La adopción del soporte clínico de decisiones (SCD) habilitado por inteligencia artificial es fragmentada en el sector sanitario y varía significativamente entre los distintos sistemas de salud, según una nueva investigación del Duke University Health System. Los usuarios finales a menudo tienen dificultades para percibir directamente el impacto de las herramientas de IA, lo que con frecuencia los lleva a dejar de utilizarlas.

Sin embargo, los hospitales que evolucionan desde una lista estática de reglas de implementación hacia un proceso más dinámico pueden mejorar la adopción de las herramientas a largo plazo, según los investigadores de Duke. El equipo desarrolló modelos que describen dos fuerzas en acción: los «bucles de equilibrio», donde el éxito reduce la urgencia y el esfuerzo, y los «bucles de refuerzo», donde la percepción de beneficios visibles fomenta el uso continuado de la herramienta.

El mapeo del uso de herramientas predictivas

Los investigadores analizaron el Modelo de Reingreso No Planificado versión 1, desarrollado por Epic Systems en Duke Health. Esta herramienta analiza los historiales clínicos electrónicos —desde diagnósticos hasta medicamentos— para generar una puntuación de riesgo que indica la probabilidad de reingreso hospitalario de un paciente tras el alta.

El equipo examinó variables como la formación, la carga de trabajo, los incentivos y la dinámica de equipo, y estudió cómo interactúan a lo largo del tiempo para comprender cómo evoluciona la adopción bajo distintas condiciones y qué estrategias pueden mejorarla. Para ello, dialogaron con gestores de casos, fisioterapeutas, terapeutas ocupacionales, médicos hospitalarios y médicos residentes que participan en las decisiones sobre el alta de pacientes.

Factores que reducen el uso de la IA

Ante demandas contrapuestas, las herramientas de SCD pueden no lograr un uso sostenido a largo plazo. Las sanciones de los Centros de Servicios de Medicare y Medicaid (CMS) han presionado a los hospitales a reducir los reingresos, y los incentivos institucionales derivados impulsaron la formación y un uso inicial elevado. Sin embargo, los modelos de simulación de los investigadores muestran cómo esa presión y la formación condujeron al éxito inicial, para luego perder impulso conforme los flujos de trabajo mejoraban y las tasas de reingreso se acercaban a los objetivos marcados.

La rotación de personal y los cambios en los flujos de trabajo también pueden contribuir a la disminución del uso. El personal más reciente que no participó en la implementación inicial puede tener un conocimiento superficial de la herramienta: sabe de su existencia, pero desconoce funcionalidades avanzadas como la posibilidad de desglosar los factores de riesgo al hacer clic en una alerta de color rojo o naranja.

Scott Rockart, profesor asociado de práctica en la Universidad de Duke y coautor del informe «Learning From the Adoption of a Readmission Clinical Decision Support Tool: Group Model Building Approach», señaló que los usuarios pueden personalizar completamente sus paneles en Epic y que, con frecuencia, minimizan u ocultan la herramienta de IA cuando no perciben de inmediato su valor. «Si introduces un parámetro, conduce a resultados muy diferentes», explicó. «El modelo matemático puede ayudar a verificar la lógica de tus explicaciones e identificar intervenciones más efectivas».

«No siempre es evidente»

Al modelar los «bucles de refuerzo», los investigadores hallaron que las herramientas predictivas tienen más probabilidades de ser utilizadas de forma amplia y sostenida cuando quienes las utilizan perciben beneficios concretos en la atención y la calidad asistencial. Estos bucles emergieron cuando el personal describió la utilidad clínica de la herramienta, como la mejora en la planificación del alta y la comunicación del equipo. Sin embargo, los bucles de refuerzo resultaron frecuentemente débiles debido a la dificultad de vincular el uso de la herramienta con resultados en tiempo real.

Los bucles de refuerzo pueden ser especialmente débiles para eventos poco frecuentes, como los reingresos hospitalarios no planificados, lo que dificulta que el personal de primera línea perciba el valor inmediato del uso de la herramienta de IA. Cuando una herramienta previene un evento infrecuente, el éxito puede resultar invisible en el momento. «No siempre es evidente, mientras utilizas una herramienta, cuánto valor ha generado realmente para un evento poco frecuente que en sí mismo es algo complejo», subrayó Rockart.

Un simulador de adopción de IA como herramienta de gestión

Rockart subrayó que el modelo de simulación no predetermina un único resultado para la adopción de la herramienta de IA, sino que puede ofrecer a los líderes sanitarios la oportunidad de reestructurar los flujos de trabajo. Durante el estudio, se invitó al personal participante a adoptar un proceso de alta más colaborativo, basado en equipos y orientado a la consulta. Con el tiempo, a medida que este comportamiento colaborativo se institucionalizó, la comunicación en equipo sustituyó esencialmente la necesidad de recurrir a la herramienta, ya que el personal empezó a recopilar datos críticos de forma orgánica.

Los investigadores trabajan ahora en trasladar sus hallazgos a un modelo matemático funcional que los líderes sanitarios puedan utilizar para experimentar con la temporalización, el refuerzo de la formación y el mantenimiento de la atención organizacional a largo plazo. Al simular la dinámica del uso de las herramientas, las organizaciones sanitarias podrán diseñar mejores estrategias de implementación desde el inicio, testar distintos escenarios —qué ocurre si la formación decae, si aumentan las prioridades competidoras o si los usuarios necesitan evidencia más clara de que la herramienta funciona— y actuar en consecuencia.

La tecnología al servicio del contexto humano e institucional

Cuando los líderes invierten en nuevas tecnologías, deben prestar al menos tanta atención al contexto humano e institucional como a las métricas de rendimiento de la herramienta. El éxito de una tecnología depende, en última instancia, de si las personas la perciben como visiblemente útil y digna de su atención continuada a lo largo del tiempo.

«El objetivo es que la pieza anterior quede tan bien institucionalizada en la práctica que cuando el próximo líder tenga que asumir el cargo, no necesite esa atención. Ya está integrada en tus flujos de trabajo», concluyó Rockart. La investigación fue publicada recientemente en la revista JMIR Human Factors.