Search

En l'atenció a la cronicitat, hi ha una manca de models per a l'atenció domiciliària, amb falta de continuïtat assistencial i dèficits de coordinació entre serveis sanitaris i socials. A l'alta del centre d'atenció intermèdia, els pacients crònics complexes reben assessorament per preparar el retorn a domicili amb la limitació, per part dels professionals, de no conèixer l'entorn real i amb manca de previsió i seguiment a l'alta. Les eines digitals poden contribuir a resoldre aquesta problemàtica millorant l'atenció dels usuaris amb malalties cròniques. Objectiu general. Descriure un disseny d'intervenció per millorar les transicions al domicili dels pacients crònics complexes amb la creació i ús d'una aplicació de salut mòbil d'assessorament de l'entorn a la unitat de Teràpia Ocupacional. Metodologia. Es dissenya una versió inicial de l'aplicació amb les funcionalitats essencials i un procés previ de cocreació per detectar les necessitats dels usuaris. Pla d'avaluació. Per l'avaluació s'aborden dominis tècnics i mètriques de l'aplicació i es planteja una investigació quasi experimental transversal amb disseny pre-post test per comparar la intervenció usual amb el tractament amb l'ús de l'aplicació. Aplicabilitat. L'eina digital té un potencial destacable, ja que pot millorar els processos hospitalaris dels usuaris afavorint el retorn al domicili segur, mantenint l'autonomia i oferint un seguiment post alta. S'aporta major qualitat en el tractament, superant les limitacions detectades en les intervencions usuals presencials. Els resultats podrien confirmar l'aplicabilitat clínica i l’eficiència-efectivitat de l'aplicació així com la seva viabilitat econòmica.Conclusions. L'ús d'una l'aplicació mòbil en el tractament de Teràpia Ocupacional pot millorar la preparació de l'alta dels pacients crònics complexes. In chronic care, there is a lack of models for home care, with a lack of continuity in home assistance, as well as deficits in coordination between health and social services. On discharge from the intermediate care center, complex chronic patients receive advice to prepare the return home, with the limitation, of professionals, not knowing the real environment, furthermore the difficulty in forecasting and monitoring on discharge. Digital tools can contribute to solving this problem by improving the care of users with chronic diseases. Objective. Describe an intervention design to improve transitions to home for complex chronic patients, with the creation and use of a mobile health app, in order to know better the home environment at the Occupational Therapy Unit. Methodology. An initial version of the application is designed with the essential functionalities and a previous co-creation process to detect user's needs. Evaluation plan. For the evaluation, technical domains and application metrics are addressed and, a quasi-experimental transversal research is proposed with pre-post design, in order to compare the usual intervention with the mobile app treatment. Applicability. The digital tool has a remarkable potential as it can improve the hospital processes of users, favoring a safe return home, maintaining the autonomy and offering a post-discharge follow-up. Higher quality is provided in the treatment, overcoming the limitations detected in the common face-to-face interventions. The results could confirm the clinical applicability and the efficiency-effectiveness of the application as well as its economic viability. Conclusions. The use of a mobile application in Occupational Therapy treatment, can improve the discharge preparation of complex chronic patients. En la atención a la cronicidad, hay una carencia de modelos para la atención domiciliaria, con falta de continuidad asistencial y déficits de coordinación entre servicios sanitarios y sociales. Al alta del centro de atención intermedia, los pacientes crónicos complejas reciben asesoramiento para preparar el retorno a domicilio con la limitación, por parte de los profesionales, de no conocer el entorno real y con carencia de previsión y seguimiento al alta. Las herramientas digitales pueden contribuir a resolver esta problemática mejorando la atención de los usuarios con enfermedades crónicas. Objetivo general. Describir un diseño de intervención para mejorar las transiciones en el domicilio de los pacientes crónicos complejas con la creación y uso de una aplicación de salud móvil de asesoramiento del entorno a la unidad de Terapia Ocupacional. Metodología. Se diseña una versión inicial de la aplicación con las funcionalidades esenciales y un proceso previo de cocreació para detectar las necesidades de los usuarios. Plan de evaluación. Por la evaluación se abordan dominios técnicos y métricas de la aplicación y se plantea una investigación casi experimental transversal con diseño pre-puesto maceta para comparar la intervención usual con el tratamiento con el uso de la aplicación. Aplicabilidad. La herramienta digital tiene un potencial destacable, puesto que puede mejorar los procesos hospitalarios de los usuarios favoreciendo el retorno al domicilio seguro, manteniendo la autonomía y ofreciendo un seguimiento puesto alta. Se aporta mayor calidad en el tratamiento, superando las limitaciones detectadas en las intervenciones usuales presenciales. Los resultados podrían confirmar la aplicabilidad clínica y la eficiencia-efectividad de la aplicación así como su viabilidad económica. Conclusiones. El uso de una la aplicación móvil en el tratamiento de Terapia Ocupacional puede mejorar la preparación del alta de los pacientes crónicos complejas.

