos históricos de los pacientes y realizan predicciones sobre qué pacientes tienen más probabilidades de faltar a las citas, qué reclamaciones pueden ser denegadas o qué pacientes corren riesgo de reingreso. El modelo de inasistencias de Don Woodlock es un ejemplo de manual de cómo la IA impulsa la automatización sanitaria. Plataformas como InterSystems IRIS Data Platform incluyen IntegratedML, machine learning integrado con el que los desarrolladores crean, entrenan y despliegan modelos predictivos mediante comandos SQL, sin necesidad de que un equipo específico de ciencia de datos desarrolle cada modelo a medida. Herramientas de este tipo ponen el «modelo simple de IA tabular» de Don al alcance de redes sanitarias que no cuentan con departamentos de IA.

El procesamiento del lenguaje natural lee e interpreta texto no estructurado: notas clínicas, mensajes de pacientes, documentos de aseguradoras o informes de anatomía patológica. El PLN hace posibles procesos automatizados como la documentación clínica por escucha ambiental, los asistentes virtuales que responden a las consultas de los pacientes y los sistemas que extraen datos estructurados de historias clínicas en texto libre, lo que simplifica la introducción y el análisis de la información en todos los sistemas sanitarios.

La automatización inteligente combina la automatización robótica de procesos, el ML y el PLN para abordar tareas complejas y procesos de varios pasos que requieren criterio. Es el caso de los flujos de aprobación previa que recuperan documentos, comprueban el cumplimiento normativo, preparan los expedientes y derivan las excepciones a revisores humanos. La IA y el machine learning constituyen una de las categorías de gasto en automatización sanitaria que más rápido crecen..

La mayoría de los contenidos sobre automatización sanitaria se limitan a enumerar tecnologías y casos de uso. Una pregunta más útil es esta: ¿qué problemas resuelve realmente la automatización en el sector sanitario y qué resultados en salud de los pacientes está mejorando?

Los profesionales sanitarios eligieron su profesión para atender a pacientes. Sin embargo, muchos dedican horas a tareas laboriosas, como programar citas, introducir datos, tramitar formularios o documentar consultas. La automatización sanitaria está recuperando ese tiempo, con mejoras tanto en la eficiencia operativa como en la satisfacción de los pacientes.

Programación y gestión de citas. Los sistemas de citación automatizados se encargan de las reservas, envían mensajes de confirmación, ofrecen a los pacientes opciones para cambiar la cita o pasarla a teleconsulta y administran las listas de espera. Solo con recordatorios automáticos es posible reducir significativamente las tasas de inasistencia; algunas redes sanitarias han reducido las ausencias más de un 40 % al automatizar tareas repetitivas de programación de citas.

Admisión e incorporación de pacientes.Los consentimientos digitales, la verificación del seguro y los cuestionarios previos a la consulta sustituyen a los procesos en papel. La admisión automatizada garantiza que la información del paciente quede registrada con exactitud en la historia clínica electrónica antes de la consulta, lo que mejora su experiencia desde el primer contacto.

Introducción de datos e informes.Automatizar la introducción de datos procedentes de los registros de pacientes y la generación de informes reduce el trabajo rutinario y garantiza la exactitud de la información para tomar decisiones fundamentadas. Así, los profesionales sanitarios dedican menos tiempo a tareas manuales repetitivas y más a la atención al paciente, para la que se formaron.

Documentación clínica por escucha ambiental. La tecnología de escucha capta la conversación entre médico y paciente y genera automáticamente notas clínicas estructuradas. Solo esto puede ahorrar a los profesionales sanitarios varias horas diarias de documentación, un tiempo que vuelve a dedicarse a la atención al paciente.

Las organizaciones sanitarias pierden ingresos en cada fase del ciclo de facturación, desde citas a las que no se acude hasta errores de codificación o reclamaciones denegadas. La automatización sanitaria está corrigiendo esas fugas y generando ahorros de costes cuantificables.

Facturación y tramitación de reclamaciones.Los sistemas automatizados de facturación presentan las reclamaciones a las aseguradoras, emiten facturas y gestionan los ciclos de cobro a los pacientes, lo que reduce los errores humanos y simplifica el ciclo de ingresos. Para conectar los sistemas de facturación, citación y clínicos de modo que la automatización de procesos opere entre ellos, hace falta una capa de interoperabilidad. InterSystems IRIS for Health ofrece el motor de integración que permite a los procesos automatizados acceder y conciliar los datos de los pacientes entre historias clínicas electrónicas, plataformas de facturación y sistemas de las entidades aseguradoras en tiempo real.

