La enfermera que acabará con los errores de medicación: "Fuimos a la raíz"

Un equipo multidisciplinar y la necesidad de mejorar temas relacionados con la calidad y la seguridad clínica. Estas fueron las bases de un proyecto que ha tenido como resultado un prototipo que ayuda a evitar errores en la administración de medicamentos con Inteligencia Artificial (IA), a través del reconocimiento facial y de voz de los pacientes. Cristina Gordo, enfermera responsable del Servicio de Calidad de la Clínica Universidad de Navarra y promotora de la iniciativa, utilizó su tesis doctoral en Medicina como punto de partida para intentar mejorar un problema existente y persistente en el ámbito hospitalario: el cumplimiento correcto de administrar un fármaco.

"Lo primero que nos planteamos fue cuáles eran los principales problemas de calidad y seguridad clínica para los hospitales en España", explica Gordo a Redacción Médica, ya que su intención era idear una mejora en aquello que los profesionales sanitarios consideraban realmente una dificultad. Así, para dar con esa incógnita realizó una encuesta a nivel nacional de la mano de su director de tesis (un ingeniero) y codirector (un médico), dirigida a los responsables y directores de Calidad. "Obtuvimos una tasa de respuesta superior al 40 por ciento y con esa información lo que conseguimos fue identificar esos problemas". Con ello idearon un listado que clasificaron por orden de importancia para dar con el mayor obstáculo.

La segunda fase del proyecto se centró en estudiar qué problemas de calidad y seguridad clínica, la Inteligencia Artificial podía ayudar a mejorar y cómo. Para ello usaron dos metodologías, una para conocer las causas de los problemas de seguridad y otra para evaluar las capacidades de la IA que podían ayudar a prevenirlos. "Si empiezas a profundizar en los problemas de seguridad, encuentras unas causas que están en la raíz del problema y que son las que realmente hay que abordar para evitar que esto nos vuelva a suceder en el futuro", detalla.  

Selección del problema

Los "eventos adversos relacionados con los medicamentos fueron el principal problema de calidad y seguridad química susceptible de ser mejorado mediante la IA", indica Cristina, por ser el que recibió "mayor puntuación" o "mayor valoración" en los grupos nominales con los profesionales. Una vez seleccionado, tocaba analizar las capacidades de la Inteligencia Artificial que habían tenido también una mayor puntuación: la identificación y la lectura.

"Ahondando en cuáles eran las causas raíces de ese problema seleccionado, vimos que había dos fundamentalmente: la falta de adherencia por parte de los profesionales a los protocolos de seguridad y los errores de identificación", resalta la enfermera. El siguiente paso era pensar en cómo concretar la solución. "Cuando pensamos en cómo materializarlo, nos orientamos hacia el reconocimiento facial y de voz", agrega.

Ahora se tenía que trabajar en el desarrollo de un software o un prototipo para atacar el problema. "Yo soy enfermera, el médico sabe de lo suyo, el ingeniero tenía conocimiento, pero no era suficiente para hacer ese desarrollo. Por tanto, contactamos con ingenieros con información especializada en inteligencia artificial para que nos ayudaran en ese desarrollo del prototipo", explica a este periódico.

Pruebas de validación en el hospital

Tras obtener resultados "válidos" y "fiables" en el laboratorio, se pasó a pruebas en un "entorno real, es decir, en un hospital". Gordo indica que se puso mayor hincapié en el reconocimiento de voz "porque es algo que todavía tenemos menos desarrollado".

El muestreo aleatorio de pacientes se hizo a través de las supervisoras de las unidades, quienes les informaron y pidieron su consentimiento para llevar a cabo la validación. Se consideró a aquellos pacientes hospitalizados en dos unidades concretas del total con las que cuenta el hospital, una con un perfil "más médico" y otra con uno "más quirúrgico". 

"Y lo que realizábamos con esos pacientes eran grabaciones de voz y grabaciones de su cara", indica, con tres dispositivos: un móvil, un ordenador y una grabadora. Al analizar los resultados, se comprobó que tenían una exactitud en torno al 91,64 por ciento y el 99,23 por ciento, en función de lo que se evaluaba. "Es muy importante tener en mente que nosotros lo que buscamos con este software es que los falsos positivos sean cero. Es decir, un falso positivo es cuando el dispositivo te está diciendo que es el paciente y no lo es", resalta.

En ese sentido, detalla la importancia de que la exactitud de la herramienta sea del 100 por cien. "De ahí que nuestro software proponga una combinación del reconocimiento facial y del reconocimiento de voz porque la combinación de ambos permite obtener ese 100 por cien de fiabilidad", dice. 

Comprobación de satisfacción