Modelos de aprendizaje que predicen el agotamiento en profesionales sanitarios

×
×
¿Estás seguro que deseas eliminar este contenido de tus favoritos?

06 SEP 2022

Modelos de aprendizaje que predicen el agotamiento en profesionales sanitarios

 

Investigadores de la Universidad de Washington en St. Louis han desarrollado un modelo de aprendizaje profundo, capaz de predecir el agotamiento de los profesionales sanitarios. Para ello se basan en los EHR-registros de salud electrónicos-, un avance que puede ser de gran utilidad a la hora de medir y, sobre todo, evitarlo en los médicos.
Según un informe realizado por el New England Journal of Medicine (NEJM) Catalyst en 2018, cerca del 83% de los médicos y otros profesionales ven el agotamiento como un desafío para los sistemas de salud, un hecho que se agudizó a raíz de la pandemia de COVID-19. Por ello, abordar este problema es una prioridad principal para la atención médica.
Hasta ahora se medía mediante encuestas o controles internos, sin embargo los investigadores señalan que muchos profesionales no completan esta información por falta de tiempo o porque no se sienten cómodos haciéndolo. Algunos estudios anteriores ya indicaron que la carga de trabajo se relaciona con el agotamiento y que cuanto mayor era la carga, más probabilidades había de que el profesional acabase experimentándolo.
 
 
Cerca del 83% de los profesionales sanitarios ven el agotamiento como un desafío para los sistemas de salud
 
 
Ante esta situación, los investigadores se propusieron desarrollar un método de evaluación del agotamiento más efectivo y que no cree cargas adicionales a los médicos. Dado que gran parte del trabajo consiste en documentar la actividad mediante los EHR, los investigadores decidieron analizar si estos registros podrían arrojar luz pues regristran toda la actividad de los usuarios, incluyendo revisiones de resultados, informes, escritura de notas, además de otras más de 2.000 acciones.
Para su estudio, desarrollaron un marco de aprendizaje profundo conocido como “Predicción de agotamiento jerárquico”, basado en registros de actividad (HiPAL), que recopiló datos de 88 médicos residentes del Hospital Barnes-Jewish y de profesionales en prácticas de la Facultad de Medicina de la Universidad de Washington.
Los investigadores se muestran satisfechos con el rendimiento de esta nueva herramienta basada en la Inteligencia Artificial, ya que logró un alto rendimiento y abre camino a nuevos estudios.
Esta nueva investigación se suma a la tendencia de aprovechar la IA para combatir el agotamiento de los trabajadores de la salud. Otros estudios recientes han trabajado para reducirlo y mejorar la seguridad del paciente o para buscar la participación de los médicos y el equilibrio entre su vida profesional y personal.
Referencia
OAD-ES-AMG-0001
 

×
Proceso de indentificación vía OWA
Estamos validando tus datos, en las próximas 48h el equipo de OWA (One Key authentication) se pondrá en conctacto contigo para finalizar el proceso de registro.
×
Necesitamos validar tus credenciales:
Para poder validar tus datos mediante OWA, necesitamos que modifiques tus datos haciendo clic AQUÍ
¡Muchas gracias!