Autorización previa.La automatización inteligente recupera la documentación clínica, comprueba los requisitos específicos de cada aseguradora, prepara los expedientes de autorización y hace el seguimiento del estado de cada solicitud. De este modo sustituye un proceso que antes obligaba al personal a recorrer manualmente varios portales.

Gestión del ciclo de ingresos.La automatización integral de los procesos del ciclo de ingresos, desde el registro del paciente hasta el pago final, reduce el tiempo y el coste de los flujos de trabajo administrativos. La transición a flujos de trabajo automatizados podría ahorrar al sector sanitario más de 20 000 millones de dólares al año , gracias a la reducción de los costes de las transacciones manuales.

Cuando un seguimiento se pierde por el camino, el paciente sale perjudicado. La automatización sanitaria garantiza la continuidad asistencial y mejora los resultados en salud.

Monitorización remota de pacientes.Los dispositivos conectados registran las constantes vitales, la adherencia a la medicación y los niveles de actividad. Cuando las lecturas quedan fuera de los rangos de seguridad, los sistemas automatizados avisan a los equipos asistenciales, que pueden intervenir de forma proactiva antes de que el estado del paciente empeore. Esta atención sanitaria predictiva reduce las visitas a urgencias y favorece los planes de tratamiento personalizados.

Gestión de la medicación.Los sistemas automatizados de dispensación, los verificadores de interacciones y los recordatorios de renovación de recetas contribuyen a reducir los errores médicos y a mejorar la adherencia. Los pacientes reciben una atención constante y a tiempo, sin depender de procesos manuales.

Apoyo diagnóstico.La inteligencia artificial puede analizar imágenes médicas para detectar anomalías y contribuir al diagnóstico precoz de enfermedades. Las soluciones de automatización sanitaria ayudan a los profesionales a identificar, en imágenes médicas, estudios de anatomía patológica y resultados de laboratorio, patrones que podrían pasar inadvertidos.

Coordinación del seguimiento.Los contactos automatizados tras el alta, el control del plan de cuidados y la programación de citas evitan que los pacientes queden desatendidos entre una consulta y otra. Estos sistemas mejoran la satisfacción de los pacientes con recordatorios de citas, medicación y revisiones, y garantizan una atención a tiempo.

El caso del centro de cirugía oftalmológica mencionado al principio (1000 pacientes por semana, un 18 % de ausencias sin previo aviso y cuatro empleados que hacían 500 llamadas) merece un análisis detallado. El resultado fue claro. Así lo consiguió.

Las tasas de ausencias en el sector varían según la especialidad, pero suelen oscilar entre el 5 % y el 30 %. Con un 18 %, el centro estabas dentro de los rangos habituales, pero era lo suficientemente alto como para generar graves problemas operativos y de acceso.

«Sigue habiendo personas que no se presentan, así que se recurre a la sobrecitación, algo aleatoria, normalmente». «Esto cuesta dinero, supone una pérdida de ingresos y el exceso de reservas podría ser un auténtico lío». - Don Woodlock, presidente de InterSystems

Desarrollo del modelo.La clínica utilizó los datos de un año de historial de citas y programación (incluidas la fecha, la hora, el lugar, el médico, el motivo de la visita y si el paciente acudió o no).

Los datos brutos de los pacientes debían transformarse para que resultaran útiles. La fecha pasó a ser el día de la semana y el mes del año (las citas en invierno eran más difíciles de cumplir). La hora pasó a ser «por la mañana» frente a «por la tarde». Dos variables analíticas resultaron ser especialmente predictivas: el «plazo de reserva» (con cuánta antelación se reservó la cita) y la distancia (a qué distancia vivía el paciente del centro sanitario).

Integración en el flujo de trabajo.A medida que se programaba cada cita, el modelo asignaba una probabilidad de que el paciente no acudiera. En la pantalla de programación aparecieron indicadores visuales: un icono para una probabilidad del 70-90 % y un icono rojo para una probabilidad del 90 % o superior. Todo el personal era consciente del riesgo.

La respuesta se articuló en varios niveles. Los pacientes con una probabilidad superior al 70 % recibieron tres llamadas de confirmación. Si no lo confirmaban, su plaza quedaba libre. Más del 90 % de los pacientes recibieron llamadas de sus supervisores centradas en hablar sobre los obstáculos: el transporte, los conflictos de horarios y otras dificultades que pudieran impedirles acudir a la cita.

