La medida de la saturación de los servicios de urgencias hospitalarias (por @zafortezaconcha)



Tras aquel mítico post sobre los servicios de urgencias hospitalarios, llega la segunda parte de la mano (de nuevo) de Concha Zaforteza (@zafortezaconcha). Muchas gracias por todo.

La medida de la saturación de los servicios de urgencias hospitalarias
Concha Zaforteza
Doctora en enfermería.

La masificación (crowding) o saturación (1) de los SUH se produce cuando la demanda de atención de salud urgente supera la capacidad de los SUH de darle respuesta (Hwang et al 2011). Una mirada atenta a esta definición ya nos pone sobre aviso: es lo suficientemente clara como para que sepamos de qué estamos hablando, es lo suficientemente amplia como para que vayamos cayendo en la cuenta de que será complicado establecer un sistema de medida.  

En este escrito no voy a entrar en las causas ni en las posibles soluciones de la masificación de los SUH; eso ya lo hice en un post anterior que el dueño de este espacio tuvo a bien publicar. Hoy me voy a centrar en por qué es necesario y cómo medir la saturación de los SUH. De nuevo, le doy las gracias al querido @manyez por acogerme en su casa. 

¿Por qué es necesario medir la saturación de los SUH? de entrada, porque no se puede gestionar lo que no se puede medir (Hoot et al 2007). Además, si algo no se puede medir, es difícil establecer si las acciones de mejora tienen efecto o no (Boyle et al 2015). Les aseguro que gestionar el flujo de pacientes para que no se produzcan masificación de los SUH ni sus derivadas (incremento de la estancia media del paciente en el SUH, incremento del tiempo de “boarding” o necesidad de derivar ambulancias, entre otros) es de una importancia capital, ya que ninguna de ellas es neutra para el paciente. Está establecido que existe impacto tanto en el paciente como en el sistema de salud. 

Si hablamos del impacto sobre el paciente, se incrementan el riesgo de mortalidad y el de sufrir eventos adversos (Guttmann et al 2011, Bond et al 2007, Schnitker et al 2011, Samaras et al 2010); puede haber retrasos en el inicio de tratamientos tiempo-dependientes (Pines et al 2007); el paciente puede verse enfrentado a soportar dolor y ansiedad por más tiempo (Moskop et al 2009); existe una disminución de la privacidad y de la satisfacción (Moskop et al 2009). 

Si hablamos del impacto en el sistema de salud, se puede incrementar la estancia media de los pacientes en el hospital, relacionada con el retraso en la realización de pruebas diagnósticas y tratamientos. Por tanto, se produce un incremento en el coste de la hospitalización, así como una dificultad en la accesibilidad de la población al SUH (Moskop et al 2009).

Por tanto, y me gustaría que leyeran con mucha atención este párrafo: la saturación de los SUH no es un problema “de los de urgencias”, es un problema de todos los profesionales que tienen responsabilidad en facilitar que los flujos de pacientes en urgencias sean lo más fluidos posible. El motivo es que mantener a un paciente en urgencias más tiempo del estrictamente necesario afecta a la seguridad y a la accesibilidad de los ciudadanos a los servicios de salud.

Dicho esto, ¿para qué queremos medir la saturación de los SUH? Para tomar decisiones operativas de forma prospectiva en el corto plazo, es decir, para adelantarse al problema (Bernstein et al 2003, Epstein y Tian 2006). Para tomar decisiones organizativas en el largo plazo, sobre la base del análisis retrospectivo del comportamiento de la masificación y sus factores asociados. 

Esta reflexión nos lleva a las preguntas qué medir y cómo hacerlo. Ninguna de ellas es sencilla de responder, de hecho, a día de hoy, se reconoce que hay muy poco consenso acerca de cómo medir (Boyle et al 2012). Ante esta falta de consenso, me permito establecer algunos criterios generales sobre los que valorar las diferentes alternativas. Insisto en que son criterios de cosecha propia, por tanto, abiertos a discusión: 
1) Factibilidad: debe ser sencillo automatizar la medida elegida en los diferentes sistemas de información de los hospitales. Por tanto, deben ser medidas no persona-dependiente y con posibilidad de ser introducidas en los diferentes hospitales de, al menos, un mismo servicio de salud.
2) Monitorización continua: debe permitir la medición en una escala de tiempo pequeña para captar las oscilaciones a lo largo del día que sirvan de alerta temprana. El objetivo es gestionar los recursos, bien para prevenir la masificación, bien para paliarla.
3) Almacenamiento: debe ser posible almacenar los datos en el data warehouse de los hospitales para explotarlos de manera retrospectiva.

