Patient flow management
out 28, 2021

O poder da previsão: como a IA pode ajudar os hospitais a prever e gerenciar o fluxo de pacientes

Henk van Houten
Vice-Presidente Executivo, Diretor de Tecnologia, Royal Philips

Tempo estimado de leitura: 7-9 minutos

Para os líderes hospitalares encarregados de gerenciar surtos inesperados na demanda de pacientes, a capacidade de prever e se adaptar às circunstâncias em rápida mudança se tornou mais importante do que nunca. E se pudéssemos prever possíveis gargalos no fluxo de pacientes em tempo real e impedi-los antes que ocorram?

Embora a pandemia tenha colocado a capacidade de atendimento essencial no centro das atenções como nunca antes, hospitais em todo o mundo há muito tempo enfrentam desafios com a escassez de leitos e funcionários para atender à demanda por atendimento intensivo. Os prontos-socorros (PS) em muitos países lutam contra a superlotação mesmo em circunstâncias normais. As unidades de terapia intensiva (UTIs) podem estar operando em sua capacidade total ou perto dela. Muitas vezes, esperas e atrasos são o resultado, causando frustração, ansiedade e desfechos possivelmente prejudiciais nos pacientes, ao mesmo tempo em que aumentam a pressão para a equipe [1].

Pode ser tentador pensar que a solução está em adicionar mais leitos ou funcionários. Mas, normalmente, o problema não é apenas um dos recursos. É também gerenciar melhor os leitos existentes. O verdadeiro desafio muitas vezes é o fluxo de pacientes: prever e saber quando fazer a transição de um paciente de um ambiente para o outro.

É um desafio de orquestração altamente complexo e dinâmico, com muitas partes móveis. Qual paciente aguardando no PS deve ocupar o próximo leito da UTI? Qual paciente posso mover da UTI com segurança para liberar um leito? E quem está pronto para receber alta e passar para o monitoramento domiciliar?

Gerenciar o fluxo de pacientes requer uma visão de toda a empresa nas diferentes partes da rede hospitalar ou do hospital. No entanto, isso é muitas vezes exatamente o que está faltando hoje. Com dados clínicos e operacionais dispersos em sistemas diferentes, as equipes de atendimento carecem de uma consciência situacional mais ampla além de sua unidade ou departamento. É essa falta de informações prontamente disponíveis e acionáveis que podem dificultar a priorização do paciente, retardar as suas transições e levar a gargalos imprevistos no fluxo de pacientes.

A crise da COVID-19 expôs e exacerbou muitos desses desafios. Mas também deu origem a formas inteligentes de enfrentá-los. Os profissionais da saúde adotaram modelos centralizados de colaboração assistencial, compartilhando dados em tempo real para visualizar a capacidade inexplorada e facilitar a transferência de pacientes. E eles não estão apenas confiando nesses dados para ter uma visão geral do que está acontecendo a cada momento. Eles também estão usando tais dados para prever e se preparar para a demanda futura. Por exemplo, os hospitais têm utilizado com sucesso modelos preditivos para estimar o número de leitos, equipamentos e funcionários necessários para pacientes da COVID-19 na UTI e em outras enfermarias do hospital [2,3].

À medida que começamos a pensar além da pandemia, há uma oportunidade única de incorporar essas práticas baseadas em dados na gestão cotidiana do fluxo de pacientes, desde a internação até a alta hospitalar e, por fim, o monitoramento domiciliar. Usando o poder da IA e da modelagem preditiva, podemos extrair padrões e insights importantes sobre o fluxo de pacientes e as necessidades de atendimento do paciente a partir de grandes quantidades de dados hospitalares históricos e em tempo real. Após a validação inicial, os algoritmos resultantes podem ser atualizados regularmente para levar em conta tendências e circunstâncias recentes, otimizando ainda mais o valor preditivo. Isso permite que líderes hospitalares e coordenadores de fluxo de pacientes orquestrem o atendimento de forma mais eficaz em todos os ambientes e se adaptem rapidamente às mudanças de circunstâncias.

