Minería de procesos como herramienta para el análisis de la colaboración multidisciplinaria para el tratamiento de pacientes con DMT2 en atención primaria

Texto completo

(1)PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE ESCUELA DE INGENIERIA. MINERÍA DE PROCESOS COMO HERRAMIENTA PARA EL ANÁLISIS DE LA COLABORACIÓN MULTIDISCIPLINARIA PARA EL TRATAMIENTO DE PACIENTES CON DMT2 EN ATENCIÓN PRIMARIA. TANIA ISABEL CONCA RECKMANN. Tesis para optar al grado de Magister en Ciencias de la Ingeniería. Profesor Supervisor: MARCOS SEPÚLVEDA FERNÁNDEZ. Santiago de Chile, Septiembre 2017 c 2017, TANIA I SABEL C ONCA R ECKMANN.

(2) PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE ESCUELA DE INGENIERIA. MINERÍA DE PROCESOS COMO HERRAMIENTA PARA EL ANÁLISIS DE LA COLABORACIÓN MULTIDISCIPLINARIA PARA EL TRATAMIENTO DE PACIENTES CON DMT2 EN ATENCIÓN PRIMARIA. TANIA ISABEL CONCA RECKMANN. Tesis presentada a la Comisión integrada por los profesores:. MARCOS SEPÚLVEDA FERNÁNDEZ VALERIA HERSKOVIC MAIDA DANIEL CAPURRO NARIO DIEGO CELENTANO Para completar las exigencias del grado de Magister en Ciencias de la Ingeniería Santiago de Chile, Septiembre 2017 c 2017, TANIA I SABEL C ONCA R ECKMANN.

(3) A mis padres y Juan Pablo por su apoyo incondicional y paciencia, a mis profesores por sus consejos y orientación durante este proceso, a mis hermanos, mis compañeros y todos quiénes de alguna forma participaron en esto y me brindaron su ayuda y apoyo cuando los necesité..

(4) AGRADECIMIENTOS. Quisiera agradecer a todas las personas que hicieron posible la realización de esta investigación y a todos aquellos que me han apoyado a lo largo de este proceso. A mi profesor supervisor Marcos Sepúlveda y a la profesora Valeria Herskovic por su excelente disposición en todo momento, por guiar mi trabajo y aportar con sus conocimientos. Durante mi investigación aprendí de forma empírica que con nuestra formación podemos aportar a construir una mejor sociedad aplicando ingeniería en diversos ámbitos, en mi caso, en el área de la salud. Quiero agradecer a mis compañeros Camilo Álvarez y Cecilia Saint-Pierre, que también participan de este proyecto, por su entrega, responsabilidad y constante apoyo. A mis compañeros de oficina y también a mis compañeros de investigación en Minería de Procesos, Mauricio Arriagada, Michael Arias y Eric Rojas, quienes me aportaron con su conocimiento y opiniones. A todos mis amigos y compañeros que me brindaron su apoyo incondicional durante mi paso por la universidad. Con mucho cariño quiero agradecer también a mi compañero de aventuras Juan Pablo por creer en mí, transmitirme su seguridad y animarme cada día durante esta etapa. A mis padres Isabel y Eduardo, por su apoyo incondicional, por su paciencia, confianza y amor. A mis hermanos por sus consejos y ayuda cuando la requerí. Sin duda, este proceso no hubiese sido lo mismo sin su compañía y aliento día a día. Esta tesis fue parcialmente financiada por CONICYT - Fondecyt No 1150365.. IV.

(5) ÍNDICE GENERAL. AGRADECIMIENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. IV. ÍNDICE DE FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. VII. ÍNDICE DE TABLAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. VIII. RESUMEN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. IX. ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. X. INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 1. 1.1.. Procesos de salud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 2. 1.2.. Oportunidad de análisis . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3. 1.3.. Colaboración multidisciplinaria . . . . . . . . . . . . . . . . . . . . . . .. 3. 1.4.. Minería de procesos . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4. 1.4.1.. Log de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4. 1.4.2.. Descubrimiento, conformidad y mejora . . . . . . . . . . . . . . . .. 5. 1.4.3.. Perspectiva organizacional . . . . . . . . . . . . . . . . . . . . . . .. 6. 1.5.. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 7. 1.6.. Esquema del documento . . . . . . . . . . . . . . . . . . . . . . . . . .. 8. 2.. TRABAJO RELACIONADO . . . . . . . . . . . . . . . . . . . . . . . . . .. 9. 3.. ANTECEDENTES PRELIMINARES . . . . . . . . . . . . . . . . . . . . .. 13. 3.1.. HbA1c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 13. 3.2.. Protocolo y objetivos clínicos . . . . . . . . . . . . . . . . . . . . . . . .. 13. 3.3.. Control médico y metabólico . . . . . . . . . . . . . . . . . . . . . . . .. 14. COLABORACIÓN MEDIANTE ANÁLISIS DE REDES . . . . . . . . . . .. 15. 4.1.. Multiconjuntos, trazas y log de disciplinas . . . . . . . . . . . . . . . . .. 15. 4.2.. Red de colaboración . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 16. 1.. 4.. V.

(6) Métricas de colaboración . . . . . . . . . . . . . . . . . . . . . . . . . .. 17. SELECCIÓN DE PACIENTES . . . . . . . . . . . . . . . . . . . . . . . . .. 19. 5.1.. Diagnótico y disponibilidad de exámenes . . . . . . . . . . . . . . . . . .. 19. 5.2.. Índices de severidad y comorbilidad . . . . . . . . . . . . . . . . . . . .. 19. 5.3.. Adherencia al tratamiento . . . . . . . . . . . . . . . . . . . . . . . . . .. 20. 5.4.. Normalización del periodo de estudio . . . . . . . . . . . . . . . . . . .. 21. 4.3. 5.. 6.. IDENTIFICACIÓN DE PATRONES DE COLABORACIÓN. . . . . . . . . .. 23. 7.. SEGMENTACIÓN SEGÚN EVOLUCIÓN CLÍNICA . . . . . . . . . . . . .. 25. 8.. ANÁLISIS ESTADÍSTICO PARA EVALUACIÓN DE DESEMPEÑO. . . . .. 28. 9.. FORMALIZACIÓN DEL MÉTODO PROPUESTO . . . . . . . . . . . . . .. 29. 10.. CASO DE ESTUDIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 32. 10.1.. Selección de pacientes . . . . . . . . . . . . . . . . . . . . . . . . . . .. 32. 10.2.. Patrones de colaboración . . . . . . . . . . . . . . . . . . . . . . . . .. 34. 10.3.. Segmentación por evolución clínica . . . . . . . . . . . . . . . . . . . .. 39. 10.4.. Desempeño de los patrones de colaboración . . . . . . . . . . . . . . . .. 40. DISCUSIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 43. Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 45. CONCLUSIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 47. BIBLIOGRAFÍA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 49. Cálculo de índices de severidad y comorbilidad . . . . . . . . . . . .. 55. A.1.. Índice de severidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 55. A.2.. Índice de comorbilidad . . . . . . . . . . . . . . . . . . . . . . . . . . .. 55. 11.. 11.1. 12.. ANEXO A.. VI.

(7) ÍNDICE DE FIGURAS. 1.1. Tres tipos básicos de minería de procesos, en términos de entradas y salidas: (a) descubrimiento, (b) verificación de conformidad, y (c) mejoramiento. . . . . .. 6. 4.1. Ejemplo de una red de colaboración . . . . . . . . . . . . . . . . . . . . . .. 17. 6.1. Salida del algoritmo Palia: modelo de ejemplo . . . . . . . . . . . . . . . . .. 24. 7.1. Ejemplo de la representación gráfica de los segmentos según evolución clínica. 27. 9.1. Método propuesto para analizar colaboración en procesos de salud . . . . . .. 31. 10.1. Selección de pacientes: criterios aplicados . . . . . . . . . . . . . . . . . . .. 33. 10.2. Periodos de estudio considerados en el análisis . . . . . . . . . . . . . . . .. 33. 10.3. Modelos de tres nodos entregados por la aplicación Palia Web para los parámetros de similitud = 15 % y outliers = 3 % . . . . . . . . . . . . . . . . . . . . . .. 35. 10.4. Modelos de dos nodos entregados por la aplicación Palia Web para los parámetros de similitud = 15 % y outliers = 3 % . . . . . . . . . . . . . . . . . . . . . .. 35. 10.5. Modelos de un nodo entregados por la aplicación Palia Web para los parámetros de similitud = 15 % y outliers = 3 % . . . . . . . . . . . . . . . . . . . . . .. 36. 10.6. Gráfica de los segmentos por evolución clínica . . . . . . . . . . . . . . . .. 40. VII.