Vamos a por ello. Hay muchísimos indicadores de medida: para conocerlos, les recomiendo la revisión sistemática de Hwang y colaboradores (2011). A continuación, repaso algunas opciones y qué capacidades tiene cada una.

Derivación de ambulancias: es decir, medición del número de ambulancias que es necesario derivar a otros centros hospitalarios (Boyle et al 2015). Presenta dificultades, ya que no es posible automatizar esta medida y se ve afectada por factores ajenos a la masificación del SUH. 

Pacientes que se van sin ser atendidos: es decir, número de pacientes que no esperan a que les atienda el médico, una vez valorados por la enfermera de triage. De nuevo, no es posible automatizar su cómputo y no parece que mida la masificación de forma adecuada (Pines 2006). 

Índice de ocupación del SUH: o lo que es lo mismo, el porcentaje de camas/camillas/butacas ocupadas por pacientes respecto al número total de camas/camillas/butacas del servicio. Esta es una medida sencilla de incorporar a casi cualquier sistema de información hospitalario, permita la monitorización continua y permite almacenarse en el data warehouse. Además, Hook y colaboradores (2007), comparan la ocupación con otras escalas de medición multidimensionales (NEDOCS, EDWIN, READI y Work Score) para establecer cuál de ellas es más útil para monitorizar y predecir la masificación del SUH. Concluyen que ninguna de ellas tiene una capacidad superior a las otras y ninguna de ellas es más capaz que el índice de ocupación del SUH. 

Escalas multidimensionales: son instrumentos de medida que incluyen diferentes variables y diferentes tipos de fórmulas para calcular la masificación. Voy a diferenciar 4 medidas desarrolladas antes de 2010 y otra medida en estado actual de desarrollo. Las 4 medidas previas a 2010 son el NEDOCS, EDWIN, READI y Work Score. Para conocer detalles sobre cada una de ellas, pueden remitirse a los trabajos de Hwang et al (2011) y Hoot et al (2007). Desde mi punto de vista, son escalas complejas, difíciles de automatizar en los diferentes sistemas de información. Suelen haber sido diseñadas en un único contexto y, por tanto, suelen funcionar bien en el servicio donde fueron desarrolladas. Sine embargo: no está claro que sean transferibles a otros contextos diferentes al que las desarrolló, no está claro, que funcionen bien como monitorización continua y no muestran una capacidad discriminatoria superior al índice de ocupación del SUH.

Con respecto a la escala multidimensional que se ha desarrollado recientemente, el ICMED (Boyle et al 2015, Boyle et al 2016), parece prometedora, sin embargo, sus autores reconocen que tiene dificultades para la monitorización continua de la masificación (aunque sí creen que es una buena medida a escala temporal más larga) así como dificultades para automatizarse en los sistemas de información. También apuntan a que requiere validación frente a indicadores como la mortalidad o la cancelación de pacientes programados.


Mi conclusión es que el índice de ocupación del SUH es el indicador de elección para medir la saturación del servicio. Los motivos son: 1) ninguna medida más compleja ha mostrado mayor capacidad de monitorización continua ni mayor capacidad predictiva; 2) es una medida que se puede implementar en la mayoría de los sistemas de información hospitalaria; 3) es posible almacenar los datos. 

Tiene la ventaja que, al ser fácil de implementar, muchos hospitales podrían incorporarlo y generar datos que les permitieran comparar entre sí. Además, un servicio de salud podría conocer en tiempo real el estado de saturación de sus SUH.