Eis o que isso pode parecer para a jornada de um paciente.

Patient flow coordinator

Previsão das próximas etapas na jornada do paciente


Imagine uma paciente de 66 anos, Rosa, que é levada às pressas para o hospital com palpitações e falta de ar. De dentro da ambulância, uma notificação é enviada para a Jennifer: uma coordenadora de fluxo de pacientes em um centro de comando que supervisiona a ocupação atual e prevista de pacientes em uma rede de oito hospitais.

Como a Jennifer pode ver instantaneamente quais hospitais têm leitos disponíveis, ela pode direcionar a Rosa para um hospital onde ela vai conseguir o atendimento que precisa rapidamente. Se as tendências de capacidade indicarem que certos hospitais estão prestes a ficar lotados de pacientes nas próximas 24 horas, por exemplo, devido a uma emergência pública, a Jennifer pode começar a intermediar a transferência de pacientes para hospitais de menor taxa de ocupação, equilibrando assim a carga dos pacientes em toda a rede. Ou ela pode trabalhar com supervisores locais em toda a rede hospitalar para ativar planos de surto, disponibilizar leitos extras e planejar equipes adicionais. Tudo para evitar a superlotação do PS e atrasos nos diagnósticos e tratamentos.

Assim que a Rosa passa pela triagem no PS, a Jennifer pode ajudar as equipes de atendimento a priorizar uma avaliação clínica posterior baseada, entre outros fatores, em um algoritmo de aprendizado de máquina que combina sinais vitais e dados fisiológicos do paciente para prever o risco de deterioração da saúde. A Jennifer também tem a última visão geral da disponibilidade de leitos em todo o hospital, permitindo que ela pré-aloque um leito para a Rosa na unidade de atendimento certa, em estreito alinhamento com a equipe no local. Além disso, a Jennifer pode ver quantos ventiladores serão necessários para cada unidade de tratamento intensivo nas próximas 48 horas.
Patient flow across the enterprise
Uma vez que a Rosa recebeu atendimento na UTI para ajudar a estabilizar a sua condição, a Jennifer já pode começar a planejar com antecedência para facilitar a jornada de atendimento da Rosa. Algoritmos inteligentes apoiam a Jennifer na estimativa de quando a Rosa estará pronta para ser transferida para um ambiente de cuidados menos intensivos no hospital para o monitoramento de telemetria. Com base em uma lista de análise de transição, que é atualizada dinamicamente, a Jennifer pode ajudar médicos na priorização da avaliação clínica de pacientes que podem estar prontos para serem transferidos. Ao mesmo tempo, ela tem uma visão geral atualizada do monitoramento de telemetria disponível. Ela também pode ver quantos pacientes no PS estão esperando por um leito para internação. Isso ajuda a Jennifer a identificar possíveis gargalos antecipadamente e gerenciar o fluxo de pacientes de maneira adequada.

Após a internação em uma unidade de atendimento menos intensivo, onde ela é colocada no monitoramento de telemetria, a Rosa permanece sob o olhar atento da equipe médica, com algoritmos preditivos novamente ajudando a Jennifer a orquestrar as próximas etapas de maneira proativa. Com base em uma análise de desvios fisiológicos e tendências de alarme nas últimas 12 horas, a Jennifer consegue avaliar quando a condição da Rosa fica estável o suficiente para que ela seja considerada para a transferência para a unidade médico-cirúrgica.
Patient in hospital corridor
Chegamos agora ao fim da jornada de atendimento hospitalar da Rosa. Conforme ela é monitorada na unidade médico-cirúrgica, a sua última parada a caminho da alta, o escore de prontidão de alta da Rosa e o risco de reinternação indicam que ela está fisiologicamente estável e bem em sua recuperação. Após o médico responsável ter analisado a sua condição, a Rosa recebe a notícia tranquilizante que estava esperando. Ela está pronta para ir para casa.