Los resultados.La tasa de ausencias sin previo aviso se redujo del 18 % al 10 %, lo que supone una disminución del 44 %, y se han realizado cambios en los procesos de trabajo con el objetivo de situarla en el 5 %. El número de empleados dedicados a las llamadas se redujo de cuatro a uno, pasando de realizar 500 llamadas a la semana a 150. La capacidad liberada se destinó a cubrir la demanda de los pacientes: la clínica tenía una lista de espera de tres meses y, cuando las ausencias previstas liberaban plazas, el personal llamaba a los pacientes de la lista de espera con una semana de antelación. «Oye, tenemos una vacante». Los ingresos se han recuperado. La experiencia de los pacientes ha mejorado.

Las principales variables predictivas del modelo no eran las que la mayoría de los profesionales sanitarios habrían esperado.

La antelación de la reserva ocupaba el primer lugar: los pacientes que reservaban con mucha antelación tenían más probabilidades de no acudir a la cita. En segundo lugar figuraba si el paciente tenía un número de teléfono registrado. El tipo de cita, la ubicación y la distancia también influyeron.

Pero hay un dato que es lo que cambia el panorama. Los factores predictivos más reveladores procedían de un cuestionario para pacientes sobre los determinantes sociales de la salud:

• Acceso al transporte.
• Amenaza de sufrir daños.
• Nivel de estrés.
• Número de personas que componen el hogar.

«Los determinantes sociales influyen más en la salud que la propia biología y resulta que también influyen bastante en el comportamiento administrativo». - Don Woodlock

Esto es importante para la automatización en el ámbito sanitario en general: los pacientes con mayor probabilidad de faltar a la cita no se olvidan de ella. Se enfrentan a dificultades de transporte, inestabilidad en materia de vivienda o a problemas de seguridad. «Enviar más recordatorios automáticos» no resuelve este problema. La cuestión no es la información, sino el acceso.

Por eso, en el nivel del 90 % o más del modelo de Don, las llamadas de los supervisores se centraban en eliminar barreras, no en confirmar la asistencia. El modelo no se limitaba a predecir quién iba a faltar: identificaba quién necesitaba ayuda.

Cualquier automatización sanitaria que ignore el contexto social está optimizando la variable equivocada. Las soluciones de automatización sanitaria más eficaces sacan a la luz las realidades humanas que revela el análisis de datos, mejorando los resultados de los pacientes en lugar de limitarse a tramitar sus historiales con mayor rapidez.

Lo ocurrido en el centro de cirugía oftalmológica responde a un patrón de cuatro pasos aplicable a cualquier organización sanitaria que dedique el tiempo de su personal a tareas administrativas equivocadas:

1. Predecir: utiliza el análisis predictivo y los datos para identificar dónde se producirán los problemas antes de que sucedan
2. Priorizar: concentrar el esfuerzo humano en los casos de mayor riesgo, en lugar de repartirlo al azar.
3. Reasignar: liberar al personal de tareas repetitivas de poco valor para dedicarlo a la atención al paciente y a trabajos de alto valor que exigen criterio.
4. Recuperar: convertir la capacidad liberada en nuevo valor (ingresos, acceso de los pacientes, volumen de actividad).

Esta estrategia de automatización va más allá de las ausencias sin previo aviso. Los equipos de reclamaciones pueden predecir el riesgo de denegación, revisar de forma proactiva las reclamaciones de alto riesgo, sustituir los recursos reactivos por comprobaciones preventivas y recuperar valor gracias a reembolsos más rápidos. Las redes sanitarias pueden predecir el riesgo de reingreso a 30 días, priorizar el seguimiento tras el alta de los pacientes vulnerables, reasignar el tiempo de enfermería y recuperar valor al reducir las penalizaciones por reingreso. Los equipos de la cadena de suministro pueden predecir la demanda, detectar pronto los desabastecimientos, pasar de pedidos reactivos a compras planificadas y recuperar valor con mejores precios de aprovisionamiento.

La pregunta que la mayoría de la gente se hace sobre la automatización en el sector sanitario es: «¿Qué tareas podemos automatizar?». La pregunta más acertada, a la que responde el caso práctico de Don, es: «¿Cómo podemos aprovechar al máximo el tiempo de nuestra gente?». Ese es el tercer paso y ahí está el valor. Toda estrategia de automatización eficaz parte de este planteamiento.

