El modelo de aprendizaje automático predice la rotación de médicos

La rotación de médicos es perjudicial para los pacientes y costosa tanto para los centros de salud como para los médicos. En un nuevo estudio, los investigadores de Yale utilizaron el aprendizaje automático para revelar los factores, incluida la duración de la permanencia de un médico, su edad y la complejidad de sus casos, que pueden aumentar los riesgos de dicha rotación.

Al evaluar los datos de un gran sistema de atención médica de EE. UU. durante un período de casi tres años, pudieron predecir, con un 97 % de precisión, las posibilidades de que el médico se fuera. Los hallazgos, dicen los investigadores, brindan información que puede ayudar a los sistemas de atención médica a intervenir antes de que los médicos decidan irse para reducir la rotación.

El estudio fue publicado el 1 de febrero en MÁS UNO.

Si bien los centros de atención médica generalmente usan encuestas para rastrear el agotamiento de los médicos y la satisfacción laboral, el nuevo estudio usó datos de registros de salud electrónicos (EHR), que son utilizados por la mayoría de los médicos de EE. UU. para rastrear y administrar la información del paciente.

El problema con las encuestas, dijo Ted Melnick, profesor asociado de medicina de emergencia y coautor principal del nuevo estudio, es que los médicos a menudo sienten la carga de responder. En consecuencia, las tasas de respuesta suelen ser bajas. «Y las encuestas pueden decirte lo que sucede en ese momento», agregó, «pero no lo que sucederá al día siguiente, al mes siguiente o durante el año siguiente».

Sin embargo, los registros de salud electrónicos, que además de recopilar datos clínicos de los pacientes, también generan datos relacionados con el trabajo de forma continua, ofrecen la oportunidad de observar los patrones de comportamiento de los médicos momento a momento y durante largos períodos de tiempo.

Para el nuevo estudio, los investigadores utilizaron tres años de EHR anonimizados y datos médicos de un gran sistema de atención médica de Nueva Inglaterra para determinar si podían tomar un tramo de datos de tres meses y predecir la probabilidad de que un médico se fuera dentro de los siguientes seis meses.

«Queríamos algo que fuera útil a nivel personalizado», dijo Andrew Loza, profesor y miembro de informática clínica en la Facultad de Medicina de Yale y coautor principal del estudio. «Entonces, si alguien usara este enfoque, podría ver la probabilidad de salida de un puesto, así como las variables que más contribuyen a la estimación en ese momento, e intervenir cuando sea posible».

Específicamente, se recopilaron datos mensualmente de 319 médicos que representan 26 especialidades médicas durante un período de 34 meses. Los datos incluyeron cuánto tiempo dedicaron los médicos a utilizar los EHR; medidas de productividad clínica, como el volumen de pacientes y la demanda de médicos; y características del médico, incluida la edad y la duración del empleo. Se usaron diferentes porciones de los datos para entrenar, validar y probar el modelo de aprendizaje automático.

Cuando se probó, el modelo fue capaz de predecir si un médico se iría con un 97 % de precisión, encontraron los investigadores. La sensibilidad y la especificidad del modelo, que muestran la proporción de los meses de salida y de no salida que se clasificaron correctamente, fue del 64 % y el 79 %, respectivamente. El modelo también pudo identificar qué tan fuertemente contribuyeron las diferentes variables al riesgo de rotación, cómo las variables interactuaron entre sí y qué variables cambiaron cuando un médico hizo la transición de bajo riesgo de partida a alto riesgo.

Los detalles sobre lo que impulsa la predicción es lo que hace que este enfoque sea particularmente útil, dijeron los investigadores.

«Ha habido esfuerzos para hacer que los modelos de aprendizaje automático no sean cajas negras en las que se obtiene una predicción, pero no está claro cómo llegó el modelo», dijo Loza. «Comprender por qué el modelo produjo la predicción que hizo es particularmente útil en este caso, ya que esos detalles identificarán problemas que pueden estar provocando la partida del médico».

A través de su enfoque, los investigadores identificaron varias variables que contribuyeron al riesgo de partida; Descubrieron que los cuatro factores principales eran cuánto tiempo había estado empleado el médico, su edad, la complejidad de sus casos y la demanda de sus servicios.

Mientras trabajo previo solo permitió análisis de relaciones lineales, el modelo de aprendizaje automático permitió a los investigadores observar los desafíos que enfrentan los médicos con más matices. Por ejemplo, el riesgo de partida fue más alto para los médicos contratados más recientemente y aquellos con permanencias más largas, pero menor para aquellos con permanencias medias. De manera similar, el riesgo de partida fue mayor para los de hasta 44 años, menor para los médicos de 45 a 64 años y nuevamente mayor para los de 65 años o más.

También hubo interacciones entre las variables. Por ejemplo, más tiempo dedicado a las actividades de EHR disminuyó el riesgo de partida para los médicos que habían estado en el trabajo por menos de 10 años. Pero para aquellos médicos empleados por más tiempo, aumentó el riesgo de partida.

«Los hallazgos resaltan que no existe una solución única para todos», dijo Loza.

El riesgo de partida del médico cambió a lo largo del período de estudio, que abarcó un lapso de 34 meses de 2018 a 2021 (un período que incluyó la pandemia y el mundo previo a la pandemia), dijeron los investigadores. También identificaron variables específicas que cambiaban cuando un médico cambiaba de un riesgo de partida bajo a uno alto; la proporción de mensajes de la bandeja de entrada de EHR respondidos por un miembro del equipo que no sea el médico, la demanda del médico y el volumen de pacientes fueron las variables que más cambiaron cuando el riesgo de un médico pasó de bajo a alto. Las olas de COVID-19 también se vincularon con cambios en el riesgo de salida.

«Creo que este estudio es un paso importante para identificar los factores que contribuyen a la rotación de médicos, con el objetivo final de crear un entorno de trabajo sostenible y próspero para nuestros médicos», dijo Brian Williams, oficial de informática médica de Northeast Medical Group y autor de El estudio.

Con ese objetivo, los investigadores crearon un tablero que puede mostrar esta información. Los líderes de atención médica ven el valor en el tipo de análisis que puede proporcionar este enfoque.

«Dado que el agotamiento de los médicos es un problema cada vez más reconocido, los sistemas de atención de la salud, los hospitales y los grupos grandes deben determinar qué deben hacer para garantizar la salud física y emocional y el bienestar de los médicos y otros profesionales clínicos que se ocupan de la atención real. para los pacientes», dijo Robert McLean, director médico regional de New Haven de Northeast Medical Group.

«Muchos sistemas de atención médica ya tienen funcionarios de bienestar y comités de bienestar que podrían tener la responsabilidad de recopilar y analizar estos datos y desarrollar conclusiones, que luego conducirían a planes de implementación para cambios y, con suerte, mejoras».

Melnick agregó: «Estamos entusiasmados con la posibilidad de cómo se vería esto en la práctica. Y seguimos trabajando en la implementación ética, ya que se trata realmente de la mejor manera de fomentar el bienestar de los médicos y una fuerza laboral próspera».