La rotaci\u00f3n de m\u00e9dicos es perjudicial para los pacientes y costosa tanto para los centros de salud como para los propios m\u00e9dicos. En un nuevo estudio, los investigadores de Yale utilizaron el aprendizaje autom\u00e1tico para revelar los factores, incluida la duraci\u00f3n de la permanencia de un m\u00e9dico, su edad y la complejidad de sus casos, que pueden aumentar los riesgos de dicha rotaci\u00f3n.<\/p>\n\n\n\n
Al evaluar los datos de un gran sistema de atenci\u00f3n m\u00e9dica de EE. UU. durante un per\u00edodo de casi tres a\u00f1os, pudieron predecir, con un 97 % de precisi\u00f3n, las posibilidades de que el m\u00e9dico se fuera. Los hallazgos, dicen los investigadores, brindan informaci\u00f3n que puede ayudar a los sistemas de atenci\u00f3n m\u00e9dica a intervenir antes de que los m\u00e9dicos decidan irse para reducir la rotaci\u00f3n. El estudio fue publicado el 1 de febrero en PLOS ONE. Si bien los centros de atenci\u00f3n m\u00e9dica generalmente usan encuestas para rastrear el agotamiento de los m\u00e9dicos y la satisfacci\u00f3n laboral, el nuevo estudio us\u00f3 datos de registros de salud electr\u00f3nicos (EHR), que son utilizados por la mayor\u00eda de los m\u00e9dicos de EE. UU. para rastrear y administrar la informaci\u00f3n del paciente.<\/p>\n\n\n\n
El problema con las encuestas, dijo Ted Melnick, profesor asociado de medicina de emergencia y coautor principal del nuevo estudio, es que los m\u00e9dicos a menudo sienten la carga de responder. En consecuencia, las tasas de respuesta suelen ser bajas. “Y las encuestas pueden decirte lo que sucede en ese momento”, agreg\u00f3, “pero no lo que suceder\u00e1 al d\u00eda siguiente, al mes siguiente o durante el a\u00f1o siguiente”.<\/p>\n\n\n\n
Sin embargo, los registros de salud electr\u00f3nicos, que adem\u00e1s de recopilar datos cl\u00ednicos de los pacientes, tambi\u00e9n generan datos relacionados con el trabajo de forma continua, ofrecen la oportunidad de observar los patrones de comportamiento de los m\u00e9dicos momento a momento y durante largos per\u00edodos de tiempo. Para el nuevo estudio, los investigadores utilizaron tres a\u00f1os de EHR anonimizados y datos m\u00e9dicos de un gran sistema de atenci\u00f3n m\u00e9dica de Nueva Inglaterra para determinar si pod\u00edan tomar un tramo de datos de tres meses y predecir la probabilidad de que un m\u00e9dico se fuera dentro de los siguientes seis meses.<\/p>\n\n\n\n
“Quer\u00edamos algo que fuera \u00fatil a nivel personalizado”, dijo Andrew Loza, profesor y miembro de inform\u00e1tica cl\u00ednica en la Facultad de Medicina de Yale y coautor principal del estudio. “Entonces, si alguien usara este enfoque, podr\u00eda ver la probabilidad de salida de un puesto, as\u00ed como las variables que m\u00e1s contribuyen a la estimaci\u00f3n en ese momento, e intervenir cuando sea posible”.<\/p>\n\n\n\n
Espec\u00edficamente, se recopilaron datos mensualmente de 319 m\u00e9dicos que representan 26 especialidades m\u00e9dicas durante un per\u00edodo de 34 meses. Los datos incluyeron cu\u00e1nto tiempo dedicaron los m\u00e9dicos a utilizar los EHR; medidas de productividad cl\u00ednica, como el volumen de pacientes y la demanda de m\u00e9dicos; y caracter\u00edsticas del m\u00e9dico, incluida la edad y la duraci\u00f3n del empleo. Se usaron diferentes porciones de los datos para entrenar, validar y probar el modelo de aprendizaje autom\u00e1tico.<\/p>\n\n\n\n
Cuando se prob\u00f3, el modelo fue capaz de predecir si un m\u00e9dico se ir\u00eda con un 97% de precisi\u00f3n, encontraron los investigadores. La sensibilidad y la especificidad del modelo, que muestran la proporci\u00f3n de los meses de salida y de no salida que se clasificaron correctamente, fue del 64% y el 79%, respectivamente. El modelo tambi\u00e9n pudo identificar qu\u00e9 tan fuertemente contribuyeron las diferentes variables al riesgo de rotaci\u00f3n, c\u00f3mo las variables interactuaron entre s\u00ed y qu\u00e9 variables cambiaron cuando un m\u00e9dico hizo la transici\u00f3n de bajo riesgo de partida a alto riesgo. Los detalles sobre lo que impulsa la predicci\u00f3n es lo que hace que este enfoque sea particularmente \u00fatil, dijeron los investigadores.<\/p>\n\n\n\n
