La IoMT (Internet of Medical Things) y big data son grandes armas contra las infecciones nosocomiales. También conocidas como infecciones intrahospitalarias, son uno de los principales problemas que se enfrentan en los hospitales de todo el mundo, tanto en países desarrollados como en vías de desarrollo. Las infecciones más comunes son las de vías urinarias, las bacteriemias (en la sangre), las de heridas quirúrgicas y la neumonía, que en conjunto engloban el 66% de los casos. Su causa más común es la falta de un lavado de manos adecuado por parte del personal. Para enfrentar el problema, diversos hospitales en el mundo han recurrido a la analítica de los datos recopilados con un Sistema de Localización en Tiempo Real (Real-Time Location System o RTLS), el cual forma parte del Internet de las Cosas (IoT, por sus siglas en inglés).
El RTLS funciona de manera análoga al Sistema de Posicionamiento Global, GPS, sólo que está diseñado para hacerlo en espacios acotados intramuros. Consiste en sensores inalámbricos distribuidos dentro de un edificio para recibir señales de radio RFID emitidas por etiquetas especiales —cada una con un número de identificación único— adheridas a los gafetes del personal o a objetos cuya localización resulte de interés monitorear.
En el campo médico, los sensores se pueden distribuir en prácticamente cada rincón del hospital y las señales son enviadas a los servidores para su procesamiento mediante software especializado, capaz de triangular la ubicación exacta de cada etiqueta y analizar sus recorridos en tiempo real. El sistema es muy flexible y permite otras aplicaciones, como que el personal sepa con facilidad la ubicación de los equipos portátiles.
IoMT y big data contra infecciones: uso flexible
En su aplicación más sencilla, un RTLS puede reportar las visitas del personal a los lavabos y registra si omitieron hacerlo antes de tratar a algún paciente. Sin interrumpir el flujo de trabajo, los datos son recolectados y procesados para producir gráficas que permiten detectar patrones y aumentar la frecuencia con la que el personal se lava las manos.
Otros modelos más complejos incorporan información clínica de cada paciente tomada directamente de los expedientes clínicos electrónicos (ECE) y la analizan para determinar la susceptibilidad particular de una persona para adquirir una infección y alertar al personal médico para que tomen los cuidados necesarios. A lo largo del tiempo, la gran cantidad de datos acumulados permite realizar análisis más complejos para detectar patrones generales sobre el desarrollo de las infecciones intrahospitalarias en un nosocomio dado.
De acuerdo con cifras de la Organización Mundial de la Salud (OMS), se estima que entre el 5 y el 10% de los pacientes hospitalarios en países desarrollados adquieren una o varias infecciones, mientras que en algunos países en desarrollo la cifra supera el 25%. En México, la Secretaría de Salud calculó en 2011 que la tasa de infecciones nosocomiales va del 2.1 al 15.8%.
Por su parte, la OMS calcula que las infecciones nosocomiales en México causan 32 muertes por cada 100,000 habitantes por año y el costo anual de la atención asociada ronda los 1,500 millones de pesos. En comparación, en Inglaterra el costo se aproxima a 1,000 millones de libras por año y en Estados Unidos oscila entre 4,500 y 5,700 millones de dólares.
Resultados tangibles
Un ejemplo tangible de la utilidad del RTLS para disminuir las infecciones nosocomiales lo constituye el grupo Apollo Hospitals, de la India, que con 9,554 camas distribuidas en 69 hospitales es considerado el mayor proveedor privado de servicios de salud en Asia. El grupo no sólo instaló los sensores para mejorar la frecuencia de lavado de manos y controlar mejor el desplazamiento de los dispositivos médicos, sino que cruzó los datos recopilados con la información que recolectaban regularmente sobre todas las infecciones ocurridas en el hospital.
Mediante un modelo analítico que perfeccionaron a lo largo de varios meses de trabajo en conjunto entre el personal médico y el equipo de TI, lograron proveer a los médicos con información específica de cada paciente que les permite mejorar su tratamiento en general y aminorar el riesgo de infección y, por ende, la tasa de mortalidad.
En una entrevista publicada en el India Times, el CIO del grupo hospitalario, Arvind Sivaramakrishnan, explicó que conforme aumentó el conjunto de datos, el sistema también posibilitó la detección de patrones generales sobre la propagación de las infecciones dentro de los hospitales, lo que facilitó la adopción de estrategias para evitarlas, lo cual a su vez resultó en menos enfermedades que atender, costos reducidos al disminuir los tratamientos necesarios para atenderlas y, al final, estadías más cortas de los pacientes en los hospitales. En suma, en una mejor atención a menor costo gracias al mejor uso de los recursos.