Melhoria no fluxo de pacientes e redução do tempo de internação


Com milhares de pacientes como a Rosa passando por uma rede hospitalar em determinado dia, é fácil ver os benefícios de ter informações clínicas e operacionais centralizadas para gerenciar o fluxo de pacientes.

Em vez de otimizar em silos, os profissionais da saúde podem começar a orquestrar o atendimento em toda a sua empresa. Adicione a isso o poder da análise preditiva e se torna possível gerenciar o fluxo de pacientes proativamente de um ambiente de atendimento para outro. Ao acelerar a progressão do paciente por meio de sua jornada de atendimento, os profissionais da saúde podem evitar congestionamentos em determinadas áreas do hospital e a superutilização de recursos essenciais em outras.

Para uma paciente como a Rosa, isso significa que ela não precisa ficar no hospital por mais tempo que o necessário. Isso, por sua vez, dá a outros pacientes uma chance melhor de ter acesso ao atendimento essencial de que precisam. Como resultado, as empresas de saúde podem atender mais pacientes, reduzindo assim os acúmulos que se seguiram à pandemia. Além disso, o melhor fluxo de pacientes também pode beneficiar o seu resultado final. Por exemplo, um hospital dos EUA estimou que poderia economizar US$ 3,9 milhões anualmente eliminando a superlotação do PS por meio de transferências aceleradas para ambientes de internação [4].

Habilitação da tomada de decisões em rede em todo o hospital


Para que essa gestão em toda a empresa do fluxo de pacientes funcione, é necessário mais que apenas um centro de comando que monitora e orquestra a ocupação e as transições dos pacientes. Juntamente com todas as equipes de atendimento envolvidas, a liderança sênior precisará concordar com KPIs pertinentes em toda a empresa que reflitam o fluxo de pacientes em tempo real e previsto entre os departamentos. Em combinação, esses KPIs devem dar a todos uma previsão confiável de gargalos iminentes, bem como informações sobre intervenções apropriadas.

Informações que ajudam a gerenciar o fluxo de pacientes também precisarão estar disponíveis no ponto de atendimento, de forma fácil de usar e acionável e que seja visível para todos os membros da equipe, seja por meio de painéis ou alertas bem cronometrados. Insights preditivos devem aumentar a tomada de decisões dos médicos e se integrar naturalmente aos seus fluxos de trabalho, sem aumentar a sobrecarga de informações.
Departmental dashboard

A adaptação contínua é fundamental aqui. Ao contrário de alguns outros setores, como a manufatura, onde os processos seguem uma sequência fixa e predeterminada, a saúde é um esforço humano onde eventos inesperados acontecem. Por exemplo, uma paciente como a Rosa pode não responder ao seu plano de tratamento como previsto e precisa ser internada novamente na UTI para tratamento intensivo adicional. Algoritmos preditivos podem ajudar a captar sinais precoces de deterioração, mas o julgamento clínico no momento permanece essencial para avaliar a condição do paciente e decidir o que fazer a seguir.


É por isso que os centros de comando no atendimento médico não se tratam de gestão top-down. Em vez disso, devem apoiar a colaboração entre médicos e administradores de atendimento em toda a rede hospitalar ou no hospital. O futuro do atendimento será baseado em insights preditivos que informam a tomada de decisões em rede, com médicos e equipes permanecendo responsáveis pelas decisões clínicas, apoiadas por uma unidade central que supervisiona o quadro operacional mais amplo para gerenciar proativamente o fluxo de pacientes.

Ampliação da coordenação do atendimento hospitalar para domiciliar


No futuro, a coordenação centralizada do atendimento poderá ser ampliada para dentro de casa, utilizando diagnósticos e monitoramento remotos para acompanhar a Rosa à medida que ela retoma a sua vida cotidiana. Como o meu colega Roy Jakobs já resumiu antes, melhorar as transições entre o atendimento intensivo e pós-intensivo é uma das maiores oportunidades da saúde à medida que se torna cada vez mais distribuída. Mais uma vez, é aí que análises preditivas na saúde podem fazer a diferença.