(8) ÍNDICE DE TABLAS. 10.1. Descripción de la población estudiada . . . . . . . . . . . . . . . . . . . . .. 33. 10.2. Descripción de la población estudiada . . . . . . . . . . . . . . . . . . . . .. 39. 10.3. Segmentos de pacientes según evolución de su HbA1c . . . . . . . . . . . .. 39. 10.4. Cantidad de pacientes según patrón de colaboración y segmento de evolución. 41. 10.5. Porcentaje de pacientes según patrón de colaboración y segmento de evolución. 41. 10.6. Valor-p obtenido para cada comparación . . . . . . . . . . . . . . . . . . . .. 42. A.1. Complicaciones de la DMT2 para cálculo de Índice de severidad . . . . . . .. 56. A.2. Comorbilidades que afectan a diabéticos para cálculo de Índice de comorbilidad, parte I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 57. A.3. Comorbilidades que afectan a diabéticos para cálculo de Índice de comorbilidad, parte II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 58. VIII.

(9) RESUMEN. En varios países la salud pública presenta escasez de profesionales y recursos económicos. Controlar y rediseñar los procesos puede favorecer el éxito de las instituciones de salud, permitiéndoles entregar un servicio de calidad y reducir sus costos. La minería de procesos, disciplina que extrae conocimientos de eventos registrados en los sistemas de información para analizar los procesos operacionales de una organización, constituye una oportunidad para mejorar la atención en salud. Los procesos de salud son altamente flexibles y multidisciplinarios. Los profesionales pueden coordinarse de distintas formas para enfrentar el tratamiento de un mismo diagnóstico. Resulta interesante saber qué efecto tiene la forma en que colaboran los profesionales en el resultado clínico de los pacientes. La flexibilidad mencionada constituye el principal desafío de este trabajo, ya que la mayoría de las técnicas tradicionales de descubrimiento, no capturan la alta variabilidad de los procesos. El presente estudio propone un método basado en el uso de minería de procesos para identificar patrones de colaboración entre médico, enfermera y nutricionista en el tratamiento de pacientes con Diabetes Mellitus Tipo 2 (DMT2) y contrastarlos con su evolución clínica, en el contexto de atención primaria. Se utiliza clustering como parte del pre-procesamiento de datos para manejar la variabilidad, y análisis de redes para distinguir patrones. El método se aplicó en tres centros de atención primaria de Santiago. Se identificaron 7 patrones de colaboración, que difieren principalmente en la cantidad de disciplinas presentes (una, dos o tres) y la intensidad de participación de cada una. El patrón en que participan las tres disciplinas más equitativa e integradamente presentó un 3 % de pacientes altamente descompensados, la menor proporción. En contraste, los patrones en que participan las tres disciplinas de forma más desbalanceada y desconectada presentaron alrededor de un 35 % de pacientes altamente descompensados, la mayor proporción.. Palabras Claves: minería de procesos, procesos de salud, atención primaria, colaboración, multidisciplina, clustering, análisis de redes sociales. IX.

(10) ABSTRACT. In several countries, public health is characterized by a shortage of professionals and economic resources. Controlling and redesigning processes can foster the success of health institutions, enabling them to deliver quality services while reducing costs. Process mining, a process management technique that allows the analysis of operational processes based on event logs, constitutes an opportunity to improve health care service. Health processes are highly flexible and multidisciplinary. Health professionals can coordinate in different ways to face the treatment of the same diagnosis. In this work we investigate the effect of different professional interactions on the patient’s clinical outcome. The mentioned flexibility constitutes the main challenge of this work, since most of the traditional discovery techniques do not capture the high variability of the processes. The present study proposes a method based on process mining to identify patterns of collaboration between physician, nurse and nutritionist in the treatment of patients with Type 2 Diabetes Mellitus (T2DM). Also, we contrast them with their clinical evolution, in the context of primary care. Clustering was used as part of the pre-processing of data to handle variability, and network analysis to distinguish patterns. The method was applied in three primary care centers in Santiago. Seven patterns of collaboration were identified, differing mainly in the number of disciplines present (one, two or three) and the intensity of participation for each one. The pattern in which all three disciplines participate most equitably and integrally presented 3 % of highly decompensated patients, the smallest proportion. In contrast, the patterns in which the three disciplines are most unbalanced and disconnected have about 35 % of highly decompensated patients, the largest proportion.. Keywords: process mining, healthcare processes, collaboration, multidisciplinary, clustering, social network analysis. X.

(11) 1. INTRODUCCIÓN. Día a día las instituciones de salud se enfrentan al desafío de mejorar la calidad del servicio que brindan en un contexto económico poco favorable. A nivel mundial, la salud pública se caracteriza por la escasez de recursos, que dificulta la satisfacción de la demanda creciente de los últimos años (Giovanella, de Almeida, Romero, Oliveira, y Silva, 2015). Mejorar la eficiencia y calidad de los procesos al mismo tiempo que se reducen los costos se vuelve extremadamente necesario. Pequeños cambios en la forma de operar pueden implicar ahorros considerables de dinero. En Chile, el 10,2 % del presupuesto en salud lo consumió la Diabetes Mellitus el año 2014, y frente al envejecimiento de la población, la alta prevalencia de obesidad y estilos de vida sedentarios es probable que este gasto aumente marcadamente en los próximos años (International Diabetes Federation, 2015; Sapunar, 2016). En particular, la Diabetes Mellitus tipo II (DMT2) es una enfermedad crónica que cuando no se mantiene controlada, puede provocar una serie de complicaciones que afectan la calidad de vida y aumentan el riesgo de mortalidad del enfermo. Entre ellas se encuentran complicaciones cardiovasculares, retinopatía diabética, neuropatía periférica, falla renal, ceguera y aceleración de la pérdida de memoria en adultos mayores (American Diabetes Association, 2017; Tuligenga et al., 2014). Chile presenta una de las prevalencias de DMT2 más altas de Latinoamérica, con un 11,0 % estimado para 2015, respecto a un 9,4 % estimado para la región (International Diabetes Federation, 2015). Por esta razón, es la enfermedad en torno a la cual se llevó a cabo esta investigación. El buen control metabólico (glucosa, colesterol y presión arterial) es el tratamiento más efectivo para prevenir las complicaciones de la DMT2 (Gamiochipi et al., 2016), y se lleva a cabo mediante uso de medicamentos y una dieta apropiada, proporcionados por centros de salud. En Chile, la salud pública brinda estos tratamientos a través de la atención primaria. Sin embargo, en este sistema solo un 36 % de la población diabética atendida se mantiene compensada (Ministerio de Salud de Chile, 2010). La Gestión de Procesos de Negocios (BPM, Bussines Process Management) es una disciplina que puede resultar de gran utilidad para mejorar la atención en salud. Entre otras 1.

(12) cosas, se enfoca en el análisis de procesos y la organización del trabajo con el fin de identificar falencias o posibles mejoras y corregir los procesos operacionales, buscando el aumento de eficiencia y ahorro de costos (Van Der Aalst, 2013). En particular, la disciplina de minería de procesos provee herramientas para realizar un análisis a posteriori de los procesos, a partir del conocimiento extraído de eventos registrados por los sistemas de información de las organizaciones. La motivación de este trabajo es aprovechar dichas herramientas y presentar nuevas ideas para llevar a cabo el análisis de los procesos de cuidado de una enfermedad crónica en el contexto de la atención primaria.. 1.1. Procesos de salud Si bien los protocolos clínicos establecen los lineamientos a seguir para el tratamiento de los distintos diagnósticos, los procesos de cuidado se caracterizan por ser altamente flexibles. Es común que la secuencia de actividades seguidas en un tratamiento varíe de un paciente a otro, ya que los profesionales tienen la expertise y autonomía para decidir el procedimiento a seguir según las condiciones del paciente. Debido a esto, se dice que los procesos son altamente complejos y ad-hoc (Caron et al., 2014; Rojas, Munoz-Gama, Sepúlveda, y Capurro, 2016). Actualmente la atención primaria se rige por un modelo colaborativo en el que los servicios de cuidado son entregados mediante una red de coordinación formada por profesionales de distintas disciplinas (Püschel et al., 2013). De esta forma, se promueven esfuerzos colaborativos entre profesionales con distintas habilidades y conocimientos. Esta organización en equipos multidisciplinarios también contribuye a la flexibilidad de los procesos, al aumentar los posibles cursos a seguir en el cuidado de los pacientes. Todas las características mencionadas constituyen un desafío en el análisis de los procesos, ya que se requiere un esfuerzo importante para interpretar la información ante datos altamente variables. 2.

