AIMS-MN
Cribado sistemático de la malnutrición en hospitales utilizando Inteligencia Artificial: cómo mejorar el diagnóstico con gestión de riesgos
¿Te interesa?Necesidad
En España, se estima que 4 millones de ancianos padecen malnutrición (MN). Esta condición provoca desequilibrios en la ingesta de nutrientes, alterando la función corporal y provocando fragilidad, disfuncionalidad, reingresos hospitalarios y aumento de la morbimortalidad, incrementando así los costes derivados de su atención. La prevalencia de MN en pacientes ancianos hospitalizados es del 38,7% y del 15,3% en la comunidad. El diagnóstico de MN está bien definido: a) cribado para detectar individuos en riesgo; b) evaluación clínica con medidas antropométricas (peso, talla e IMC), evaluación de ingestas y analítica de sangre. El cribado actual se basa en cuestionarios y entrevistas (Mini Nutritional Assessment, Subjective Global Assessment y NRS-2002) que son lentos (15 minutos/paciente), costosos e ineficientes ya que solo se realizan al 30% del total de pacientes en riesgo debido a la gran cantidad de recursos humanos que necesitan. Con el sistema actual, un hospital de 400 camas necesitará 60 horas diarias para detectar a los pacientes en riesgo. El cribado de MN es crucial ya que un individuo que no es detectado en riesgo, nunca podrá ser diagnosticado y posteriormente tratado. Necesitamos sistemas de cribado sistemáticos, automáticos, rápidos y coste-eficientes para mejorar el diagnóstico de la MN.
Solución
AIMS-MN es un modelo predictivo basado en machine learning, entrenado con datos de más de 5.000 pacientes hospitalizados en el CSdM. De forma automática, sin necesidad de intervención por parte de los clínicos, lee la información recogida en la historia clínica electrónica del paciente (HCE) y muestra si el paciente está en riesgo o no de malnutrición (MN) en la estación de trabajo de los sanitarios. En comparación con los sistemas actuales que criban pacientes individualmente, AIMS-MN permite: a) el cribado del 100% de los pacientes hospitalizados, b) incrementa la precisión diagnóstica en un 30%, c) criba en menos de 5 segundos los mismos pacientes que un/a enfermero/a en 62 horas, lo que d) multiplicará el número de pacientes cribados y, por tanto, diagnosticados y tratados.
Además, su integración con la HCE permite una detección rápida y precisa sin necesidad de introducción manual de datos. Al tratarse de un sistema basado en inteligencia artificial (IA), mejora su capacidad predictiva con la incorporación de nuevos casos, permitiendo la rápida adaptación a nuevas poblaciones. AIMS-MN utiliza datos no identificativos y encriptados, lo que permite su funcionamiento en cualquier lugar del mundo. AIMS-MN permite el cribado universal y sistemático de todos los pacientes ancianos en riesgo de MN. Nuestro grupo ha demostrado que cuando diagnosticamos un paciente con MN, la Intervención Mínima-Masiva (IMM) basada en adaptación de fluidos y texturas, suplementación nutricional y mejora de la higiene oral mejora los resultados de salud, los reingresos en general y la supervivencia de los ancianos hospitalizados y malnutridos.
Objetivo
Automatizar el cribaje de MN de manera rápida y precisa, aumentando la eficiencia del proceso diagnóstico permitiendo realizar prevención primaria y secundaria así como ofrecer un tratamiento basado en la IMM.