Las estadísticas médicas comunes a menudo son incorrectas o engañosas: el estudio ofrece un enfoque correctivo

Una nueva técnica estadística simple pero revolucionaria permite una mejor evaluación e implementación de muchas pruebas y modelos predictivos, lo que genera mayores beneficios para el paciente.

Las suposiciones erróneas en algunas estadísticas ampliamente utilizadas pueden conducir a implementaciones de modelos predictivos defectuosas que afectan la atención del paciente. Esto se puede corregir con un enfoque novedoso basado en la utilidad («u-metrics»), según un estudio en el Revista IEEE de Informática Biomédica y de la Saluden coautoría con el Dr. Jonathan Handler, Senior Fellow for Innovation en OSF Healthcare.

¿Qué hay de malo en las estadísticas clásicas?

Los predictores de si algo sucederá o no en el futuro se utilizan para facilitar la atención. Las estadísticas clásicas para evaluar estos predictores y guiar sus implementaciones incluyen sensibilidad, especificidad y valores predictivos positivos y negativos. Estos se basan únicamente en los recuentos de la frecuencia con la que el predictor fue correcto o incorrecto. El artículo señala que estas estadísticas clásicas hacen suposiciones que no se aplican a muchos (probablemente la mayoría) de los escenarios del mundo real.

Las estadísticas basadas en suposiciones erróneas pueden sugerir que un predictor brindará un gran beneficio a los pacientes, aunque el desempeño en el mundo real resulte decepcionante o incluso dañino. ¿El resultado? Con demasiada frecuencia, los ocupados trabajadores de la salud deben sufrir frecuentes alarmas falsas o inútiles que pronto aprenden a ignorar («fatiga de alerta»).

Por ejemplo, un sistema de predicción podría activar incorrectamente una alarma, afirmando que un paciente sano tiene una infección peligrosa. También puede activar correctamente una alarma para un paciente con una infección peligrosa aunque el equipo ya esté abordando el problema. En cada caso, la alarma no agrega valor y distrae al equipo de atención de otro trabajo importante.

Peor aún, en el caso de una alarma correcta pero inútil y que distrae, las estadísticas clásicas «toman el crédito» de manera inapropiada por una predicción correcta a pesar de que la alarma creó más daño que beneficio. Esto se debe a que las estadísticas clásicas asumen que las predicciones correctas siempre son útiles y que todas las predicciones correctas son igualmente útiles, aunque, como señalan los autores, esas suposiciones no suelen ser el caso.

Un nuevo y mejor enfoque

Para abordar estos desafíos, los autores crearon u-metrics, una solución intuitiva y completa que no se basa en suposiciones que rara vez se aplican en el mundo real. A diferencia de las estadísticas clásicas, no tiene un enfoque único para todos. En cambio, asigna a cada predicción solo el crédito que merece y clasifica cada predicción en función del beneficio o daño creado en lugar de su corrección.

«Los proveedores de atención médica a menudo se quejan de que la investigación sugiere que los predictores funcionarán bien, pero cuando se implementan en el mundo real, el impacto es decepcionante y, a veces, dañino», dijo el Dr. Handler, autor principal del estudio.

«Ha habido un reconocimiento limitado de que los supuestos de las estadísticas clásicas basadas en conteos comúnmente no se aplican y se han propuesto algunas correcciones parciales. Sin embargo, hasta donde sabemos, esta es la primera evaluación exhaustiva de los supuestos requeridos por estas estadísticas clásicas, y, lo que es más importante, la primera solución integral al problema. Creemos que el uso de u-metrics para guiar el desarrollo, la selección y la implementación de este tipo de predictores beneficiará a los pacientes, los proveedores y los sistemas de salud».

Además de los predictores clínicos, u-metrics se puede utilizar para evaluar cualquier sistema que proporcione respuestas de sí o no, desde alertas meteorológicas hasta predicciones del mercado de valores.

¿Cómo puede u-metrics ayudar a abordar la fatiga de las alertas?

Al informar mejor la selección de predictores y sus implementaciones, u-metrics puede reducir la probabilidad de que un sistema de salud elija y ponga en funcionamiento un predictor que active demasiadas alertas inútiles. El documento también describe el «reposo», una técnica de implementación para reducir drásticamente las alertas falsas y molestas en muchos casos. Dormir es cuando una alarma se silencia automática o manualmente durante un período de tiempo después de que se dispara.

Aunque la repetición manual de las alarmas de los sensores es común en las UCI, su uso no se ha estudiado bien para las alarmas predictivas. El documento señala que esto puede deberse a la incapacidad de las métricas clásicas para evaluar correctamente el impacto de la siesta. La solución de u-metrics evalúa correctamente el impacto de la repetición porque no recompensará ni penalizará al sistema por suprimir alertas que eran correctas pero que crearían distracciones o daños si se activaran. El documento también describe un método para identificar los tiempos de repetición óptimos. Si se aplica correctamente, la repetición puede reducir la fatiga de las alertas y aumentar la probabilidad de que los médicos respondan a las alarmas reales.

Proporcionado por OSF Healthcare