Sin embargo, tiene la dificultad en que conocer el porcentaje de ocupación minuto a minuto no determina de manera objetiva en qué momento se entra en “zona de peligro” de masificación ¿Un 85% de ocupación del SUH es mucho o poco? Pues no lo sabemos.  Pero cada entorno podría “aprender” de sí mismo y evaluar cuáles son sus puntos de inflexión según el valor de ese índice, las altas previstas, o el índice de ocupación de hospital. Ahí hay una posible línea de investigación. 

En este sentido, también se apunta a que el uso de datos históricos y el big data pueden ayudar al diseño de modelos de predicción que permitan anticipar la saturación de los SUH con el tiempo suficiente como para poner en marcha los recursos que la eviten o la amortigüen. 

En definitiva, nos encontramos ante un problema complejo para el que disponemos de una medida que resuelve, de manera parcial, la necesidad de tomar decisiones de forma prospectiva y proactiva.

(1) En este trabajo se usan indistintamente los términos “saturación” y “masificación”.

Bibliografía

– Bernstein SL, Verghese V, Leung W, et al (2003). Development and validation of a new index to measure emergency department crowding. Acad Emerg Med; 20: 938-942.
– Bond K, Ospina MB, Blitz S, et al (2007). Frequency, determinants and impact of overcrowding in emergency departments in Canada: a national survey. Health Q; 10:32-40.
– Boyle A, Beniuk K, Higginson I, Atkinson P (2012). Emergency department crowding: time for interventions and policy evaluations. Emerg Medicine International; ID 838610 (8 páginas).
– Boyle A, Coleman J, Sultan Y,  Dhakshinamoorthy V, O’Keeffe J, Raut P, Beniuk K (2015).Initial validation of the International Crowding Measure in Emergency Departments (ICMED) to measure emergency department crowding. Emergency Medicine Journal; 32(2): 105-108
– Boyle A, Abel G, Raut P, Austin R, Dhakshinamoorthy V, Ayyamuthu R, Murdoch I, Burton J (2016).Comparison of the International Crowding Measure in Emergency Departments (ICMED) and the National Emergency Department Overcrowding Score (NEDOCS) to measure emergency department crowding: pilot study. Emergency medicine Journal; 33(5): 307-312.
– Epstein SK, Tian L (2006). Development of an emergency department work score to predict ambulance diversion. Acad Emerg Med; 13: 421-426.
– Guttmann A, Schull MJ, Vermeulen MJ (2011). Association between waiting times and short term mortality and hospital admission after departure from emergency department: population based cohort study from Ontario, Canada. British Medical Journal; 342:d2983
– Hoot NR, Zhou C, Jones I, Aronsky D (2007). Measuring and forecasting emergency department crowding in real time. Annals of Emergency Medicine; 49 (6): 747-755.
– Hwang U, McCarthy ML, Aronsky D, Asplin B, Crane PW, Craven CK, Epstein SK, Fee C, Handel DA, Pines JM, Rathlev NK, Schafermeyer RW, Zwemer FL Jr, Bernstein SL (2011).Measures of crowding in the emergency department: a systematic review. Acad Emerg Med; 18(5): 527-538.
– Moskop JC, Sklar DP, Geiderman JM, Schears RM, Bookman KJ (2009). Emergency department crowding, Part 1-Concept, causes and moral consequences. Annals of Emergency Medicine; 53(5): 605-611.
– Pines JM (2006). The left-without-being-seen rate: an imperfect measure of emergency department crowding. Acad Emerg Med; 13:807-808.
– Pines JM, Localio AR, Hollander JE, Baxt WG, Lee H, Phillips C, Metlay JP (2007). The Impact of Emergency Department Crowding Measures on Time to Antibiotics for Patients With Community-Acquired Pneumonia. Annals of Emergency Medicine; 50(5): 510-516.
– Samaras N, Chevalley T, Samaras D, Gold D (2010). Older patients in emergency departments: a review. Annals of emergency medicine; 56 (3): 261-269
– Schnitker L, Martin-Khan M, Beattie E, Gray L (2011). Negative health outcomes and adverse events in older people attending emergency departments: a systematic review. Australasian emergency nursing journal; 14: 141-162.

Deja un comentario

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.