Volume 8, No. 1 • Febrero de 2025   Issue PDF

La APSF premia a los ganadores de las becas 2025

by Yan Xiao, PhD

Estos programas cumplieron un papel esencial en establecer y mejorar las carreras de muchos profesionales en anestesiología y otras áreas para poder conducir investigación y educación sobre seguridad del paciente. Los programas cumplieron un papel esencial en establecer y mejorar las carreras de muchos anestesiólogos y otros profesionales al hacer investigaciones y educación sobre seguridad. Desde 1987, la APSF ha respaldado a más de 130 anestesiólogos y a otros investigadores con más de $15 millones en financiación. El programa de becas para investigación iniciada por investigadores (investigator-initiated research, IIR) de la APSF de 2024-2025 recibió 24 cartas de intención de 18 organizaciones en los Estados Unidos y Canadá. El Comité multidisciplinario de Evaluación Científica (Scientific Evaluation Committee, SEC) revisó y analizó estas cartas, con la ayuda de analistas estadísticos externos. Se invitó a los cinco proyectos con las calificaciones más altas para presentar propuestas completas, que el SEC revisó y analizó por su posible impacto en la seguridad del paciente en anestesia y por su rigor científico. Se recomendaron ante la Junta Directiva de la APSF tres propuestas para financiación, las cuales recibieron apoyo unánime. Los recipientes de este año son Rodney A. Gabriel, MD, MAS, de la Universidad de California, San Diego; Kelly Michaelsen, MD, PhD, de la Universidad de Washington; y Elizabeth Mahanna-Gabrielli, MD, de la Universidad de Miami. Adicionalmente, el programa de la Beca de capacitación de investigación asistida 2024 (Mentored Research Training Grant, MRTG), fundado en conjunto con la Fundación para Educación e Investigación de la Anestesia (Foundation for Anesthesia Education and Research, FAER), recibió siete cartas de intención de seis organizaciones. Propuestas completas fueron solicitadas de los tres Investigadores Principales. Después de revisarlas, la recipiente fue Caoimhe Duffy, MD, MSc, de la Universidad de Pensilvania. Los investigadores principales dieron la siguiente descripción de su trabajo propuesto.

Rodney A. Gabriel, MD, MAS

Profesor asociado de Anestesiología, Universidad de Califronia, San Diego – Ciencias de la salud

Rodney A. Gabriel, MD, MAS

Rodney A. Gabriel, MD, MAS

El proyecto del Dr. Gabriel se titula “PLATO (Perioperative Learning using Artificial intelligence for Timely surgical Optimization)—An Automated Approach for Triaging Surgical Patients for Preoperative Care Clinics” (PLATO: Aprendizaje perioperatorio usando inteligencia artificial para la optimización quirúrgica oportuna: un enfoque automatizado para clasificar pacientes quirúrgicos en las clínicas de atención preoperatoria).

Marco general: El uso eficaz de clínicas de atención preoperatoria ha demostrado reducciones en las cancelaciones quirúrgicas, pruebas innecesarias, duración de la hospitalización y complicaciones posoperatorias.1,2 Sin embargo, con el aumento del volumen quirúrgico, la expansión de la gestión de datos de registros de salud electrónicos (electronic health record, EHR) y recursos limitados para mantenerse al día con estas demandas, las necesidades de atención pueden superar la capacidad clínica. El uso de inteligencia artificial (IA) para ayudar a automatizar el proceso de clasificación para las clínicas de atención preoperatoria tiene muchos beneficios relacionados con la seguridad del paciente. Aunque puede reducir directamente la presión de producción, el objetivo principal de estos procesos automatizados es optimizar la minuciosidad de la evaluación preoperatoria de cada paciente, especialmente entre quienes tienen alto riesgo de complicaciones posoperatorias.

Objetivo: El objetivo principal de nuestra propuesta es desarrollar herramientas que podrían reducir el riesgo de complicaciones posquirúrgicas importantes, específicamente eventos cardíacos, mediante la mejora de nuestra capacidad en una clínica de atención preoperatoria, para identificar pacientes de alto riesgo antes de la cirugía. El objetivo de nuestra propuesta es aprovechar las modalidades de la IA3, como el aprendizaje por máquina y los modelos lingüísticos grandes para procesar datos estructurados y no estructurados, para desarrollar PLATO, que procesará datos de EHR preoperatorios para calcular el Índice de riesgo cardíaco revisado4 (Revised Cardiac Risk Index, RCRI) de un paciente y resumirá la historia clínica relevante para evaluar el riesgo cardíaco (Objetivo 1). PLATO procesará datos no estructurados (p. ej., notas clínicas) y datos estructurados (p. ej., valores de laboratorio, medicamentos, códigos de diagnóstico) para determinar los factores de riesgo del paciente y, posteriormente, calcular el riesgo de muerte, infarto de miocardio o paro cardíaco de 30 días. Suponemos que seremos capaces de desarrollar PLATO de manera tal que identificará qué componentes del RCRI tiene cada paciente y, por ende, calcular su riesgo cardíaco preoperatorio. Esta información puede ser entonces utilizada por las clínicas de atención de anestesia preoperatoria para clasificar las necesidades de evaluación preoperatoria. Adicionalmente, se puede predecir el riesgo de resultados posoperatorios incluyendo complicaciones cardíacas, neumonía, infecciones de la herida quirúrgica, infecciones del tracto urinario, tromboembolismo venoso, insuficiencia renal, reintubación no planificada y mortalidad (Objetivo 2).

Implicaciones: Las clínicas de atención preoperatoria están asociadas con mejores resultados para el paciente. El objetivo de nuestra propuesta es aprovechar la IA para desarrollar PLATO, que procesará datos de EHR estructurados y no estructurados para identificar el riesgo posoperatorio en función del puntaje de RCRI preoperatorio, así como también predecir la probabilidad de varias complicaciones posquirúrgicas. Dicho enfoque podría dar una herramienta automatizada para evaluar pacientes de alto riesgo, de manera que las clínicas preoperatorias puedan clasificar de manera más eficaz los recursos disponibles para evaluaciones preoperatorias (p. ej., pacientes identificados como alto riesgo a partir de PLATO podrían asignarse a visitas presenciales a la clínica preoperatoria, mientras que aquellos de bajo riesgo podrían asignarse a una evaluación telefónica o en el día de la cirugía).

Financiamiento: $150,000 (del 1 de enero de 2025 al 31 de diciembre de 2026). Se designó a la subvención como Premio de Investigación del Presidente de la APSF/Sociedad Americana de Anestesiólogos (ASA).

REFERENCIAS

  1. Edwards AF, Slawski B. Preoperative clinics. Anesthesiol Clin. 2016;34:1–15. PMID: 26927735
  2. Blitz JD, Kendale SM, Jain SK, et al. Preoperative evaluation clinic visit is associated with decreased risk of in-hospital postoperative mortality. Anesthesiology. 2016; 125:280–294. PMID: 27433746
  3. Suh HS, Tully JL, Meineke MN, et al. Identification of preanesthetic history elements by a natural language processing engine. Anesth Analg. 2022;135:1162–1171. PMID: 35841317
  4. Fronczek J, Polok K, Devereaux PJ, et al. External validation of the revised cardiac risk index and national surgical quality improvement program myocardial infarction and cardiac arrest calculator in noncardiac vascular surgery. Br J Anaesth. 2019;123:421–429. PMID: 31256916

Kelly Michaelsen, MD, PhD

Profesora auxiliar de Anestesiología, Universidad de Washington

Kelly Michaelsen, MD, PhD

Kelly Michaelsen, MD, PhD

El proyecto de la Dra. Michaelsen se titula “Un sistema de alarma de anestesia centralizado e integrado basado en los principios de los sistemas de alarmas de aviación”.

Marco general: Las alarmas de equipos médicos son ampliamente reconocidas como un sistema disfuncional que produce una cacofonía de sonidos molestos que dan lugar a “fatiga de alarmas” y pueden poner en peligro la seguridad del paciente1 Las alarmas de equipo suelen ocurrir en quirófanos, y la mayoría de las alarmas no tiene relevancia clínica y no requiere de acción inmediata.2,3 La Joint Comission reconoció el problema de las alarmas médicas desde 2013 y sigue considerando el uso seguro de alarmas como un objetivo nacional de seguridad del paciente en 2024.4 Este proyecto propone un cambio en la filosofía de las alarmas del equipo de anestesia mediante la aplicación de mejores prácticas de diseño de la industria de aviación. A diferencia de las alarmas médicas, las alarmas de la cabina de vuelo están centralizadas. Cuando una alarma de un sistema o sensor de aeronave se activa, la condición se exhibe en un panel central de acuerdo con una jerarquía de importancia, y las alarmas que requieren de respuesta inmediata están en la parte superior de la jerarquía. La atención es enfocada sobre las condiciones más importantes con una luz de “advertencia maestra” en rojo y un tono persistente distinto. En algunas instancias, las alarmas más importantes estarán acompañadas de un anuncio auditivo (alarmas CRÍTICAS). Las alarmas de menor prioridad se presentan con una luz de “precaución maestra” en amarillo y un tono simple (ADVERTENCIAS y PRECAUCIONES) o sin tono en absoluto (AVISOS), junto con el mensaje de la condición en pantalla.