El modelo de ausencias de Don funcionó porque los datos ya existían: un año de historial de citas con resultados, accesibles y estructurados. Muchos proyectos de automatización en el sector sanitario fracasan antes incluso de empezar porque no cuentan con una base de datos sólida. Implementar la automatización sin datos limpios es como contratar personal sin darles acceso a los historiales de los pacientes.

Datos interoperables.La automatización en el sector sanitario requiere acceder a los datos de los pacientes en todos los sistemas existentes: historias clínicas electrónicas, plataformas de gestión de citas, sistemas de facturación y portales para pacientes. Las normas de interoperabilidad sanitaria, como FHIR y HL7, conectan los sistemas sanitarios para que la automatización pueda aplicarse en todos ellos. InterSystems HealthShare Health Connect se encarga de la traducción de protocolos y del enrutamiento de mensajes entre sistemas clínicos, es compatible con HL7, FHIR, X12, DICOM y otros estándares sanitarios, y se ofrece como servicio gestionado en la nube, sin necesidad de integraciones punto a punto a medida.

Armonización de datos.Los datos de los pacientes residen en distintos sistemas sanitarios, con formatos y ciclos de actualización diferentes. En lugar de centralizarlo todo en un único almacén (un proyecto de varios años que la mayoría de los sistemas sanitarios no pueden permitirse), el enfoque «Smart Data Fabric» armoniza los datos allí donde se encuentran, lo que ofrece a los profesionales sanitarios una visión unificada sin necesidad de una sustitución completa ni de una centralización generalizada de todos los datos. Este es el enfoque que InterSystems ha incorporado a la plataforma IRIS.

Realidades de la implementación.Los retos de la automatización en el sector sanitario rara vez tienen que ver con la tecnología. Entre los verdaderos obstáculos para la implantación de la automatización en el sector sanitario se encuentran:

• Integración de sistemas heredados.Los nuevos sistemas de automatización médica deben integrarse con los sistemas existentes, no sustituirlos.
• Adopción por parte del personal.El caso de Don exigía un cambio real en el flujo de trabajo. El equipo titular pasó de cuatro a uno. Eso supone eficiencia operativa para la organización, pero para las personas supone una gestión del cambio. Los profesionales sanitarios necesitan formación y apoyo durante la transición.
• Privacidad y cumplimiento normativo.Cualquier sistema que gestione datos de pacientes debe contar con registros de auditoría y controles de acceso que cumplan con la normativa HIPAA.
• Sesgo del modelo.Los modelos de machine learning entrenados con datos no representativos pueden perpetuar las desigualdades, lo que resulta especialmente preocupante cuando entran en juego los determinantes sociales.
• Concurso presupuestario.Las organizaciones sanitarias se enfrentan a prioridades contrapuestas. Las inversiones en tecnología de automatización requieren pruebas claras del retorno de la inversión, que es precisamente lo que aportan casos prácticos como este.

Don dice que su modelo es «sencillo» y «no demasiado difícil de montar». Eso es cierto. El obstáculo para la automatización en el sector sanitario no suele ser la tecnología. Se trata de la preparación de los datos, el rediseño de los flujos de trabajo y la disposición de la organización a cambiar la forma en que los profesionales sanitarios emplean su tiempo.

«Estos modelos pueden ser bastante precisos y sustituir fácilmente al caótico y costoso flujo de trabajo que tienen hoy en día la mayoría de los sistemas sanitarios». - Don Woodlock

La automatización en el sector sanitario está pasando de ser reactiva a predictiva. El modelo de Don es uno de los primeros ejemplos de una tendencia que se está extendiendo por todo el sector sanitario: entrenar el modelo con resultados históricos, predecir el riesgo y rediseñar los flujos de trabajo en función de las predicciones. El mismo enfoque se aplica a los reingresos, las caídas, la reducción de errores médicos, las interrupciones de la cadena de suministro y la falta de personal.

Para las organizaciones sanitarias que estudian por dónde empezar su estrategia de automatización, la pauta es esta: identificar un flujo de trabajo caótico y costoso y confirmar que existen datos históricos. ( Preparar los datos para la IA es un primer paso práctico.) Después, desarrollar un modelo sencillo, centrarse en cómo cambian las predicciones lo que el personal hace realmente, y no en la sofisticación técnica del modelo, medir los resultados y repetir el proceso.

Las redes sanitarias que más partido saquen de la automatización no serán las que dispongan de la tecnología más avanzada, sino las que replanteen el uso del tiempo de sus profesionales, simplifiquen los flujos de trabajo clínicos y sitúen la atención al paciente en primer lugar.