(13) 1.2. Oportunidad de análisis Actualmente en los centros estudiados (y en la mayoría de los centros de atención primaria en Chile), los profesionales no reciben suficiente retroalimentación respecto a su trabajo, desde el punto de vista de la gestión de procesos, ni existen métricas que permitan evaluar el desempeño de las distintas formas en que se coordinan para atender a los pacientes. Por otra parte, constantemente los centros de salud registran datos respecto de los pacientes y sus procesos de cuidado con fines administrativos, informativos y/o contables. Sin embargo, esta información también puede ser aprovechada para mejorar la gestión de los procesos de atención. El desarrollo tecnológico actual, sumado a este desaprovechamiento de los datos, pueden ser vistos como una oportunidad de mejora en los sistemas de salud pública. Las técnicas de data science, específicamente la minería de procesos, toman un rol fundamental en este cometido. Aplicar minería de procesos permite obtener una visión más objetiva de los procesos y de lo que realmente ocurre en el día a día. Al analizar datos recolectados por los sistemas de información, se evitan potenciales sesgos que podrían surgir al levantar la misma información utilizando entrevistas. Los modelos que se obtienen comúnmente muestran que la realidad es muy distinta de las percepciones, opiniones y creencias que los mismos involucrados tienen (Mans, van der Aalst, y Vanwersch, 2015). Además, dado que los datos ya están siendo registrados para otro fin, su obtención no implica un costo adicional en cuanto a tiempo o esfuerzo.. 1.3. Colaboración multidisciplinaria Los pacientes con diagnóstico de diabetes tienen múltiples necesidades biomédicas, psicológicas y sociales, las cuales deben ser abordadas de forma coordinada por profesionales de diferentes disciplinas. En este sentido, la colaboración multidisciplinaria se ha vuelto vital para mejorar los resultados clínicos (American Diabetes Association, 2017; Appleyard y Rawaf, 2015; Gucciardi, Espin, Morganti, y Dorado, 2016; McDonald, Jayasuriya, y Harris, 2012; Ministerio de Salud de Chile, 2010; World Health Organization, 3.

(14) 2016). La organización y composición del equipo tratante puede ser un factor con influencia en la evolución de los pacientes, así como también la coordinación entre las distintas disciplinas presentes. En ocasiones, los recursos humanos no son aprovechados según las expectativas y necesidades de los centros de atención. Por ejemplo, en McDonald et al. (2012), se encontró que las referencias a educadores de diabetes y a nutricionistas se realizaban con baja frecuencia incluso entre pacientes con sobrepeso y obesidad. Por lo tanto, es necesario mejorar el cuidado colaborativo entre los distintos profesionales. Dicho lo anterior, se decidió acotar el alcance de la investigación al estudio de la colaboración multidisciplinaria en el tratamiento de pacientes con DMT2.. 1.4. Minería de procesos La minería de procesos es una disciplina de investigación relativamente nueva que extrae conocimiento a partir de las bases de datos de los sistemas de información con el fin de analizar el diseño de los procesos (Rojas et al., 2016). Busca descubrir, monitorear y mejorar procesos operacionales reales. 1.4.1. Log de eventos Los log de eventos son los archivos de entrada para casi todos los algoritmos de minería de procesos. Contienen información respecto a las ejecuciones de un proceso y responden a la pregunta “¿quién hizo qué y cuándo?”. Al menos debe contener la siguiente información: Identificador del caso, instancia o traza del proceso Actividad Marca de tiempo o timestamp Recurso ejecutor de la actividad Un evento se refiere a la instancia concreta de una actividad (o paso de un proceso), caracterizado por el momento en que ocurre (timestamp) y su ejecutor. Una ejecución de un proceso corresponde una secuencia de eventos. Por ejemplo, si se considera un centro 4.

(15) de salud, un paciente crónico, con su respectivo identificador (RUT u otro número), corresponde a un caso del proceso de cuidado de una enfermedad determinada. Un evento podría ser el control de signos vitales, llevado a cabo por la doctora Valeria Sepúlveda el día viernes 11-08-2017 a las 15:35. En este caso, la actividad es el control de signos vitales y el timestamp el momento en que ocurrió, 11-08-2018 15:35. Adicionalmente, el log puede contener información adicional que permita complementar el análisis, como duración de la actividad, costo asociado, entre otros. 1.4.2. Descubrimiento, conformidad y mejora La minería de procesos se divide en tres categorías de análisis: descubrimiento del proceso, verificación de conformidad y mejoramiento del proceso. El descubrimiento intenta generar un modelo a partir del log de eventos. Los algoritmos desarrollados entregan representaciones gráficas de la ejecución real de los procesos, que se espera sean fáciles de entender para personas de diversas disciplinas (Fernandez-Llatas, Lizondo, Monton, Benedi, y Traver, 2015). La verificación de conformidad identifica diferencias entre la realidad y un modelo teórico propuesto, incluyendo desviaciones del proceso ideal. Finalmente, el mejoramiento intenta agregar información al proceso (extenderlo) y/o proveer correcciones al modelo (repararlo). Las entradas y salidas de cada categoría pueden ser revisadas en la Figura 1.1.. 5.

(16) F IGURA 1.1. Tres tipos básicos de minería de procesos, en términos de entradas y salidas: (a) descubrimiento, (b) verificación de conformidad, y (c) mejoramiento.. (Van Der Aalst et al., 2011). 1.4.3. Perspectiva organizacional La minería de procesos no se limita al control del flujo de actividades, también aborda el análisis de los procesos desde una perspectiva organizacional. Este enfoque permite obtener información acerca de los recursos o actores que participan en el proceso, identificar los distintos roles presentes y determinar la distribución y patrones de trabajo mediante el análisis de redes sociales (van der Aalst, 2011). En este trabajo, se utiliza minería de procesos para entender de mejor manera la colaboración existente al interior de los equipos clínicos que brindan el tratamiento para la DMT2. El análisis de redes es una técnica muy utilizada en trabajos sobre colaboración, ya que permite estudiar patrones presentes en las relaciones entre distintas entidades. Se puede llevar a cabo de diferentes formas según el propósito de estudio. El nivel de detalle requerido permite definir las unidades del estudio, que corresponden a los nodos de la red. Estos 6.

(17) pueden representar, por ejemplo, personas, grupos de personas, roles, departamentos, organizaciones, entre otros. El tipo de relación entre las unidades se representa por arcos en la red y puede reflejar diversas conexiones, tales como existencia de comunicación, autoridad de una unidad sobre otra, o intercambio de recursos entre las unidades conectadas por el arco. Estas conexiones pueden ser dirigidas o no dirigidas. Por último, según el objetivo de análisis, ciertas propiedades de la relación pueden resultar interesantes, como frecuencia de interacción, fuerza de una relación, si la relación es recíproca o no, entre otras (Anderson, 2002). 1.5. Objetivos El objetivo general de esta tesis es identificar las distintas formas en que se organizan los profesionales para tratar la DMT2 en centros de atención primaria, y luego evaluar el desempeño de dichas formas de trabajo en términos de la evolución clínica de los pacientes tratados. Específicamente, este estudio propone un método basado en la aplicación de herramientas de minería de procesos para analizar la colaboración entre los profesionales de la salud con el fin de: 1) identificar distintos patrones de colaboración existentes en el tratamiento de pacientes diabéticos en atención primaria, es decir, diferentes redes de interacción del equipo tratante, y 2) evaluar el desempeño de los patrones descubiertos, comprobando si estos presentan una relación estadísticamente significativa con la evolución clínica de los pacientes, a partir del examen de Hemoglobina Glicosilada (HbA1c). Concretamente, se propone la siguiente hipótesis: A partir de los datos de los registros clínicos electrónicos (RCE), es posible distinguir distintos patrones de colaboración que estén relacionados con resultados clínicos. El método se aplicó sobre registros recolectados por los sistemas de información de tres centros de salud familiar (atención primaria) pertenecientes al proyecto Áncora UC, de la Pontificia Universidad Católica de Chile. La información analizada corresponde a los controles rutinarios para el tratamiento de la diabetes, que están cargo de la triada médico – enfermera – nutricionista. Las principales contribuciones de este trabajo son la generación de modelos simples y comprensibles, que resultan útiles para la toma de decisiones de 7.