Objetivos: Nuestra meta es crear un prototipo de un sistema centralizado de alarmas de anestesia con una arquitectura semejante al de las alarmas de aviación comercial, adaptado al entorno de anestesia. Probaremos el sistema prototipo en un simulador a gran escala del quirófano. Nuestra hipótesis es que nuestro sistema de alarma dará lugar a alarmas CRÍTICAS poco frecuentes, pocas ADVERTENCIAS y mayormente mensajes discretos de nivel inferior. Además, creemos que nuestro sistema les dará a los cuidadores una fuente de información de alarmas simple, intuitiva y centralizada, que presenta alarmas de manera confiable con prioridades que coinciden con las expectativas y necesidades del cuidador, para respaldar mejor sus acciones y optimizar la seguridad del paciente.

Implicaciones: El aspecto clave y novedoso de este diseño es que es un sistema centralizado que obtiene información de todos los monitores y dispositivos de anestesia en el quirófano, incluyendo el monitor del paciente y la máquina de anestesia, en un sistema único que presenta alarmas y mensajes de estado de todos los dispositivos. Este diseño integrará y reemplazará todas las alarmas aurales y visuales con un esquema único y priorizado, incluyendo una luz de alarma maestra, dos alarmas aurales diferentes (reservado para ADVERTENCIA y PRECAUCIÓN) y, en circunstancias menos frecuentes, una alarma aural por voz para alarmas CRÍTICAS que requieren de acción inmediata, y una pantalla de alarma centralizada con información detallada acerca de las alarmas activas. Finalmente, el sistema de alarma de anestesia centralizado podría integrar datos de todos los dispositivos relacionados con anestesia. Un sistema similar podría diseñarse para otros entornos, como la sala de emergencias y las unidades de cuidados intensivos.

Financiamiento: $150,000 (del 1 de enero de 2025 al 31 de diciembre de 2026). Se designó a la subvención como APSF/Medtronic Research Award, y también como APSF Ellison C. Pierce, Jr., MD, Merit Award con $10,000 de apoyo a la investigación sin restricciones.

REFERENCIAS

  1. Chopra V, McMahon LF. Redesigning hospital alarms for patient safety: alarmed and potentially dangerous. JAMA. 2014;311:1199–1200. PMID: 24590296
  2. Schmid, F. et al. The wolf is crying in the operating room: patient monitor and anesthesia workstation alarming patterns during cardiac surgery. Anesth Analg. 2011;112:78–83. PMID: 20966440
  3. de Man FR, Greuters S, Boer C, et al. Intra-operative monitoring—many alarms with minor impact. Anaesthesia. 2013;68:804–810. PMID: 23745968
  4. Hospital: 2024 National Patient Safety Goals. The Joint Commission. January 1, 2024. Available at: https://www.jointcommission.org/standards/national-patient-safety-goals/hospital-national-patient-safety-goals/. Accessed December 12, 2024.

Elizabeth Mahanna-Gabrielli, MD

Profesora asociada de Anestesiología, Miller School of Medicine de la Universidad de Miami

Elizabeth Mahanna-Gabrielli, MD

Elizabeth Mahanna-Gabrielli, MD

El proyecto de la Dra. Mahanna-Gabrielli se titula “¿Reduce la incidencia de delirio posoperatorio la evaluación geriátrica integral constante en pacientes frágiles de edad avanzada que se someten a cirugía hospitalaria electiva?”