Imagine que a coordenadora de fluxo de pacientes Jennifer recebe um sinal de alerta antecipado de que a saúde da Rosa está prestes a piorar novamente, com base em uma análise remota de seus sinais vitais e biometria. Isso permitiria que a Jennifer alertasse proativamente as equipes de atendimento para chamar a Rosa para uma avaliação médica adicional, evitando um evento de emergência posteriormente. O monitoramento domiciliar contínuo da saúde já demonstrou o seu valor no tratamento de doenças crônicas como a DPOC, com um estudo piloto nos EUA mostrando uma redução de 80% nas reinternações intensivas por DPOC de 30 dias e uma economia de US$ 1,3 milhão [5].

Em última análise, é assim que os sistemas de saúde do futuro gerenciarão o fluxo de pacientes de forma mais eficaz e eficiente ao longo da jornada dos pacientes, contando com decisões baseadas em dados para garantir que o paciente certo receba o cuidado certo no momento certo. Seja em um hospital, em casa ou em um ambiente comunitário. Com base em uma compreensão mais detalhada dos padrões na demanda e no fluxo de pacientes, os líderes de saúde também podem começar a criar estratégias no longo prazo para o planejamento da capacidade hospitalar, tomando decisões mais bem informadas sobre os tipos de ambientes de atendimento e recursos necessários.

A incerteza permanecerá tão inerente à saúde quanto à vida. Mas, ao prever melhor o que pode acontecer, os sistemas de saúde se tornarão mais adaptativos e resilientes diante das mudanças e crises. Essa é uma previsão que estou disposto a fazer. 


Referências

[1] Rutherford PA, Anderson A, Kotagal UR, Luther K, Provost LP, Ryckman FC, Taylor J. Achieving Hospital-wide Patient Flow (Second Edition). IHI White Paper. Boston, Massachusetts: Institute for Healthcare Improvement; 2020. http://www.ihi.org/resources/Pages/IHIWhitePapers/Achieving-Hospital-wide-Patient-Flow.aspx
[2] Mayo Clinic COVID-19 Predictive Analytics Task Force, Pollock BD, Carter RE, et al. Deployment of an Interdisciplinary Predictive Analytics Task Force to Inform Hospital Operational Decision-Making During the COVID-19 Pandemic. Mayo Clin Proc. 2021;96(3):690-698. https://www.mayoclinicproceedings.org/article/S0025-6196(20)31482-8/fulltext
[3] Weissman GE, Crane-Droesch A, Chivers C, et al. Locally Informed Simulation to Predict Hospital Capacity Needs During the COVID-19 Pandemic. Annals of Internal Medicine. Volume 173, Issue 1: 21-28. https://www.ncbi.nlm.nih.gov/pubmed/32259197
[4] Foley M, Kifaieh N, Mallon W. Financial Impact of Emergency Department Crowding. Western Journal of Emergency Medicine, Volume XII, no. 2: May 2011, 192-197. https://pubmed.ncbi.nlm.nih.gov/30193738/
[5] Reducing hospital readmissions with integrated COPD care. Estudo de caso da Philips. [Os resultados são específicos para a instituição onde foram obtidos e podem não refletir os resultados alcançáveis em outras instituições.] https://www.philips.com/a-w/about/news/archive/case-studies/20191001-reducing-hospital-readmissions-with-integrated-copd-care.html

Compartilhe nas redes sociais

Temas

Autor

Henk van Houten

Henk van Houten

Executive Vice President, Chief Technology Officer, Royal Philips

As Chief Technology Officer at Philips, Henk and his office orchestrate research and innovation, across businesses and markets, to create integrated solutions across the continuum of care, enabled by digital technologies, smart systems and devices. Henk also drives excellence in software, data science and AI.  

Follow me on

You are about to visit a Philips global content page

You are about to visit the Philips USA website.

Para visualizar melhor o nosso site, utilize a versão mais recente do Microsoft Edge, do Google Chrome ou do Firefox.