Volume 6, No. 1 • Febrero de 2023   Issue PDF

Uso de los datos para mejorar la seguridad y la calidad

Holly B. Ende, MD; Jonathan P. Wanderer, MD, MPhil

Uso de los datos para mejorar la seguridad y la calidadLa prestación de atención anestésica segura y eficaz se basa en la ciencia de la mejora de la calidad, que depende de los informes precisos y oportunos de los resultados de los pacientes. En la era del expediente médico electrónico (EHR) y las bases de datos nacionales en aumento, se siguen acumulando montañas de datos relativos a los pacientes y su atención, con el potencial de guiar las iniciativas de seguridad del paciente ahora y en el futuro. Sin una amplia formación en ciencia de datos e informática, los médicos clínicos de anestesia de primera línea en la atención del paciente pueden encontrar desalentador tener que acceder, interpretar y utilizar los datos del EHR y otras fuentes para apoyar la seguridad del paciente y las iniciativas de calidad. Para ser útiles en la mejora de la atención al paciente, los datos deben estar organizados, estructurados y dotados de contexto y significado. Una forma de lograr esta transformación de los datos en información y conocimiento es crear modelos de datos1 . Los modelos de datos pueden ser una herramienta útil en la estructuración, simplificación y operacionalización de los datos en el mundo real.

Los modelos de datos son una herramienta para estandarizar y añadir significado a los datos, lo que a su vez facilita su comprensión compartida y su fácil extracción y uso. Mediante el mapeo entre bastidores de puntos de datos clave y su posterior validación, los usuarios pueden mejorar drásticamente la facilidad de acceso a datos importantes2,3 . Por ejemplo, si un director de calidad quisiera desarrollar correos electrónicos automatizados para recuperar datos del EHR para resultados posoperatorios y distribuirlos a los clínicos semanalmente, podría utilizar un modelo de datos para definir e identificar esos resultados.

En nuestra institución, el almacén de datos perioperatorios (PDW) es un repositorio de datos propio que recopila y almacena datos de múltiples fuentes, lo que facilita el acceso a iniciativas operativas, de investigación y de calidad. Las fuentes de datos para este tipo de almacenes de datos pueden incluir datos del expediente médico electrónico (EMR), datos informados por pacientes (p. ej., encuestas a pacientes) y datos no EMR de proveedores (p. ej., informes de sucesos adversos). Recopilar y combinar datos de estas diversas fuentes en un repositorio frecuente es una forma eficaz de invertir costos y energía por adelantado para permitir un acceso fácil, eficiente y directo a los datos por médicos clínicos de todas las especialidades y conocimientos tecnológicos. En el ejemplo anterior, cada resultado de interés (lesión renal aguda, náuseas y vómitos posoperatorios, reintubación, etc.) ya ha sido definido, mapeado y validado dentro del PDW, lo que simplifica y agiliza el uso operativo de esos datos (p. ej., enviando correos electrónicos automatizados a los médicos clínicos semanalmente).

Además, los responsables de la mejora de la calidad y los investigadores pueden acceder fácilmente a estos datos de forma retrospectiva para evaluar la eficacia de las iniciativas de mejora de la práctica. Por ejemplo, tras la implementación de un sistema de recordatorio electrónico para instar a los médicos clínicos a verificar la glucosa intraoperatoria en pacientes con diabetes, los investigadores de nuestra institución pudieron monitorear fácilmente el cumplimiento y, en última instancia, publicar datos que mostraban no solo un aumento de las tasas de vigilancia de la glucosa, sino también una disminución de las tasas de hiperglucemia y de infecciones del centro quirúrgico4 . En otra iniciativa de calidad en la unidad de trabajo de parto y parto, los investigadores demostraron que un enfoque de algoritmo estandarizado para las recargas epidurales para el dolor disruptivo del parto dio lugar posteriormente a un mayor número de catéteres sustituidos en los 30 minutos siguientes a la primera recarga administrada, lo que refleja una identificación más rápida de los catéteres que no funcionan.

Los modelos de datos pueden desarrollarse internamente o adquirirse a proveedores externos, pero también están disponibles a través de muchos EHR comerciales, que utilizan modelos de datos para crear funcionalidades que permitan a los usuarios finales tener acceso a los datos clínicos y de calidad sin necesidad de una formación intensiva o requisitos de formación que consumen mucho tiempo. Por ejemplo, Oracle Cerner (Austin, TX) y Epic Systems (Verona, WI), que son algunos EHR de uso habitual en los sistemas nacionales de atención médica, emplean varias interfaces fáciles de usar para permitir a los médicos tener acceso a los datos de los pacientes (Tabla 1).