Marco general: Los pacientes frágiles y de edad avanzada tienen de a 2 a 3 veces de probabilidades de sufrir delirio posoperatorio (postoperative delirium, POD) en comparación con sus contrapartes más robustas.1 La fragilidad es un síndrome de comorbilidades, debilidad y baja resiliencia para recuperarse de factores estresantes. La evaluación geriátrica integral (Comprehensive Geriatric Assessment, CGA) evalúa la interacción compleja de fragilidad, comorbilidades y factores de riesgo del POD. El consenso experto recomendó la CGA en pacientes de riesgo.2,3 Sin embargo, existe contrapeso en cuanto a si la CGA reduce el riesgo de POD en los pacientes de edad avanzada, posiblemente debido a la inclusión de pacientes robustos de edad avanzada en estudios previos.4 Nuestra hipótesis es que la evaluación posoperatoria y las recomendaciones individualizadas, incluyendo adherencia con las estrategias de prevención de delirio, ofrecidas por un servicio de medicina geriátrica dedicado (CGA) será superior a la simple identificación de fragilidad en el EHR, guías anestésicas y recomendaciones genéricas para reducir el POD (“atención estándar”) en pacientes frágiles, de edad avanzada ≥60 años, que tienen programada una cirugía hospitalaria electiva (hospitalización anticipada de ≥2 días).

Objetivos: 1. Determinar si la CGA es superior a la atención estándar con respecto a reducir el POD. 2. Explorar si la CGA es superior a la atención estándar con respecto a dar de alta hacia el mismo nivel de atención o a un nivel más bajo. 3. Explorar si la CGA difiere de la atención estándar con respecto a una hospitalización prolongada.

Implicación: El delirio es un problema serio de seguridad del paciente que es frecuente y prevenible, el cual ocurre a través de todas las subespecialidades quirúrgicas, y es asociado con morbilidad, mortalidad y costos significativos.5 La prevención del delirio basada en la evidencia no suele seguirse.2 La CGA es una estrategia propuesta para reducir el POD con contrapeso actual en la literatura.4 Los modelos de CGA pueden variar y no necesitan estar formados solo por geriatras, sino también por proveedores con conocimientos profundos de las mejores prácticas geriátricas, incluyendo anestesiólogos geriátricos. Esta propuesta incluye solo a pacientes frágiles de edad avanzada con un alto riesgo de POD y, por ende, más potencial de demostrar beneficios comparados con pacientes más robustos. Si se muestra superioridad, esta será evidencia sólida que respalde la CGA posoperatoria por encima de la identificación de fragilidad en el EHR y las recomendaciones genéricas para reducir el POD.

Financiamiento: $150,000 (del 1 de enero de 2025 al 31 de diciembre de 2026).

REFERENCIAS

  1. Gracie TJ, Caufield-Noll C, Wang NY, Sieber FE. The association of preoperative frailty and postoperative delirium: a meta-analysis. Anesth Analg. 2021;133:314–323. PMID: 34257192
  2. Peden CJ, Miller TR, Deiner SG, et al. Improving perioperative brain health: an expert consensus review of key actions for the perioperative care team. Br J Anaesth. 2021;126:423–432. PMID: 33413977
  3. Hughes CG, Boncyk CS, Culley DJ, et al. American Society for Enhanced Recovery and Perioperative Quality initiative joint consensus statement on postoperative delirium prevention. Anesth Analg. 2020;130:1572–1590. PMID: 32022748
  4. Saripella A, Wasef S, Nagappa M, et al. Effects of comprehensive geriatric care models on postoperative outcomes in geriatric surgical patients: a systematic review and meta-analysis. BMC Anesthesiol. 2021;21:127. PMID: 33888071
  5. Gou RY, Hshieh TT, Marcantonio ER, et al. One-year Medicare costs associated with delirium in older patients undergoing major elective surgery. JAMA Surg. 2021;156:490–442. PMID: 33625501

Caoimhe Duffy, MD, MSc

Profesora auxiliar de Anestesiología y Cuidados Intensivos, Facultad de Medicina Perelman, Universidad de Pensilvania.

Caoimhe Duffy, MD, MSc

Caoimhe Duffy, MD, MSc

El proyecto de la Dra. Duffy se titula: “Capacitación en resiliencia para prevenir daños por intubación: el estudio One Safe Act-Airway”.

