Título completo: Efectividad, seguridad y coste-efectividad de los sistemas automatizados de detección de reacciones adversas a medicamentos
Autores: Rivero-Santana A, Ramos-García V, Delgado-Rodríguez J, Torres-Castaño A, Valcárcel-Nazco C, González-Pacheco H, Abt-Sacks A, Toledo-Chávarri A, Guirado-Fuentes C, Herrera-Ramos E, Cazaña-Pérez V, García-Bello M, Santos Álvarez A, Duarte-Díaz A, Pérez-Álvarez Y, Ramallo-Fariña Y, Masiero-Aparicio P, Boada del Campo C, López-Rodríguez JA, Domingo-Torrell L, Lugonez-Sánchez C, Perestelo-Pérez L.
Persona de contacto: Amado Rivero Santana (amado.riverosantana@sescs.es)
RESUMEN
Introducción
El daño a pacientes debido a eventos adversos (EA) de las intervenciones médicas es una causa relevante de muerte y discapacidad a nivel mundial. Dentro de los EA se incluyen los eventos adversos a medicamentos (EAM), que incluyen cualquier evento nocivo que ocurre a una persona mientras está en tratamiento farmacológico, independientemente de que se sospeche o no de dicho tratamiento como causa del evento. Por su parte, las reacciones adversas a medicamentos (RAM) se definen como toda aquella respuesta nociva, no deseada y no intencionada que se produce tras la administración de un fármaco, y existe una sospecha de causalidad. Esta definición no solo incluye los efectos nocivos e involuntarios derivados del uso autorizado de un medicamento en dosis normales, sino también aquellos relacionados con errores de prescripción y usos al margen de los términos de la autorización de comercialización, tales como la indicación fuera de ficha técnica, el uso equivocado, abuso del medicamento y la sobredosis. Las RAM son una causa frecuente de enfermedad, discapacidad o incluso muerte. Entre los factores que aumentan el riesgo de que se produzcan RAM se encuentran la polimedicación, la edad de los pacientes, las patologías previas como la insuficiencia hepática y/o renal, principales vías de metabolización y eliminación, y los factores genéticos.
Dada la comprobada infranotificación producida por los sistemas de notificación espontánea, la dificultad y el alto coste de revisar manualmente la historia clínica electrónica (HCE) de forma sistemática, se requieren sistemas automatizados de detección de RAM que faciliten la farmacovigilancia. Los sistemas de inteligencia artificial (IA) pueden ser de gran utilidad en esta tarea, especialmente los sistemas de procesamiento del lenguaje natural (PLN), pues gran parte de la información relevante para la detección de RAM en la HCE se encuentra en formato narrativo.
Objetivos
• Evaluar la efectividad y seguridad de los sistemas automatizados para la detección de RAM.
• Evaluar el coste-efectividad de los sistemas automatizados para la detección de RAM.
• Evaluar los costes de los sistemas automatizados para la detección de RAM desde la perspectiva del Sistema Nacional de Salud (SNS).
• Identificar las consideraciones éticas, legales, organizativas, sociales y ambientales relacionadas con la tecnología.
• Identificar las necesidades de investigación y medidas de resultado estándares desde la perspectiva de pacientes, familiares/personas cuidadoras, profesionales sanitarios/as y personal investigador sobre el uso de los sistemas de detección de RAM.
Metodología
Revisión sistemática de efectividad y seguridad
Se realizó una búsqueda de la literatura en las bases de datos MEDLINE, Embase, CDRS/CENTRAL y Web of Science Core Collection hasta junio de 2023. En la búsqueda no se restringió por fecha de inicio, pero en la selección solo se incluyeron estudios posteriores a 2013 dado el rápido desarrollo de esta tecnología. Se incluyeron revisiones sistemáticas (RS), ensayos controlados aleatorizados (ECA) y estudios observacionales (EO) publicados en inglés y español que evaluaran la efectividad/seguridad o el rendimiento diagnóstico de los sistemas automatizados para la detección de RAM a partir de datos incluidos en la HCE (incluidos resultados reportados por los pacientes mediante cuestionarios), en atención primaria u hospitalaria. Se incluyen sistemas de computación clásica con datos estructurados (p.ej., códigos ICD-10, datos de laboratorio, medicación, etc.) y sistemas de IA con datos estructurados y no estructurados (textos narrativos).
Se excluyeron estudios de detección de señales en farmacovigilancia, estudios sobre predicción de RAM futuros, estudios que evalúan sistemas de alerta exclusivamente en el momento de la prescripción del medicamento, estudios centrados exclusivamente en errores de medicación, y estudios de rendimiento diagnóstico incluidos en las revisiones incluidas.
Se evaluó el riesgo de sesgo de los estudios de efectividad mediante las herramientas RoB-2 (ECA) y el listado de verificación del Joanna Briggs Institute (JBI) para estudios observacionales (EO), y se realizó una síntesis narrativa de los resultados.