(18) los profesionales de salud. Además, el conocer cómo se está llevando a cabo el proceso de tratamiento permite evaluar el cumplimiento actual de los protocolos establecidos. Por último, la comparación de los patrones de colaboración con la evolución de los pacientes constituye un respaldo sólido para evaluar, cambiar y mejorar las guías clínicas. 1.6. Esquema del documento Este trabajo está estructurado como sigue. La sección 2 revisa los trabajos relacionados en este campo. La sección 3 formaliza conceptos básicos para la comprensión del estudio. Las secciones 4, 5, 6, 7, 8 y 9 describen el método propuesto. La sección 10 presenta el caso de estudio, con los resultados de la aplicación del método sobre un caso real. Finalmente, la sección 11 presenta una discusión de los resultados; y la sección 12, las conclusiones del trabajo.. 8.

(19) 2. TRABAJO RELACIONADO. La variabilidad inherente a los procesos de salud ha sido enfrentada de diferentes formas. Algunos algoritmos tradicionales de descubrimiento permiten conocer los distintos caminos que pueden ejecutarse sobre un modelo y diferenciar los comportamientos más comunes de aquellos más infrecuentes mediante el manejo de umbrales que indican la frecuencia de las secuencias de actividades. En Caron et al. (2014), los autores aplican el algoritmo Heuristic Miner con parametrización estándar y utilizan los umbrales de frecuencia para identificar distintos tipos de ejecuciones en el proceso de cuidado de ginecología oncológica. Además, utilizan la presencia o ausencia de ciertas actividades para definir y analizar distintas variantes. De forma similar, en Kim et al. (2013) utilizan los algoritmos Heuristic Miner y Fuzzy Miner para identificar y estudiar el flujo principal del modelo, a partir de datos provenientes de los sistemas de información de un hospital de Seúl. La principal desventaja de este enfoque es que se genera un único modelo y para encontrar distintos comportamientos se necesita ir probando diferentes umbrales, lo que puede resultar tedioso en el análisis de procesos poco estructurados. Mans, Schonenberg, Song, van der Aalst, y Bakker (2008) propone otro enfoque para la búsqueda de modelos más simples frente a procesos poco estructurados, que fue aplicado sobre datos reales de pacientes de ginecología oncológica en un hospital de Holanda. Este enfoque implica un pre-procesamiento del log y, consiste en agrupar varias actividades de bajo nivel con un mismo nombre de más alto nivel. Por ejemplo, un amplio conjunto de actividades referidas a distintos tipos de exámenes de radiología fueron agrupadas en una sola actividad, ya que el detalle del tipo específico de examen no era relevante para el análisis. El procedimiento planteado resulta útil cuando el log de eventos presenta gran cantidad de actividades diferentes y las trazas se diferencian no solo por la secuencia de actividades sino que también por la presencia o ausencia de estas. Una perspectiva distinta es planteada por Harper (2005), cuyo trabajo propone crear grupos de pacientes y luego generar los modelos sobre cada grupo para capturar la variabilidad de los procesos de salud. Cada agrupación se puede definir en base a ciertas 9.

(20) características, parámetros y flujos de atención, de modo que tengan un sentido clínico y/o estadístico. Se pueden ocupar distintas técnicas de minería de datos y de clasificación para generar los grupos. En particular, el framework que proponen utiliza árboles de decisión. Sin embargo, la técnica elegida puede variar según las características de los datos estudiados y las preferencias del investigador. Con los grupos de pacientes establecidos se pueden generar distintos modelos para representar el flujo clínico seguido por los pacientes, como movimientos a través de departamentos, especialistas, tipos de consultas o curso natural de una enfermedad. Este método ha sido adoptado en distintos estudios del mismo autor. Por ejemplo, Harper et al. (2003) agruparon a pacientes diabéticos según el riesgo de progresión de la retinopatía diabética aplicando un análisis de árbol de clasificación y regresión (CART, Classificarion And Regression Tree). El árbol de decisión fue alimentado con variables asociadas a complicaciones de la enfermedad, como Hemoglobina glicosilada, presión sanguínea, colesterol, entre otras. Luego, se generó un modelo de simulación que representa las transiciones a través de distintos estados que puede experimentar un paciente. Se utilizó la agrupación para analizar cómo circulan los distintos grupos a través del modelo, y las probabilidades de pasar de un estado a otro, con el fin de apoyar a los médicos y mejorar la prevención y el tratamiento de la retinopatía diabética. En la misma línea del enfoque anterior, otros trabajos han logrado obtener varios modelos simples para representar procesos altamente flexibles aplicando diferentes técnicas de clustering antes de ejecutar los algoritmos de descubrimiento. El propósito de este paso adicional es hacer más manejable los logs con alta variabilidad en sus registros, al agrupar los casos según comportamientos similares. En Rebuge y Ferreira (2012), los autores presentan una metodología para la aplicación de técnicas de minería de procesos que busca identificar los comportamientos regulares, las variantes del procesos y los casos excepcionales, mediante la aplicación de clustering secuencial durante el pre-procesamiento del log de eventos. El trabajo presenta un caso de estudio desarrollado en el servicio de urgencia del Hospital São Sebastião, en el norte de Portugal. El clustering por trazas es otra técnica que puede ser aplicada con el mismo fin. Mientras que el clustering secuencial agrupa trazas por secuencias de actividades similares (Ferreira, Zacarias, Malheiros, y Ferreira, 2007), 10.

(21) el clustering por trazas provee un conjunto de técnicas de agrupación basadas en distancia que busca diferenciar trazas según características, tales como frecuencias de aparición de las actividades, cantidad de eventos, o la cantidad de eventos ejecutada por cada recurso en una traza (Song, Günther, y Van der Aalst, 2008). En el contexto de la salud, varios estudios han utilizado el análisis de redes para comprender de mejor manera la organización de los profesionales en el cuidado de los pacientes. Anderson (2002) utilizó grafos para representar la estructura de las redes de referencias y consultas que vinculan a 24 médicos, a partir de información recolectada mediante entrevistas. Primero se definieron cuatro subgrupos de médicos con patrones similares de referencia, consulta, discusión y cobertura de atención continuada utilizando clustering. Luego, se analizaron las relaciones, tanto entre subgrupos, como a nivel de individuos al interior de cada subgrupo. Los índices utilizados para caracterizar las relaciones fueron los siguientes: densidad de las relaciones, para medir el nivel de interacción entre individuos y subgrupos, es decir, qué tan conectada está la red; centralidad, para medir el grado en que la información y los recursos están dispersos o centrados en unos pocos nodos dentro de la red; prestigio, que representa para cada médico la proporción de los otros médicos que lo consultaron. Además, se clasificó el rol de cada médico en emisor, transmisor y receptor, según la proporción de interacciones que él inició respecto a las que iniciaron otros. Un análisis similar realizan Gray et al. (2010), con el objetivo de examinar la estructura del equipo de enfermeras y su relación con la satisfacción de las familias atendidas en la unidad de cuidados intensivos neonatal. Se generó una red por paciente, en la cual cada enfermera se representó con un nodo; y los cambios de profesional entre atenciones consecutivas, con una arista. Sobre cada red se calcularon métricas estándar de análisis de redes, y además se desarrollaron otras para estudiar características más específicas. Las métricas estándar corresponden a: tamaño de la red (o equipo), calculado como el número de nodos; diámetro de la red, que corresponde a la mayor cantidad de transiciones (arcos consecutivos entre nodos distintos) referido a transferencia de información de una enfermera a otra; índices de centralidad de la red y de cada nodo, para entender el grado en que la red tiene una influencia central y la dispersión de cada nodo, respectivamente. Por su parte, las dos 11.