Marco general: Más de 15 millones de intubaciones endotraqueales se hacen cada año en los Estados Unidos.1 Esta práctica, frecuentemente percibida como de rutina, representa una intervención médica de alto riesgo, dado que las complicaciones mayores de la vía aérea contribuyen al 25 % de muertes relacionadas con anestesia.2 Ni el avance tecnológico ni el refinamiento continuo de guías han disminuido exitosamente los eventos adversos asociados con la vía aérea en las últimas dos décadas.3 El estudio más grande de complicaciones de las vías aéreas hasta la fecha, el Proyecto de Auditoría Nacional 4 (National Audit Project 4, NAP4), destacó un enlace causal entre los errores cognitivos y los eventos adversos de las vías aéreas.2 Los lapsos en la toma de decisiones surgen cuando procesos subconscientes y atajos mentales se aplican inapropiadamente. Estos lapsos han estado implicados en hasta el 80 % de incidentes críticos en anestesia, y aun así objetivos susceptibles de acción para mejorar la seguridad en anestesia siguen relativamente poco examinados.4,5

Las técnicas de mitigación de errores cognitivos, llamadas “estrategias de fuerza”, aprovechan la promoción metacognitiva (pensar sobre pensar) de planificación estructurada previa al procedimiento y autoevaluación de la toma de decisiones.6

La intervención que proponemos, One Safe Act-Airway (OSA-A), abordará esta brecha y se construirá sobre nuestro estudio piloto anterior que demostró que OSA-A da pie a consideración de conductas de seguridad proactivas entre el personal clínico.7 Alineándose con el enfoque de Seguridad II, OSA-A fomenta la consideración de por qué los procesos tienen éxito en lugar del enfoque tradicional en fallas durante reuniones informativas. A través de este énfasis, OSA-A cambia el enfoque del personal clínico de mitigación de errores justo a tiempo hacia una prevención de errores deliberada y planificada. OSA-A se integra simple, eficiente e ininterrumpidamente en flujos de trabajo existentes para mejorar la seguridad sin costos relevantes.

Objetivo: Evaluar si OSA-A puede reducir los errores durante la intubación traqueal a través de la mejora de la metacognición y resiliencia del personal clínico. Específicamente, evaluaremos si la participación en esta intervención da lugar a una reducción en los eventos hipóxicos durante intubación endotraqueal y mejora las percepciones del personal clínico sobre prácticas de intubación exitosas y seguras.

Implicaciones: Los resultados de este proyecto proveerán la fundación para implementar conductas proactivas de prevención de errores en el manejo de la vía aérea. Ofrecerá perspectivas valiosas en técnicas cognitivas relacionadas con la intubación, y a la vez también demostrará la implementación y el sostenimiento de OSA-A. El trabajo futuro se centrará en identificar conductas proactivas en la práctica clínica y posteriormente diseminará estas estrategias para mejorar aún más el manejo seguro de la vía aérea.

Financiamiento: $300,000 como Beca de capacitación de investigación asistida (MRTG) 2024 APSF/FAER.

REFERENCIAS

  1. Durbin CG. Techniques for performing tracheostomy. Respir Care. 2005;50:488–496. PMID: 15807911
  2. Cook TM, Woodall N, Frerk C. Major complications of airway management in the UK: results of the Fourth National Audit Project of the Royal College of Anaesthetists and the Difficult Airway Society. Part 1: anaesthesia. Br J Anaesth. 2011;106:617–631. PMID: 21447488
  3. Cumberworth A, Lewith H, Sud A, et al. Major complications of airway management: a prospective multicentre observational study. Anaesthesia. 2022;77:640–648. PMID: 35254669
  4. Fletcher G, Flin R, McGeorge P, et al. Anaesthetists’ Non-Technical Skills (ANTS): evaluation of a behavioural marker system. Br J Anaesth. 2003;90:580–588. PMID: 12697584
  5. Williamson JA, Webb RK, Sellen A, Runciman WB, Van der Walt JH. The Australian Incident Monitoring Study. Human failure: an analysis of 2000 incident reports. Anaesth Intens Care. 1993;21:678–683. PMID: 8273898
  6. Croskerry P. Cognitive forcing strategies in clinical decisionmaking. Ann Emerg Med. 2003;41:110–120. PMID: 12514691
  7. Duffy C, Menon N, Horak D, et al. Clinicians’ perspectives on proactive patient safety behaviors in the perioperative environment. JAMA Netw Open. 2023;6:e237621. PMID: 37040109

 

Yan Xiao, PhD, es profesor en la Universidad de Texas en Arlington College of Nursing and Health Innovation y presidente del Comité de Evaluación Científica de la APSF.

El autor no tiene ningún conflicto de interés.