Revisión sistemática de coste-efectividad
Se llevó a cabo una RS de evaluaciones económicas (EE) para evaluar el coste-efectividad de los sistemas automatizados para la detección de RAM, siguiendo la misma estrategia de búsqueda que para la RS de efectividad y seguridad. Se realizó la valoración de la calidad metodológica de las EE por dos revisoras independientes, mediante el listado de criterios de Drummond et al. y/o la Ficha de Lectura Crítica FLC 3.0 de OSTEBA. Se previó extraer los datos relacionados con la identificación del artículo, el diseño y metodología, y con los resultados del estudio (perspectiva, horizonte temporal, costes, efectividad, RCEI, umbral coste-efectividad y, análisis de sensibilidad), con especial atención a la calidad de las fuentes de información empleadas para el desarrollo de la evaluación económica y la fuente de su financiación. Se previó realizar una síntesis narrativa con tabulación de las características y los resultados de los estudios incluidos.
Estudio de costes
Se llevó a cabo una evaluación económica parcial (estudio de costes) desde la perspectiva del Sistema Nacional de Salud (SNS) de un sistema automatizado para la detección de RAM en personas con cualquier patología o condición clínica en la que haya indicación de tratamiento farmacológico. En base a un sistema actualmente en fase de pilotaje, se tuvieron en cuenta el uso de recursos y costes de la implantación y puesta en marcha de dicho sistema para interceptar el proceso de prescripción y poder realizar el soporte a prescripción farmacéutica.
Aspectos éticos, legales, organizativos, sociales y ambientales
Se realizó una definición del alcance siguiendo el algoritmo para la evaluación de los aspectos éticos, legales, organizativos, sociales y ambientales específicos relativos a la tecnología. Para ello se realizaron una serie de búsquedas manuales y se consultó con las partes interesadas (autores/as y colaboradores/as del informe), así como con la industria. A partir del resultado de este proceso exploratorio se definieron las preguntas específicas de investigación, y se llevó a cabo una RS de la literatura científica en las bases de datos electrónicas MEDLINE, Embase y Web of Science Core Collection. Se incluyeron revisiones sistemáticas y revisiones de alcance; revisiones narrativas, estudios cualitativos, estudios observacionales y estudios de métodos mixtos que cubriesen aspectos éticos, legales organizativos y sociales. Se realizó una síntesis narrativa de los resultados, y se complementó con nuevas consultas con las partes interesadas para clarificar aquellos aspectos que se consideraron relevantes.
Resultados
Efectividad y seguridad
Solo se identificó un estudio de efectividad. Se trata de un EO prospectivo (3 meses) con control histórico (3 meses previos) que evaluó los cambios en la prescripción de medicación antihipertensiva por parte de los médicos, tras la implantación de un sistema con un componente de PNL. Se observó una tasa significativamente menor de prescripción de medicación sospechosa de estar causando RAM (MSRAM) en comparación con el grupo control, durante las primeras 24 horas (28% vs. 39% de la MSRAM detectada, p < 0.001) y durante todo el ingreso (47% vs. 58%, p < 0.001). De la MSRAM prescrita durante el ingreso, el grupo de intervención mostró una tasa menor en las primeras 24 horas (77% vs. 84%, p = 0.003).
No hubo diferencias significativas en la tasa de discontinuación de la MSRAM antes del alta (16% vs 14%, p = 0.40). En la muestra global, no hubo diferencias en la tasa de suspensión/discontinuación de la MSRAM prescrita durante todo el ingreso (p = 0.28), pero sí cuando se analizaron solo los profesionales del grupo de intervención que respondieron al cuestionario post-alerta, es decir, quienes definitivamente vieron las alertas (25% vs. 15%, p = 0.003). En cuanto a la MSRAM mencionada en el informe de alta, la diferencia en suspensión/discontinuación no fue significativa en la muestra global (20% vs. 23%, p = 0.053), pero de nuevo sí lo fue al incluir solo a quienes respondieron el cuestionario (38% vs. 23%, p < 0.001).
Se incluyeron 20 estudios de rendimiento diagnóstico (17 con PLN), más otros 29 (todos de PLN) incluidos en la revisión incluida. Solo 7 de ellos verificaron la ocurrencia real de los eventos adversos incluidos en las bases de datos usadas. Del total de estudios de PLN, solo 6 realizaron una validación externa de sus modelos (i.e., con datos no usados en el entrenamiento). Los resultados en general muestran un buen rendimiento global de los modelos (detección de todos los términos relevantes, medicación, síntomas, enfermedades, eventos adversos), pero el rendimiento es considerablemente menor cuando se trata de detectar en los textos los términos específicos (o las relaciones) que definen las posibles RAM. El rendimiento global varía ampliamente entre diferentes eventos adversos específicos evaluados dentro de un mismo estudio. Solo un estudio usó datos de cuestionarios de síntomas de forma prospectiva, obteniendo un alto rendimiento, aunque se trató de una pequeña muestra de pacientes sin validación externa.
Coste-efectividad
No se identificó evidencia sobre el coste-efectividad de los sistemas automatizados para la detección de RAM. No se pudo llevar a cabo una evaluación económica completa por carecer de la información mínima necesaria.