[ES] Introducción El Sistema Nacional de Salud se está viendo afectado por el aumento de la cronicidad y el envejecimiento de la población, que se traduce en una mayor demanda de servicios. Los estudios y estratificación de la población según morbilidad se hacen necesarios para mejorar la gestión de los recursos. Los Pacientes Crónicos Complejos son un pequeño porcentaje de la población caracterizada por unas necesidades especialmente elevadas y una dificultad en su gestión. Su correcta identificación permitiría mejorar la atención que se les presta y su calidad de vida. Objetivo Desarrollo de una herramienta para la identificación de pacientes crónicos complejos utilizando métodos estadísticos y algoritmos de aprendizaje automático. Metodología El estudio se realiza sobre la población asignada de un departamento de salud, clasificada como crónico en el sistema Clinical Risk Groups (CRG) (estado de salud nivel 4 de CRG o superior) en el periodo de 2015 (98.465 pacientes). Se dispone de variables de tipo demográfico (edad y sexo), clínico (clasificación ACRG3, número de contactos ambulatorios, número de urgencias, número de ingresos, número de problemas relacionados con los medicamentos e importe de gasto farmacéutico) y socio-económico (zona básica de salud, situación de empadronamiento, indicador de nacionalidad , cobertura sanitaria, situación de residencia, migraciones, actividad laboral, grupos de aseguramiento, conjunto geopolítico, unidad de residencia, régimen de aportación de farmacia e índice de exclusión social). Para cada paciente se incluye una etiqueta de identificación de paciente crónico complejo marcada por profesionales sanitarios. Se plantea un análisis descriptivo de las variables, creación de modelos supervisados con tres sistemas de clasificación (random forest, regresión logística y red neuronal) y evaluación de los mismos con medida de exactitud, precisión, sensibilidad, especificidad, estadístico-F, coeficiente de correlación de Matthews y área bajo la curva ROC. Finalmente, se ha implementado el modelo obtenido con mejores resultados en una herramienta de visualización desarrollada con MATLAB. Resultados Las variables clínicas y de consumo de recursos están estrechamente ligadas al estado de salud y el nivel de gravedad de los pacientes. Entre las variables sociales, las más relevantes son el índice de exclusión social y la zona básica de salud. Tanto el algoritmo random forest como la red neuronal consiguen muy buenos resultados de clasificación con variables clínicas, pero el primero es el que ofrece mejor rendimiento al incorporar las variables socio-económicas. Este modelo se programa en una interfaz que permite obtener la probabilidad de un paciente de ser o no crónico complejo al introducir las variables. Conclusiones Los algoritmos de aprendizaje automático pueden ser usados para crear sistemas de clasificación de acuerdo con los criterios de los profesionales sanitarios. Las variables clínicas y socio-económicas permiten una correcta identificación de los pacientes crónicos complejos., [CA] Introducció El Sistema Nacional de Salut s'està veient afectat per l'augment de la cronicitat i l'envelliment de la població, que es tradueix en una major demanda de serveis. Els estudis i estratificació de la població segons morbiditat es fan necessaris per a millorar la gestió dels recursos. Els Pacients Crònics Complexos són un petit percentatge de la població caracteritzada per unes necessitats especialment elevades i una dificultat en la seua gestió. La seua correcta identificació permetria millorar l'atenció que se'ls presta i la seua qualitat de vida. Objectiu Desenvolupament d'una eina per a la identificació de pacients crònics complexos utilitzant mètodes estadístics i algorismes d'aprenentatge automàtic. Metodologia L'estudi es realitza sobre la població assignada d'un departament de salut, classificats com a crònics en el sistema Clinical Risk Groups (CRG) (estat de salut nivell 4 de CRG o superior) en el període de 2015 (98.465 pacients). Es disposa de variables de tipus demogràfic (edat i sexe), clínic (classificació ACRG3, nombre de contactes ambulatoris, nombre d'urgències, nombre d'ingressos, nombre de problemes relacionats amb els medicaments i import de despesa farmacèutica) i soci-econòmic (zona bàsica de salut, situació d'empadronament, indicador de nacionalitat , cobertura sanitària, situació de residència, migracions, activitat