(22) métricas desarrolladas por los autores permiten medir la continuidad del cuidado. La primera corresponde a la proporción de aparición de un nuevo profesional, se mide para cada paciente y se calcula como la cantidad de transiciones en que la atención fue provista por una enfermera que no había atendido antes al paciente, sobre el total de transiciones. La segunda métrica mide el promedio de transiciones que transcurren hasta que un profesional aparezca nuevamente en el cuidado de un paciente. Un enfoque distinto se utiliza en Mian, Koren, y Rukholm (2012), donde se aplica análisis de redes egocéntricas. Este enfoque estudia la red que se forma en torno a un actor principal y los actores con que el mismo interactúa (Crossley et al., 2015). En este caso, las relaciones entre los actores secundarios no fueron especificadas. Se utilizaron redes para analizar la referencia y contra referencia entre enfermeras y otras disciplinas con el fin de entender cómo colaboran con otros profesionales y cómo contribuyen al cuidado interprofesional en atención primaria. Un detalle importante considerado en este estudio es el flujo de las referencias, es decir, si éstas son unidireccionales o bidireccionales. Se debe notar que aunque el método presentado en este trabajo es un enfoque diferente a las perspectivas recién presentadas, ellas no son excluyentes. Las técnicas revisadas se pueden complementar. Por ejemplo, ante logs de eventos muy grandes y complejos, uno podría requerir simplificar actividades primero y luego aplicar clustering por trazas o secuencial como parte del pre-procesamiento.. 12.

(23) 3. ANTECEDENTES PRELIMINARES. Para facilitar la comprensión del presente estudio, a continuación se revisan algunos conceptos relevantes respecto del tratamiento de DMT2.. 3.1. HbA1c La HbA1c o hemoglobina glicosilada se refiere a componentes formados a partir de hemoglobina y glucosa, al interior de los glóbulos rojos. Mientras mayor es el nivel de glucosa en el organismo, más se glucosila la hemoglobina. Una muestra de sangre da cuenta de la historia glucémica del paciente respecto a los 120 días anteriores, que corresponden a la vida media de los glóbulos rojos. De ahí que refleja con mayor precisión la situación durante los 2-3 meses previos al examen. Por lo tanto, al medir el porcentaje de HbA1c se puede tener una idea del control promedio de glucosa en la sangre en un periodo previo. La HbA1c además constituye un valor predictivo del riesgo de desarrollar complicaciones crónicas relacionadas con la diabetes (Goldstein et al., 2004). Por estas razones, el porcentaje de HbA1c es uno de los exámenes utilizados para controlar a los pacientes en los centros asistenciales, y la métrica seleccionada para representar la evolución de los pacientes en este estudio.. 3.2. Protocolo y objetivos clínicos Los protocolos clínicos establecen que la prueba de HbA1c debería realizarse de forma periódica para el cuidado continuo de los pacientes. La frecuencia del examen dependerá del estado de compesación del paciente, del tratamiento usado y del juicio médico. Si bien los objetivos específicos del tratamiento deben ser individualizados, la ADA (American Diabetes Association) recomienda que el objetivo de la terapia debe ser un resultado de HbA1c inferior a 7 % y que frente a resultados superiores a las metas establecidas, los médicos deberán reevaluar e incluso cambiar considerablemente el régimen de tratamiento. Para estos valores superiores al límite, la guía clínica del Ministerio de Salud de Chile y 13.

(24) las guías internas de los centros de atención estudiados establecen dos categorías de descompensación para los pacientes: medianamente descompensado, con resultados entre 7 % y 9 % inclusive, y altamente descompensado, para valores superiores a 9 % (Ministerio de Salud de Chile, 2010). Los resultados del examen de HbA1c y su variación en el tiempo dan una idea de qué tan bien está funcionando el plan de tratamiento de la diabetes (Association et al., 2014; Goldstein et al., 2004). 3.3. Control médico y metabólico El tratamiento de enfermedades crónicas cardiovasculares en atención primaria consta de controles periódicos que son ejecutados por un equipo multidisciplinario. En éstos, los profesionales deben controlar presión sanguínea, peso corporal, colesterol, fomentar y verificar cambios de estilo de vida (actividad física y alimentación saludable), entre otras cosas. En el caso de la diabetes y los centros estudiados, estas cosultas se denominan controles de tratamiento cardiovascular (CTCV) y el equipo que los ejecuta se conforma por tres disciplinas: médico, enfermera y nutricionista. Cada vez que uno de estos profesionales finaliza un CTCV, debe dejar estipulado cuál será la disciplina que atenderá al paciente en su próximo control, junto con una fecha aproximada. Por lo tanto, las transiciones que realiza un paciente entre distintos estamentos en sus CTCV pueden ser comprendidas como derivaciones médicas. Adicionalmente, pueden intervenir otras disciplinas complementarias con el fin de apoyar al paciente en aspectos psicosociales (asistente social, psicólogo, terapeuta ocupacional, kinesiólogo). Para efectos de este estudio, solo se analizó la composición, interacciones y estructura de la triada principal.. 14.

(25) 4. COLABORACIÓN MEDIANTE ANÁLISIS DE REDES. La existencia de herramientas de análisis de redes sociales y la disponibilidad de datos comprenden una oportunidad para mejorar la investigación sobre la estructura y coordinación de los equipos multidisciplinarios. Los registros de las consultas médicas referentes al tratamiento constituyen un insumo para la creación de grafos que representan la conformación de interacciones al interior de los equipos.. 4.1. Multiconjuntos, trazas y log de disciplinas A partir de los registros clínicos, se construyó un log de disciplinas, según la siguiente información para cada consulta: id del paciente atendido, timestamp y disciplina que ejecuta la atención (médico, enfermera o nutricionista). Los timestamps fueron utilizados para identificar la secuencia o el orden en que intervinieron las disciplinas. Formalmente, se tiene que un multiconjunto es una tupla (S, c) donde S es un conjunto y c : S → N es una función cardinal que asigna un entero positivo a cada elemento en el conjunto. S se conoce como el conjunto subyacente de elementos y para cada s ∈ S, la multiplicidad de s es c(s). Generalmente, los multiconjuntos se escriben usando paréntesis cuadrados. Por ejemplo, [a5 , b, c7 ] es un multiconjunto donde a aparece cinco veces, b una vez y c siete veces. Una traza es una secuencia de disciplinas. Dada una secuencia finita ρ = hd1 , d2 , ..., dn i, su largo se denota por |ρ| = n y el elemento en la posición i (es decir di ) se denota por ρi . Por ejemplo, ha, b, a, c, f i es una traza. Notar que las secuencias son escritas usando paréntesis angulares. Por último, un log de disciplinas es un multiconjunto de trazas. Por ejemplo, [ha, e, ci5 , ha, c, b, a, f i3 , ha, b, b, e, f i2 ] es un log de disciplinas, donde a, b, c, e y f corresponden a cinco disciplinas distintas y la primera secuencia de disciplinas se repite cinco veces, la segunda tres y la tercera dos. Se define una derivación o referencia de la disciplina x a 15.

(26) la disciplina y como la sucesión de dos disciplinas consecutivas al interior de una misma traza, o sea, dos controles contiguos ocurridos en la intervención de un paciente. 4.2. Red de colaboración Con la información del log de disciplinas, se puede crear una red de colaboración que representa la relación que existe entre las especialidades clínicas analizadas en el tratamiento de los pacientes. Concretamente, se definió una red de colaboración sobre un grupo de pacientes como un grafo dirigido en el cual los nodos se refieren a las distintas especialidades clínicas que intervienen en el tratamiento de la enfermedad, y los arcos representan las derivaciones existentes entre las disciplinas en el caso de cada paciente. Se debe notar que luego de controlar a un paciente, el profesional puede asignar el siguiente control a un profesional de otra disciplina distinta o uno de su misma disciplina. Por lo tanto, los grafos generados pueden presentar autoarcos. De manera formal, para efectos de este estudio se definió una red de colaboración sobre un conjunto de pacientes H como el grafo GH = (V, E), donde V = {v1 , . . . , vn } corresponde al conjunto de las n disciplinas distintas que forman parte del tratamiento de los pacientes en H y E ⊆ {V × V } son los arcos que representan todas las derivaciones distintas que aparecen al considerar a todos los pacientes del conjunto H. En la Figura 4.1 se muestra un ejemplo de red de colaboración que representa la estructura multidisciplinaria del tratamiento que recibe un grupo de pacientes. En este caso, las tres disciplinas se referencian entre sí y además el Nutricionista (N) se autorreferencia algunos controles.. 16.

(27) F IGURA 4.1. Ejemplo de una red de colaboración. 4.3. Métricas de colaboración Se definieron tres métricas de interés tanto sobre los nodos, como los arcos de la red de colaboración: Índice de participación: describe la proporción de controles realizados por una disciplina determinada, sobre el total de controles que reciben los pacientes (considerando todas las disciplinas). Se calcula para cada especialidad (nodo). Va de 0 %, cuando la disciplina no participa del tratamiento, a 100 % cuando todas las atenciones son provistas por la disciplina en cuestión. Este valor se puede interpretar como el protagonismo que tiene la especialidad clínica en la intervención hecha a los pacientes.. Índice de autorreferencias: describe la proporción de controles que una disciplina se referencia a sí misma, sobre el total de controles que dicha disciplina referencia. Se calcula para cada especialidad (autoarcos). Va de 0 %, cuando la disciplina no realiza autorreferencias, a 100 % cuando todas las derivaciones que hacen los profesionales de una disciplina son a la misma disciplina. Este valor se puede interpretar como el nivel de autoconfianza de la especialidad.. Índice de referencias: describe la proporción de controles que una disciplina referencia a otra disciplina distinta, sobre el total de controles que dicha disciplina 17.

(28) referencia. Se calcula para cada especialidad (arcos entre nodos distintos). Va de 0 %, cuando la disciplina no referencia a otras disciplinas, a 100 % cuando todas las derivaciones que hacen los profesionales de una disciplina son a otra disciplina. Este valor se puede interpretar como el nivel de confianza y/o apoyo entre especialidades distintas.. 18.

(29) 5. SELECCIÓN DE PACIENTES. Con el fin de trabajar con casos que fuesen comparables entre sí, se utilizaron varios criterios de selección de pacientes, según diversos aspectos que los caracterizan.. 5.1. Diagnótico y disponibilidad de exámenes Del total de pacientes en la base de datos, se seleccionaron aquellos diagnosticados con DMT2 que cuentan con el resultado de al menos dos exámenes de Hemoglobina Glicosilada (HbA1C) en los registros disponibles. Se exigió un mínimo de dos exámenes para poder comparar el estado de evolución del paciente durante el periodo en que se analiza el tratamiento. Por su parte, el diagnóstico de DMT2 se filtró según el código T90 de la Clasificación Internacional de Atención Primaria (CIAP-2 o ICPC-2 en inglés), utilizada en los centros estudiados.. 5.2. Índices de severidad y comorbilidad Se utilizaron dos índices para ajustar el riesgo de complicaciones de la diabetes: índice de severidad (Diabetes complication severity index score) e índice de comorbilidad (chronic illness with complexity index count) (Chen, Tseng, y Cheng, 2013). Ambos índices reflejan el nivel de gravedad del paciente en base al padecimiento de ciertas enfermedades clasificadas bajo distintas categorías relevantes en el contexto de la DMT2. El detalle de la lista de enfermedades agrupadas en cada categoría se puede revisar en el Anexo A. El índice de severidad refleja la gravedad de las complicaciones asociadas a la DMT2, abordando diagnósticos pertenecientes a las siguientes siete categorías: complicaciones cardiovasculares, nefropatía, retinopatía, enfermedad vascular periférica, accidente cerebrovascular, neuropatía y desórdenes metabólicos. Consiste en la suma de puntajes asignados a cada categoría (sin anormalidad = 0, alguna anormalidad = 1, o anormalidad severa = 2). Excepcionalmente, la neuropatía solo puede tener puntaje 0 o 1. Por lo tanto, el índice de severidad va de 0 (cuando el paciente no presenta enfermedades clasificadas dentro de las 19.

(30) categorías especificadas) a 13 (en casos extremos, en que el paciente presenta el máximo puntaje en las siete categorías) (Chen et al., 2013; Young et al., 2008) Por su parte, el índice de comorbilidad mide la cantidad de patologías de otra naturaleza, que no están relacionadas con la diabetes, pero que también pueden agravar el estado del paciente. Considera la presencia de enfermedades según seis categorías: gastrointestinales, músculo esqueléticas, pulmonares, cáncer, abuso de sustancias y enfermedad mental. El índice se calcula como la suma de los puntajes asignados a cada categoría (0 = no se presenta ninguna de las enfermedades consideradas en la categoría, 1 = se presenta una o más enfermedades pertenecientes a la categoría). Luego, el índice de comorbilidad va de 0 (ninguna enfermedad de la lista) a 6 (al menos una enfermedad por cada categoría especificada) (Chen et al., 2013; Meduru et al., 2007). Cuando se presentan estos tipos de problemas (severidades y/o comorbilidades), las personas son transferidas a la atención secundaria, donde son tratadas por diabetólogos y otros especialistas. Con el fin de aislar factores que puedan influir en el tratamiento y la evolución de la diabetes, se consideraron pacientes con ambos índices en 0, es decir, sin comorbilidades ni severidades. De este modo se evita afectar la comparación entre casos al contrastar pacientes similares y que tratan su DMT2 solo en los centros de atención primaria, con los mismos tipos de profesionales.. 5.3. Adherencia al tratamiento En relación a la adherencia al tratamiento, el protocolo de los centros sugiere que mientras más descompensados estén los pacientes, menos tiempo debe transcurrir entre sus exámenes de HbA1c. Concretamente, en el contexto del periodo analizado se consideró aceptable en los centros que: pacientes compensados se midieran la HbA1c hasta un año después de su última medición, pacientes medianamente descompensados hasta seis meses después y pacientes altamente descompensados hasta tres meses después. En este estudio, se descartaron aquellos pacientes que se tomaron algún examen de HbA1c con retraso superior a 4 meses respecto de los plazos indicados en el protocolo clínico. Esta restricción 20.

(31) asegura información más completa y una mejor consistencia de los datos de evolución, ya que mientras mayor es el tiempo transcurrido entre exámenes, más difícil es detectar la variabilidad que pudiera haber experimentado un paciente en su compensación durante ese periodo. Cuatro meses constituyen un plazo máximo aceptable en el contexto de los centros estudiados según recomendación de profesionales consultados, dada la realidad marcada por retrasos en asignación de horas debido a la falta de recursos. Luego, el tiempo transcurrido entre exámenes consecutivos de HbA1c puede ir de tres meses (pacientes altamente descompensados que cumplen con el protocolo) a 16 meses (pacientes compensados cuyo examen se solicitó para un año después y tuvieron un retraso de 4 meses sobre esta fecha).. 5.4. Normalización del periodo de estudio Dado que el examen de HbA1c refleja el nivel promedio de glicemia sobre los dos a tres meses previos al examen, se requiere realizar la medición al menos cada tres meses para determinar si el control metabólico del paciente alcanzó y/o se mantuvo en los rangos objetivos. Por lo tanto, se puede considerar que un periodo igual o superior a tres meses ya es apropiado para evaluar los efectos que la intervención realizada por el equipo clínico durante ese tiempo tiene sobre la evolución del paciente. Sin embargo, en acuerdo con el médico supervisor de la investigación se estableció que un periodo de uno a dos años era razonable para lograr la estabilización de un paciente (que se mantenga compensado durante un tiempo). Un aspecto importante al estudiar el efecto de la organización del equipo en la estabilización del paciente es la duración del periodo que se va a analizar. Mientras menor sea la diferencia entre los horizontes de tiempo considerados para cada paciente, más comparables serán los casos. Con el objetivo de normalizar el periodo de estudio para todos los casos, este trabajo consideró un horizonte referencial de un año y medio, con cierta flexibilidad, para analizar la influencia de la colaboración multidisciplinaria en el tratamiento de los pacientes. Como también se quiere evaluar la evolución de los pacientes para los 21.