Estudio de costes
El estudio de costes desde la perspectiva del SNS estimó un coste inicial de 25 000 € de implantación y acompañamiento para realizar la integración del sistema al que habría que añadir un coste recurrente anual de 45 000 € para mantenimiento, actualización de la base de datos y los costes propios de la infraestructura en la nube.
Aspectos éticos, legales, organizativos, sociales y ambientales
Respecto a los resultados referidos a los aspectos éticos y legales, cabe destacar la importancia de la privacidad en los sistemas automatizados de detección de RAM. El uso de grandes cantidades de datos (en inglés, Big Data) ha desempeñado un papel significativo en la identificación de RAM y en el intercambio de información sanitaria. Se deben explorar nuevas fuentes de datos, desarrollar herramientas de minería de datos y tecnologías de protección de la privacidad. Respecto a la ciberseguridad, los servicios de telemedicina en general suelen requerir conexiones de red inalámbricas que recogen y transmiten información de pacientes a los sistemas de telemedicina, permitiendo a terceras partes acceder a esos datos, por lo que el sistema de servicios de telemedicina puede estar expuesto a amenazas de seguridad. La existencia de sesgos potenciales en los conjuntos de datos utilizados para entrenar los algoritmos de sistemas de IA puede generar problemas de equidad.
Respecto a los aspectos organizativos, la evidencia obtenida indica que algunos profesionales consideran que los sistemas tecnológicos de notificación de RAM integrados en el flujo de trabajo pueden ser facilitadores para la notificación de RAM. Se identificaron algunos factores que afectan a la viabilidad de implementación de los sistemas automatizados, como la falta de estandarización entre sistemas de las HCE, la especificidad en las opciones de ingreso de datos, la documentación incompleta e inexacta, y la fatiga por alerta. Es importante que los sistemas automatizados para la notificación de los RAM estén integrados con la gestión de medicamentos o los registros electrónicos hospitalarios, ya que esto puede ayudar a ahorrar tiempo y recursos. La educación y una cultura positiva de notificación de RAM pueden ser útiles para aumentar las tasas de notificación, por lo que es necesario formar a los equipos de enfermería, medicina, farmacia y otros miembros del equipo sanitario.
Conclusiones
- No se ha identificado ningún estudio que evalúe la efectividad y seguridad de los sistemas automatizados de detección de RAM desarrollados en los últimos 10 años en la reducción de RAM y sus consecuencias sobre variables de salud finales. Solo un estudio evaluó la implementación hospitalaria de un sistema de PLN y su efecto sobre la prescripción de medicación antihipertensiva durante 3 meses, mostrando una reducción de la prescripción de medicación evaluada por el sistema como sospechosa de estar produciendo RAM previamente al ingreso.
- Se han encontrado un buen número de estudios que evalúan el rendimiento diagnóstico de los métodos de IA aplicados a los datos de HCE, especialmente PLN. Estos estudios muestran en general un buen rendimiento global de los modelos, pero que es debido principalmente a la detección de medicación, mientras que los resultados aún están por debajo de lo aceptable en la detección específica de RAM en los textos clínicos. Por otra parte, el rendimiento global muestra una amplia variabilidad cuando se estudian RAM específicas dentro de un mismo estudio. La mayoría de estos estudios solo realizaron una validación interna de sus modelos y no verificaron la ocurrencia de RAM reales más allá de corroborar su mención en los textos para entrenar los modelos.
- La implementación de un sistema automatizado de detección de RAM debería llevarse a cabo únicamente tras una meticulosa planificación, en conjunción con los/as profesionales implicados, que tenga en cuenta el área clínica donde se maximice su efectividad y eficiencia (por ejemplo, en poblaciones con alto riesgo o en el caso de RAM graves), las expectativas y preocupaciones de los profesionales y el efecto sobre su flujo de trabajo, así como las cuestiones técnicas referidas a la viabilidad de su implementación, su actualización en el futuro, así como su escalabilidad y generalización a otras áreas clínicas y otros hospitales del sistema de salud.
- No se identificó evidencia sobre el coste-efectividad de los sistemas automatizados para la detección de RAM.
- El coste estimado de un sistema automatizado para interceptar el proceso de prescripción y poder realizar el soporte a prescripción farmacéutica fue de 25000 €, en concepto de implantación y acompañamiento para realizar su integración en el Sistema de Información Hospitalaria. Para el mantenimiento, actualización de la base de datos y los costes propios de la infraestructura en la nube, habría que añadir un coste recurrente anual de 45 000 €.
La planificación adecuada de la implementación de un sistema de detección precoz de RAM es un aspecto crucial para su introducción en el sistema sanitario. Dentro del contexto del SNS, es altamente recomendable incorporar los sistemas automatizados de detección de RAM a través de la oficina de interoperabilidad, que garantiza la calidad y seguridad del sistema, además de facilitar la implementación del mismo sistema en diferentes centros sanitarios. Adicionalmente, el uso de metodologías como el codiseño a la hora del desarrollo de estos sistemas automatizados puede responder a las necesidades expresadas por todas las partes interesadas
DOCUMENTOS:
- Informe completo:
