Automatización en sanidad: qué es, qué funciona y lo que una clínica hizo bien

Un centro de cirugía oftalmológica estaba perdiendo pacientes. No frente a la competencia, sino por citas a las que nadie acudía.

Cada semana, el 18 % de las citas previstas se quedaban sin cubrir. Cuatro personas a tiempo completo pasaban el día llamando a unos 500 pacientes para confirmarlas. Cuando no bastaba, la clínica programaba citas de más, sin criterio, esperando que las cifras cuadraran. Algunos días acudían todos los pacientes y la sala de espera era un caos. Otros, quedaban huecos libres.

Entonces, la clínica creó un modelo predictivo. Sencillo: «IA tabular simple, no demasiado difícil de montar», como explica Don Woodlock, presidente de InterSystems, en su serie Code to Care. El modelo identificaba a los pacientes con más probabilidades de faltar a su cita. El equipo dejó de llamar a todo el mundo y se centró en quienes tenían mayor riesgo. Las inasistencias bajaron del 18 % al 10 % y el equipo de llamadas pasó de cuatro personas a una.

La tecnología fue la parte fácil. El valor estaba en rediseñar el flujo de trabajo.

A continuación, veremos cómo lo hicieron, el marco de cuatro pasos que permite repetir el modelo y una guía práctica para encontrar el primer caso de automatización con impacto en su organización.

La automatización sanitaria utiliza inteligencia artificial, aprendizaje automático, automatización robótica de procesos y herramientas digitales para realizar tareas clínicas y administrativas que hasta ahora requerían trabajo manual. Puede ser tan sencilla como un recordatorio de cita o tan avanzada como un modelo que anticipa qué pacientes no acudirán a la consulta o un sistema de IA agéntica capaz de completar de forma autónoma flujos de trabajo de varios pasos.

El objetivo es simple: liberar a los profesionales sanitarios de las tareas repetitivas para que puedan centrarse en las que requieren criterio humano.

Un coordinador de citas que deja de hacer 500 llamadas de recordatorio a la semana puede dedicar ese tiempo al seguimiento de pacientes con necesidades complejas. Un especialista en facturación, liberado de introducir datos a mano, puede investigar reclamaciones denegadas. Y el personal de enfermería cuyos registros clínicos se generan mediante tecnología de escucha ambiental puede pasar más tiempo junto al paciente.

Casi el 90 % de las organizaciones sanitarias ya ha adoptado alguna forma de automatización y despliega o prueba en proyectos piloto herramientas 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 se está extendiendo rápidamente: de las tareas administrativas internas a la atención directa al paciente. Los mejores resultados los logran las organizaciones que rediseñan sus flujos de trabajo en torno a la tecnología, no las que se limitan a añadirla a los sistemas actuales.

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.

La IA y el modelado predictivo van más allá de las reglas. Aprenden patrones a partir de los datos históricos de los pacientes y hacen predicciones sobre cuáles tienen probabilidades de faltar a su cita, cuáles podrían ser reingresados o qué reclamaciones pueden ser denegadas. 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. Las herramientas de este tipo ponen el «modelo simple de IA tabular» de Don al alcance de las 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 esta profesión para atender a los pacientes. Sin embargo, muchos dedican horas a tareas que consumen tiempo, como programar citas, introducir datos, tramitar formularios o documentar consultas. La automatización sanitaria puede devolverles ese tiempo y mejorar, a la vez, la eficiencia operativa y la satisfacción de los pacientes.

Programación y gestión de citas. Los sistemas automatizados se ocupan de reservar citas, enviar mensajes de confirmación, ofrecer opciones para cambiarlas o pasarlas a teleconsulta y gestionar las listas de espera. Los recordatorios automatizados, por sí solos, pueden reducir de forma significativa las tasas de inasistencia; algunos sistemas de salud han reducido las ausencias en más de un 40 % al automatizar las tareas repetitivas de programación.

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

Introducción de datos e informes. Automatizar la introducción de datos de las historias clínicas y la generación de informes reduce las tareas rutinarias y proporciona información fiable para tomar mejores decisiones. Así, los profesionales sanitarios dedican menos tiempo al trabajo manual repetitivo y más a la atención al paciente, para la que se formaron.

Documentación clínica mediante escucha ambiental. Esta tecnología capta la conversación entre médico y paciente y genera automáticamente notas clínicas estructuradas. Por sí sola, puede ahorrar varias horas diarias de documentación y devolver ese tiempo a la atención directa al paciente.

Las organizaciones sanitarias pierden ingresos en cada fase del ciclo de facturación: citas a las que no acude el paciente, errores de codificación, reclamaciones denegadas, etc. 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 proporciona el motor de integración con el que los procesos automatizados acceden a los datos de los pacientes y los concilian en tiempo real entre historias clínicas electrónicas, plataformas de facturación y sistemas de las aseguradoras.

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 bajo la presión del tiempo.

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 que vimos al principio —1.000 pacientes por semana, un 18 % de inasistencias y cuatro personas haciendo 500 llamadas— merece una mirada más detenida. El resultado fue claro. Así lo consiguieron.

Las tasas de inasistencia varían según la especialidad, pero suelen situarse entre el 5 % y el 30 %. El 18 % del centro estaba dentro de los rangos habituales, pero era suficiente para crear graves problemas operativos y de acceso a la atención.

Las inasistencias llevaban a sobrecitar de forma aleatoria, con el coste y la pérdida de ingresos que eso supone. «La sobrecitación puede convertirse en un auténtico caos», resume Don Woodlock, presidente de InterSystems.

La clínica utilizó un año de historial de citas y datos de programación: fecha, hora, centro, médico, motivo de la consulta y asistencia.

Los datos brutos no bastaban; hubo que transformarlos. De la fecha se extrajeron el día de la semana y el mes —en invierno era más difícil que los pacientes acudieran— y de la hora, si era mañana o tarde. Dos variables resultaron especialmente predictivas: la antelación de reserva —cuánto antes se había programado la cita— y la distancia entre el domicilio del paciente y el centro.

La integración en el flujo de trabajo fue sencilla. Al programar cada cita, el modelo calculaba la probabilidad de inasistencia. En la pantalla aparecía un icono para riesgos de entre el 70 % y el 90 %, y un icono rojo para riesgos del 90 % o superiores. Todo el personal podía ver el nivel de riesgo.

La respuesta se aplicaba por niveles. Los pacientes con una probabilidad superior al 70 % recibían tres llamadas de confirmación. Si no confirmaban, se liberaba la cita. A partir del 90 %, un supervisor les llamaba para identificar y abordar las barreras: transporte, conflictos de agenda u otras dificultades que pudieran impedirles acudir.

La tasa de ausencias sin previo aviso bajó del 18 % al 10 %, una reducción del 44 %, y se plantearon nuevos cambios en el flujo de trabajo con el objetivo de llegar al 5 %. El equipo de llamadas pasó de cuatro personas a una, que hacía 150 llamadas semanales en lugar de 500. 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 dejaban huecos libres, el personal llamaba con una semana de antelación a los pacientes en lista de espera. «Hola, tenemos un hueco». Los ingresos se recuperaron y la experiencia del paciente mejoró.

Las variables más predictivas del modelo no eran las que la mayoría de los profesionales sanitarios habría 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 en la salud más que la propia biología y, según se ha visto, también influyen mucho en el comportamiento administrativo», explica Don Woodlock.

Esto es relevante para la automatización sanitaria en general: los pacientes con más probabilidades de faltar a la cita no se olvidan de ella. Se enfrentan a dificultades de transporte, inestabilidad en la vivienda o problemas de seguridad. «Enviar más recordatorios automáticos» no lo resuelve. La cuestión no es la información, sino el acceso.

Por eso, en el nivel del 90 % o más del modelo de Woodlock, 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 más eficaces sacan a la luz las realidades humanas que revela el análisis de datos y mejoran los resultados en salud, en lugar de limitarse a procesar más rápido los registros de los pacientes.

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 se produzcan.
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 casi todo el mundo se hace sobre la automatización sanitaria es: «¿Qué tareas podemos automatizar?». La pregunta acertada, la que responde el caso de Don, es otra: «¿Cómo conseguimos que el tiempo de nuestros profesionales rinda de verdad?». Ese es el tercer paso y ahí está el valor. Toda estrategia de automatización eficaz parte de este planteamiento.

El modelo de ausencias de Woodlock funcionó porque la información necesaria ya existía: un año de historial de citas con sus resultados, accesible y estructurado. Muchos proyectos de automatización sanitaria fracasan antes de empezar porque no cuentan con una base sólida de datos. Implantar la automatización sin datos depurados es como contratar personal sin darle acceso a las historias clínicas de los pacientes.pacientes.

Es esencial que los datos sean interoperables porque la automatización requiere acceder a los de los pacientes en todos los sistemas existentes: historias clínicas electrónicas, plataformas de citación, sistemas de facturación y portales del paciente. 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.

Respecto a la armonización de los datos, estos residen en sistemas diferentes con formatos y ciclos de actualización distintos. 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» los armoniza allí donde se encuentran, dando a los profesionales sanitarios una visión unificada sin necesidad de sustituir los sistemas o de centralizar la información. Es la opción que InterSystems ha incorporado a la plataforma IRIS.

Las dificultades de la automatización sanitaria rara vez tienen que ver con la tecnología. Los verdaderos obstáculos para implantarla en el sector sanitario son, entre otros, los siguientes:

• Integración con los sistemas heredados. La nueva automatización médica debe conectarse con los sistemas ya existentes, no sustituirlos.
• Adopción por parte del personal. El caso de Don exigió un cambio real en el flujo de trabajo: el equipo de llamadas pasó de cuatro personas a una. Para la organización, eso es eficiencia operativa; para las personas, es gestión del cambio. Los profesionales sanitarios necesitan formación y apoyo durante la transición.
• Privacidad y cumplimiento normativo. Cualquier sistema que maneje datos de pacientes necesita registros de auditoría y controles de acceso conformes con la ley HIPAA.
• Sesgos de los modelos. Los modelos de ML entrenados con datos no representativos pueden perpetuar desigualdades, algo especialmente preocupante cuando intervienen determinantes sociales.
• Competencia presupuestaria. Las organizaciones sanitarias deben atender prioridades que compiten entre sí. Las inversiones tecnológicas en automatización requieren pruebas claras de su rentabilidad (ROI), justo lo que aportan casos como el de Don.

Don Woodlock califica su modelo de «simple» y «no demasiado difícil de montar», y es una descripción exacta. En el sector sanitario, el obstáculo para la automatización no suele ser la tecnología, sino la preparación de los datos, el rediseño de los flujos de trabajo y la disposición de la organización a replantear en qué emplean el tiempo sus profesionales.

«Estos modelos pueden ser bastante precisos y sustituir con facilidad el flujo de trabajo caótico y costoso que hoy tiene la mayoría de las redes sanitarias»., afirma Don Woodlock.

La automatización sanitaria está pasando de ser reactiva a ser predictiva. El modelo de ausencias a las citas de Don es un ejemplo temprano de un patrón que se extiende por todo el sector: entrenar 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.