(32) distintos patrones de colaboración, el inicio y el fin del periodo de estudio están definidos por mediciones de HbA1c (y sus respectivas fechas). Producto de que solo se tuvo acceso a los registros de HbA1c a partir del año 2012, el periodo de análisis se definió de la siguiente forma: la primera medición de HbA1c que se dispone para un paciente marca el punto cero o inicio de su periodo de estudio. Para determinar el fin de este periodo se buscó la medición de HbA1c siguiente, no necesariamente consecutiva, ubicada lo más cercana a 18 meses transcurridos desde el punto cero (ya sea anterior o posterior). Si recordamos el criterio referente al máximo retraso aceptable entre exámenes de HbA1c, que permite un tiempo máximo de 16 meses entre mediciones, se deduce que lo máximo que puede distanciarse un examen de los 18 meses (contados a partir del punto cero) son 8 meses (16/2). Por lo tanto, el horizonte mínimo puede ser de 10 meses (18-8), y el horizonte máximo de 26 meses (18+8). En conformidad con los antecedentes disponibles, dado que la diabetes es una enfermedad que requiere tratamiento de por vida y además se ajustaron severidades y comorbilidades, el periodo de estudio fue tomado en distintos momentos de la historia de los pacientes. Se consideró como punto de inicio la primera información disponible de cada paciente, sin perjuicio de cuánto tiempo llevaba bajo tratamiento hasta dicha fecha. Como el estudio analiza la respuesta del paciente a la intervención y organización de la triada de profesionales en un tiempo acotado, no se requiere información detallada de la evolución completa durante la vida del paciente. Se debe notar que el procedimiento utilizado para normalizar el horizonte de estudio puede adecuarse en cada caso, según la disponibilidad de datos, la cantidad de años, fechas que se desea analizar y los contextos en que se quiere aplicar el método. Aquí se presenta una idea que se ajustó a las necesidades y condiciones del caso de estudio desarrollado.. 22.

(33) 6. IDENTIFICACIÓN DE PATRONES DE COLABORACIÓN. Para generar grafos o diagramas que representaran las derivaciones entre las disciplinas en el tratamiento de DMT2, se aplicó un algoritmo de descubrimiento sobre el log de disciplinas. El algoritmo de minería de procesos seleccionado fue PALIA (Fernandez-Llatas, Valdivieso, Traver, y Benedi, 2015), el cual fue empleado a través de la aplicación Palia Web (Fernandez-Llatas, Lizondo, et al., 2015). Se eligió esta herramienta, debido a que entrega como resultado visualizaciones que son fáciles de entender e interpretar. Además, cuenta con filtros útiles para el manejo de procesos flexibles, que pueden ser aplicados sobre los datos antes de llevar a cabo el descubrimiento. Una de estas funcionalidades es el clustering según topología de redes o grafos, que agrupa a pacientes con comportamiento similar, para generar varios modelos distintos entre sí. Palia Web es una aplicación de descubrimiento de procesos con algunas otras funcionalidades complementarias para la minería de procesos, creada para el análisis de workflows flexibles y poco estructurados. Recibe como entrada un log de eventos y entrega como salida una visualización del proceso según los filtros aplicados, junto a métricas asociadas a cada diagrama. Entre las métricas que entrega se encuentran la frecuencia absoluta y porcentaje de aparición de cada nodo y arco en el grafo. Para efectos de este trabajo, las actividades que recibe Palia en el log de eventos fueron reemplazadas por las disciplinas ejecutoras de las mismas, con el fin de realizar un análisis social. El primer paso para identificar las distintas formas de tratar a los pacientes fue aplicar sobre el log de disciplinas el algoritmo de minería de procesos PALIA complementado con clustering por topología. Para esto, primero se transformó el log de eventos en un archivo de input compatible con la aplicación. Luego se seleccionó la funcionalidad de disgregación de flujos, que genera un modelo para cada paciente y agrupa las redes (pacientes) similares. Posteriormente se aplicó el algoritmo PALIA para generar una visualización de los distintos clusters o grupos de pacientes. Para cada grupo, se obtuvo una red de colaboración sobre las cuales también se calcularon sus respectivos índices de participación, referencia y autorreferencia para ser posteriormente comparadas entre sí. Finalmente, se 23.

(34) definieron distintos patrones de colaboración en base a las distintas topologías encontradas y a las diferencias presentes entre las métricas contrastadas. En la Figura 6.1 se presenta un diagrama de ejemplo entregado por la aplicación Palia Web. La letra M representa a Médicos, la E a Enfermeras y la N a Nutricionistas. Los colores responden a la aplicación de un mapa de calor sobre el diagrama en una escala de rojo a verde, donde rojo indica alta frecuencia y verde baja frecuencia. Por lo tanto, se observa que el Médico es la disciplina que interviene en mayor proporción de controles y Nutricionista en la menor parte de ellos. A la vez, se puede notar que las referencias se dan principalmente entre las disciplinas de Médico y Enfermera y que si bien el Nutricionista se referencia con ambos, esto ocurre en menor proporción. Por último, todos las disciplinas se autorreferencian, pero el médico es quien lo hace con mayor frecuencia respecto al resto.. F IGURA 6.1. Salida del algoritmo Palia: modelo de ejemplo. 24.

(35) 7. SEGMENTACIÓN SEGÚN EVOLUCIÓN CLÍNICA. Además de clasificar el tratamiento recibido por cada paciente bajo un patrón de colaboración, los pacientes fueron categorizados según su respuesta clínica frente a dicho tratamiento. De este modo, se puede evaluar el desempeño de los distintos patrones identificados al contrastar la relación entre el tipo de intervención recibida con la compensación de la enfermedad. Se definieron cuatro segmentos según los cambios de HbA1c que presentó cada individuo en el tiempo analizado. Se optó por realizar una segmentación simple, fácil de interpretar y con un sentido clínico, en base a parámetros relevantes según las consideraciones de los médicos de los centros consultados. Se definió una representación matemática de la HbA1c para cada paciente, de forma que se asoció a cada individuo un conjunto de puntos de la forma (x, y) con dimensiones de tiempo y porcentaje respectivamente. La variable y se refiere al valor de la medición de HbA1c y x al momento en que se realizó el examen. La coordenada x = 0 corresponde al momento de la primera medición considerada. Para la segmentación, se aplicaron los siguientes criterios en el mismo orden en que se presentan: 1. Compensado: pacientes que tienen todas sus mediciones bajo 7 %, o bien, a lo más una medición entre 7 % y 9 %, incluidos, pero el promedio de todas sus mediciones inferior a 7 %. Se acepta que hayan sobrepasado el límite de compensación a lo más una vez, siempre y cuando en promedio sigan manteniendo un nivel compensado.. 2. Mejora: pacientes que tendieron a reducir su HbA1c. Específicamente, la pendiente de la regresión lineal sobre el conjunto de puntos de un paciente es negativa y su última medición del periodo es menor que 7 %. Independiente del su valor inicial, la tendencia fue reducir su HbA1c y terminaron compensados al final del periodo.. 25.

(36) 3. Medianamente descompensados: incluye a los pacientes que en ninguna de sus mediciones alcanzaron o superaron el 9 % (y que no pertenecen al grupo “Mejora”, ni al grupo “Compensado”).. 4. Altamente descompensados: considera a los pacientes que tuvieron alguna de sus mediciones sobre 9 % (y no pertenecen al grupo “Mejora”).. A modo de ejemplo, en la Figura 7.1 se muestra la representación gráfica para un paciente de cada segmento definido. Los valores de HbA1c de 7 % y 9 % se marcaron con líneas punteadas verde y roja, respectivamente. Se observa que, si bien el paciente compensado tiene una medición igual a 7 %, el promedio de sus mediciones sigue siendo inferior a este valor. En el caso del paciente que mejora, pese a que en algún momento aumentó su HbA1c, la tendencia general fue a reducirla y además terminó compensado al final de su periodo de estudio. Por su parte, el paciente medianamente descompensado nunca superó el 9 % y no clasifica dentro de los segmentos “Mejora”, ni “Compensado”). Finalmente el paciente altamente descompensado se mantuvo la mayor parte del tiempo con valores superiores al 9 % y no logró compensarse al final del periodo.. 26.

(37) F IGURA 7.1. Ejemplo de la representación gráfica de los segmentos según evolución clínica. 27.

(38) 8. ANÁLISIS ESTADÍSTICO PARA EVALUACIÓN DE DESEMPEÑO. El último paso del método propuesto consiste en realizar análisis estadístico para estudiar si existe relación estadísticamente significativa entre los distintos patrones identificados y la evolución de los pacientes. Se llevó a cabo con test de proporciones y se utilizó test de Fisher cuando la muestra a evaluar no era suficientemente grande. Para cada patrón se comparó la proporción de pacientes que evolucionó de una forma determinada, en relación a los que evolucionaron de la misma forma en la población total estudiada. Para todas las pruebas, la significancia estadística se estableció en un nivel de 0.05 y el análisis se desarrolló usando R.. 28.