laboral, grups d'assegurament, conjunt geopolític, unitat de residència, règim d'aportació de farmàcia i índex d'exclusió social). Per a cada pacient s'inclou una etiqueta d'identificació de pacient crònic complex marcada per professionals sanitaris. Es planteja una anàlisi descriptiva de les variables, creació de models supervisats amb tres sistemes de classificació (random forest, regressió logística i xarxa neuronal) i avaluació dels mateixos amb mesura d'exactitud, precisió, sensibilitat, especificitat, estadístic-F, coeficient de correlació de Matthews i àrea sota la corba ROC. Finalment, s'ha implementat el model obtingut amb millors resultats en una eina de visualització desenvolupada amb MATLAB. Resultats Les variables clíniques i de consum de recursos estan estretament lligades a l'estat de salut i el nivell de gravetat dels pacients. Entre les variables socials, les més rellevants són l'índex d'exclusió social i la zona bàsica de salut. Tant l'algorisme random forest com la xarxa neuronal aconsegueixen molt bons resultats de classificació amb variables clíniques, però el primer és el que ofereix millor rendiment en incorporar les variables soci-econòmiques. Aquest model es programa en una interfície que permet obtenir la probabilitat d'un pacient de ser o no crònic complex en introduir les variables. Conclusions Els algorismes d'aprenentatge automàtic poden ser usats per a crear sistemes de classificació d'acord amb els criteris dels professionals sanitaris. Les variables clíniques i soci-econòmiques permeten una correcta identificació dels pacients crònics complexos., [EN] Introduction The National Health Service is affected nowadays by a raise in chronicity and ageing of the population, which turns into a higher demand of services. The studies and stratification of the population based on the morbidity condition have become necessary to improve the resource management. The complex chronic patients are a small percentage of the population, characterized by especially profound necessities and difficulties in their management. Their correct identification would improve the health care attention that is provided and also their life quality. Objective Development of a tool for complex chronic patients’ identification employing statistical methods and machine learning algorithms. Methodology The study was conducted with the assigned population of a health district, which is classified as chronic in the Clinical Risk Group (CRG) system (CRG equal or greater than 4) in 2015 (98,465 patients). The variables available are demographic (age and sex), clinical (ACRG3 classification, number of ambulatory events, number of visits to emergency departments, number of hospital admissions, pharmaceutical problems and ambulatory prescription costs) and socio-economical (basic health area, registration of residency, nationality, health coverage, residency situation, migrations, labour activity, assurance groups, geopolitical cluster, residency unit, pharmaceutical tax level and social exclusion index). There is also a complex chronic patient identification label for each patient, marked by sanitary professionals. A descriptive analysis of the variables is developed, and supervised learning models are created employing three classification algorithms (random forest, logistic regression and neural network). The evaluation is made through the measurement of accuracy, precision, recall, specificity, F-statistical, Matthews’ correlation coefficient and area under curve ROC. Finally, the model presenting the best performance is implemented in a visualization tool developed in MATLAB. Results The clinical variables and the information about resources consumption are highly related to the state of health and severity level of the patients. Among the social variables, the social exclusion index and the basic health areas prove to be the most significant ones. Both the random forest algorithm and the neural network offer great results, but the first one performs better when adding the socio-economic variables. This model is programmed in a user interface, to obtain the probability for a patient to be considered a complex chronic one by entering the different variables. Conclusions Machine learning algorithms can be used to develop classification systems, according to the professional criteria. The clinical and socio-economical variables provide a correct method to identify the complex chronic patients.