Tabla 1. Interfaces fáciles de usar para tener acceso a los datos del paciente

PowerInsight Explorer Herramienta de informes de inteligencia de negocios Cerner Millennium® que permite la creación de informes operativos, clínicos y de rendimiento en tiempo real
Reporting Workbench Herramienta de Epic que permite a los usuarios crear informes personalizados utilizando plantillas específicas con criterios que definen poblaciones y elementos de datos de interés (p. ej., lugar del OR, diagnóstico principal, etc.)
Slicer Dicer Herramienta de Epic que permite explorar los datos mediante búsquedas personalizables compatibles con múltiples modelos de datos, incluyendo un modelo de datos de expedientes de anestesia

Por último, los interesados en conocer las tendencias nacionales en calidad y seguridad pueden recurrir a grandes fuentes de datos nacionales como el Registro Nacional de Resultados Clínicos de la Anestesia (NACOR), el Grupo Multicéntrico de Resultados Perioperatorios (MPOG) o el Programa Nacional de Mejora de la Calidad Quirúrgica (NSQIP). Cada una de estas fuentes de datos tiene sus fortalezas y sus limitaciones y los interesados en emplear estos recursos para responder a preguntas relacionadas con la calidad deben comprender estos límites. Por ejemplo, el NACOR, que tiene el apoyo de la Sociedad Americana de Anestesiólogos e incluye datos de millones de casos de miles de preguntas de todo Estados Unidos, tiene una sólida captura de elementos de datos relacionados con la facturación, pero una captura no uniforme de elementos de datos de resultados. Teniendo en cuenta los límites de acceso y análisis de datos de estas grandes fuentes de datos nacionales, los médicos pueden utilizarlas adecuadamente para responder a preguntas relacionadas con la seguridad que necesiten datos longitudinales, distintos tipos de prácticas y un gran número de anestesias. Esta metodología ya se ha utilizado para evaluar cuestiones como los efectos de la cirugía superpuesta, factores de riesgo de hipoglucemia intraoperatoria pediátrica y patrones de dolor posoperatorio y uso de opioides6-8.

Para impulsar las iniciativas de mejora de la calidad y aumentar la seguridad de los pacientes durante la atención anestésica, es imprescindible tener acceso a los datos perioperatorios y a los conocimientos necesarios para trabajar con estos datos. Aunque lidiar con los datos subyacentes sin procesar puede ser un reto, existen múltiples herramientas disponibles para los usuarios dentro de los EHR que facilitan el análisis de datos. El uso de un modelo de datos puede facilitar el desarrollo de informes y la recuperación de datos, pero necesita un esfuerzo inicial para desarrollar un modelo de datos local o para hacer el mapeo y la validación necesarios para utilizar el modelo de datos de un proveedor de EHR. En última instancia, estos enfoques pueden utilizarse de forma sinérgica para dar una visión completa de las operaciones perioperatorias y los resultados anestésicos, transformando los datos en conocimiento procesable que los profesionales de anestesia pueden utilizar para impulsar la mejora de la práctica.

 

Holly Ende, MD, es profesora adjunta en el Departamento de Anestesiología de Vanderbilt University Medical Center, Nashville, TN.

Jonathan Wanderer, MD, MPhil, es profesor adjunto en los Departamentos de Anestesiología e Informática Biomédica (departments of anesthesiology and biomedical informatics) de Vanderbilt University Medical Center, Nashville, TN.

Los autores no tienen ningún conflicto de interés.

Referencias

  1. Hofer IS, Gabel E, Pfeffer M, et al. A systematic approach to creation of a perioperative data warehouse. Anesth Analg. 2016;122:1880–1884. PMID: 27195633.
  2. Epstein RH, Dexter F. Database quality and access issues relevant to research using anesthesia information management system data. Anesth Analg. 2018;127:105–114. PMID: 29596094.
  3. Epstein RH, Hofer IS, Salari V, Gabel E. Successful implementation of a perioperative data warehouse using another hospital’s published specification from Epic’s electronic health record system. Anesth Analg. 2021;132:465–474. PMID: 32332291.
  4. Ehrenfeld JM, Wanderer JP, Terekhov M, et a. A perioperative systems design to improve intraoperative glucose monitoring is associated with a reduction in surgical site infections in a diabetic patient population. Anesthesiology. 2017;126:431–440. PMID: 28106608.
  5. Ende HB, Tran B, Thampy M, et al. Standardization of epidural top-ups for breakthrough labor pain results in a higher proportion of catheter replacements within 30min of the first bolus dose. Int J Obstet Anesth. 2021;47:103161. PMID: 33931311.
  6. Sun E, Mello MM, Rishel CA, et al. Association of overlapping surgery with perioperative outcomes. JAMA. 2019;321:762–772. PMID: 30806696.
  7. Riegger LQ, Leis AM, Golmirzaie KH, Malviya S. Risk factors for intraoperative hypoglycemia in children: a multicenter retrospective cohort study. Anesth Analg. 2021;132:1075–1083. PMID: 32639390.
  8. Stuart AR, Kuck K, Naik BI, et al. Multicenter perioperative outcomes group enhanced observation study postoperative pain profiles, analgesic use, and transition to chronic pain and excessive and prolonged opioid use patterns methodology. Anesth Analg. 2020;130:1702–1708. PMID: 31986126.