(39) 9. FORMALIZACIÓN DEL MÉTODO PROPUESTO. El método propuesto se puede dividir en varios pasos, que se resumen en la Figura 9.1, con sus respectivas entradas (insumos) y salidas (resultados parciales). La primera etapa consiste en construir el log de disciplinas. Para comenzar esta tarea es necesario explorar los datos, entender con qué información se cuenta, así como también revisar la consistencia y completitud de los registros. Además, se deben limpiar los datos recibidos, para trabajar con información y resultados que se puedan interpretar. Limpiar los datos puede incluir: eliminar datos, renombrar campos y sus valores, agregar o unir información, filtrar datos, entre otras cosas. Una vez que se conoce la información disponible, se pueden seleccionar las actividades relevantes para el análisis del tratamiento y elegir una muestra de pacientes que sea comparable entre sí. Tanto la selección de actividades, como la selección de pacientes van a estar limitadas por la disponibilidad de información y deben establecerse en conjunto con un profesional de la salud, según los objetivos específicos del análisis. Las cuatro actividades de la primera etapa si bien son interdependientes, se realizan de forma iterativa más que secuencial, hasta que se logra constituir un log adecuado. La segunda etapa corresponde al descrubrimiento del proceso, específicamente desde la perspectiva organizacional, y se basa en el uso del algoritmo PALIA. En ésta, se generan los clusters de pacientes que son representados por distintos modelos, según la coordinación de las disciplinas en los controles rutinarios del tratamiento de diabetes. Los grupos se diferencian en la frecuencia de participación de cada disciplina y la frecuencia de referencias entre las mimas. Una vez definidas las métricas de colaboración, se calculan para los modelos de cada cluster. Los modelos con sus métricas son constrastados y mediante un análisis semi cualitativo se definen patrones de colaboración, según la principales diferencias encontradas. Es fundamental definir las métricas acorde a las carácteristicas de colaboración que se quiere analizar. Por último, teniendo hecha la segmentación por evolución clínica, se puede analizar cómo se relaciona cada uno de los patrones con la estabilización de los pacientes. Incluso, 29.

(40) se puede utilizar cualquier otra métrica de salida que sea de interés y utilidad para mejorar la eficiencia de los servicios y/o calidad de atención al paciente. Se debe notar que la secuencia del diagrama es solo una referencia, hay ciertas actividades que pueden ser ejecutadas en diferentes momentos, como por ejemplo, la segmentación de pacientes por evolución y la definición de métricas de colaboración. Finalmente, se destaca que un profesional de la salud apoyó de manera transversal durante todo el proceso de investigación, resolviendo dudas y validando los resultados parciales y finales. El apoyo fue brindado por la doctora a cargo del programa cardiovascular de uno de los centros (Juan Pablo II), Florencia Prieto.. 30.

(41) F IGURA 9.1. Método propuesto para analizar colaboración en procesos de salud. 31.

(42) 10. CASO DE ESTUDIO. El caso de estudio está basado en información retrospectiva de pacientes diagnosticados con Diabetes Mellitus Tipo 2, recolectada en tres centros de atención primaria de la red de salud Áncora UC. La entrega de los datos fue aprobada por el Comité Ético Científico de la Facultad de Medicina de la Universidad Católica, a través del Proyecto N◦ 13-437. Estos centros han atendido anualmente alrededor de 8.000 personas durante los últimos 5 años. Más de un 30 % de los pacientes atendidos cada año padece de DMT2, proporción que ha ido en aumento con el transcurso del tiempo. El periodo de estudio considera datos desde 2012 hasta 2016. Como ya se especificó, el tratamiento para pacientes diabéticos descrito en el protocolo clínico se basa en la atención de una triada de profesionales: Médico, Enfermera y Nutricionista, que miden y controlan al paciente regularmente. Los antecedentes estudiados provienen de la base de datos de cada centro y almacenan información demográfica de los pacientes, sus atenciones, diagnósticos y exámenes. Para cada visita, los datos incluyen fecha, motivo o tipo de consulta, y profesional que ejecuta la atención. En particular, se consideraron solo pacientes diabéticos y actividades asociadas a los controles periódicos del tratamiento cardiovascular (CTCV), que son ejecutados por especialistas de la triada profesional. Consultas médicas por otros motivos o diagnósticos no fueron consideradas.. 10.1. Selección de pacientes En el periodo 2012-16 se controlaron 3.369 pacientes diabéticos en los 3 centros. De ellos, 2.843 cuentan con al menos 2 exámenes de HbA1c registrados. Al seleccionar aquellos que no presentan severidad ni comorbilidad, ni retraso en la toma de sus exámenes se alcanza una población de 319 pacientes. Por último, al seleccionar a los pacientes con un periodo de estudio mínimo aceptable de 10 meses, resulta una población de 231 individuos, la cual fue analizada en este trabajo. Se destaca la rigurosa selección hecha con el 32.

(43) fin de asegurar que los pacientes son representativos de las condiciones previamente acordadas, dada la información disponible. La Figura 10.1 presenta el proceso de selección de pacientes.. F IGURA 10.1. Selección de pacientes: criterios aplicados. Dentro de la muestra, la mayoría de los pacientes son hombres: 133 (equivalentes al 57,6 %) contra 98 mujeres (42,4 %). La edad promedio es de 60, con un rango de 20 a 89 años. El 50 % tiene 60 años o más y el 81 % 50 años o más. La media de profesionales que atiende a cada paciente es 3.9 (1-13). En la Tabla 10.1 se puede revisar más información. TABLA 10.1. Descripción de la población estudiada. Variable Promedio (Desviación estándar) Edad 59,7 (12,6) Años con DMT2 4,6 (3,8) N◦ de mediciones de HbA1c 3,7 (0,95) N◦ de CTCV 4,8 (2,3) El gráfico de la figura 10.2 muestra la duración de los periodos de estudio considerados. El eje x indica la cantidad de meses considerados en el análisis y la barra representa la cantidad de pacientes con dicho horizonte. En promedio, el horizonte de estudio analizado son 16,8 meses.. F IGURA 10.2. Periodos de estudio considerados en el análisis. 33.

(44) 10.2. Patrones de colaboración Se ejecutó el algoritmo PALIA con los siguientes parámetros para la disgregación de flujos: Similitud de 15 % y Outliers de 3 %. El porcentaje de similitud indica que al realizar el clustering según topología de la red de cada paciente, los individuos de un mismo grupo no pueden diferir en más de un 15 % según la medida de disimilitud usada por el algoritmo, la cual se basa en una distancia de edición topológica heurística (Fernández-Llatas, Benedi, García-Gómez, y Traver, 2013). Por lo tanto, los individuos de grupos distintos difieren en más de un 15 %. Por otro lado, el porcentaje de outliers indica la proporción mínima de individuos que puede agruparse bajo un mismo cluster. Si el algoritmo encuentra un grupo más pequeño de lo que establece el parámetro, entonces dichos pacientes se agrupan con los outliers. En este caso, el 3 % equivale a 7 pacientes. Cabe destacar que se probó el algoritmo para distintos valores de sus parámetros, obteniendo diferentes clusters en cada caso. Similitud más alta entregaba grupos muy generales, con comportamientos considerablemente distintos agrupados en un mismo cluster, mientras que similitud inferior entregaba grupos muy pequeños con comportamientos demasiado específicos. Los valores 15 % y 3 % fueron los que mejor se ajustaban a los tamaños de grupos deseados. Adicionalmente, como ya se mencionó, se aplicó un mapa de calor sobre los diagramas (arcos y nodos) con una escala entre rojo y verde, donde el rojo indica alta frecuencia y verde baja frecuencia. Con estos parámetros, PALIA entregó 12 modelos que representan distintos comportamientos y un 7,8 % (equivalente a 18 pacientes) de outliers (ver Figuras 10.3, 10.4 y 10.5). Como es de esperar en los procesos de salud, se observa gran variabilidad en los resultados obtenidos. El comportamiento más frecuente se presenta solo en un 23,4 % de los casos, seguido por un 11,3 % del segundo grupo, disminuyendo así hasta finalizar con un 3 % en el último grupo. De los 12 diagramas: dos (modelos K y L) tienen un solo nodo; cuatro (modelos G, H, I y J) tienen dos nodos; y seis (modelos A, B, C, D, E y F) son de tres nodos.. 34.

(45) F IGURA 10.3. Modelos de tres nodos entregados por la aplicación Palia Web para los parámetros de similitud = 15 % y outliers = 3 %. F IGURA 10.4. Modelos de dos nodos entregados por la aplicación Palia Web para los parámetros de similitud = 15 % y outliers = 3 %. 35.