“Ha habido esfuerzos para hacer que los modelos de aprendizaje autom\u00e1tico no sean cajas negras en las que se obtiene una predicci\u00f3n, pero no est\u00e1 claro c\u00f3mo lleg\u00f3 el modelo”, dijo Loza. “Comprender por qu\u00e9 el modelo produjo la predicci\u00f3n que hizo es particularmente \u00fatil en este caso, ya que esos detalles identificar\u00e1n problemas que pueden estar provocando la partida del m\u00e9dico”.<\/p>\n\n\n\n
A trav\u00e9s de su enfoque, los investigadores identificaron varias variables que contribuyeron al riesgo de partida. Descubrieron que los cuatro factores principales eran cu\u00e1nto tiempo hab\u00eda estado empleado el m\u00e9dico, su edad, la complejidad de sus casos y la demanda de sus servicios. Mientras que el trabajo anterior solo permiti\u00f3 an\u00e1lisis de relaciones lineales, el modelo de aprendizaje autom\u00e1tico permiti\u00f3 a los investigadores observar los desaf\u00edos que enfrentan los m\u00e9dicos con m\u00e1s matices. Por ejemplo, el riesgo de partida fue m\u00e1s alto para los m\u00e9dicos contratados m\u00e1s recientemente y aquellos con permanencias m\u00e1s largas, pero menor para aquellos con permanencias medias. De manera similar, el riesgo de partida fue mayor para los de hasta 44 a\u00f1os, menor para los m\u00e9dicos de 45 a 64 a\u00f1os y nuevamente mayor para los de 65 a\u00f1os o m\u00e1s.<\/p>\n\n\n\n
Tambi\u00e9n hubo interacciones entre las variables. Por ejemplo, m\u00e1s tiempo dedicado a las actividades de EHR disminuy\u00f3 el riesgo de partida para los m\u00e9dicos que hab\u00edan estado en el trabajo por menos de 10 a\u00f1os. Pero para aquellos m\u00e9dicos empleados por m\u00e1s tiempo, aument\u00f3 el riesgo de partida.<\/p>\n\n\n\n
“Los hallazgos resaltan que no existe una soluci\u00f3n \u00fanica para todos”, dijo Loza.<\/p>\n\n\n\n
El riesgo de partida del m\u00e9dico cambi\u00f3 a lo largo del per\u00edodo de estudio, que abarc\u00f3 un lapso de 34 meses de 2018 a 2021 (un per\u00edodo que incluy\u00f3 la pandemia y el mundo previo a la pandemia), dijeron los investigadores. Tambi\u00e9n identificaron variables espec\u00edficas que cambiaban cuando un m\u00e9dico cambiaba de un riesgo de partida bajo a uno alto. La proporci\u00f3n de mensajes de la bandeja de entrada de EHR respondidos por un miembro del equipo que no sea el m\u00e9dico, la demanda del m\u00e9dico y el volumen de pacientes fueron las variables que m\u00e1s cambiaron cuando el riesgo de un m\u00e9dico pas\u00f3 de bajo a alto. Las olas de COVID-19 tambi\u00e9n se vincularon con cambios en el riesgo de salida.<\/p>\n\n\n\n
“Creo que este estudio es un paso importante para identificar los factores que contribuyen a la rotaci\u00f3n de m\u00e9dicos, con el objetivo final de crear un entorno de trabajo sostenible y pr\u00f3spero para nuestros m\u00e9dicos”, dijo Brian Williams, oficial de inform\u00e1tica m\u00e9dica de Northeast Medical Group y autor del estudio.<\/p>\n\n\n\n
Con ese objetivo, los investigadores crearon un tablero que puede mostrar esta informaci\u00f3n. Los l\u00edderes de atenci\u00f3n m\u00e9dica ven el valor en el tipo de an\u00e1lisis que puede proporcionar este enfoque.<\/p>\n\n\n\n
“Dado que el agotamiento de los m\u00e9dicos es un problema cada vez m\u00e1s reconocido, los sistemas de atenci\u00f3n de la salud, los hospitales y los grupos grandes deben determinar qu\u00e9 deben hacer para garantizar la salud f\u00edsica y emocional y el bienestar de los m\u00e9dicos y otros profesionales cl\u00ednicos que se ocupan de la atenci\u00f3n real para los pacientes”, dijo Robert McLean, director m\u00e9dico regional de New Haven de Northeast Medical Group.<\/p>\n\n\n\n
“Muchos sistemas de atenci\u00f3n m\u00e9dica ya tienen funcionarios de bienestar y comit\u00e9s de bienestar que podr\u00edan tener la responsabilidad de recopilar y analizar estos datos y desarrollar conclusiones, que luego conducir\u00edan a planes de implementaci\u00f3n para cambios y, con suerte, mejoras”.<\/p>\n\n\n\n
Melnick agreg\u00f3: “Estamos entusiasmados con la posibilidad de c\u00f3mo se ver\u00eda esto en la pr\u00e1ctica. Y seguimos trabajando en la implementaci\u00f3n \u00e9tica, ya que se trata realmente de la mejor manera de fomentar el bienestar de los m\u00e9dicos y una fuerza laboral pr\u00f3spera”.<\/p>\n\n\n\n