En la última década, la atención sanitaria se ha alejado del enfoque tradicional de "talla única" para acercarse a la medicina personalizada. Aunque el concepto de medicina de precisión suele traer a la mente aspectos como la elaboración de perfiles genéticos para intervenciones terapéuticas específicas (por ejemplo, dosis de fármacos adaptadas), también puede aplicarse para facilitar comportamientos más saludables entre los pacientes1.
En un reciente artículo para Harvard Business Review, Shirley Chen y Mitesh Patel explican cómo el aumento de las herramientas sanitarias digitales, como las aplicaciones sanitarias para móviles, las tecnologías para llevar puestas y otras herramientas de seguimiento remoto de pacientes, ofrece nuevos canales para la atención personalizada.2 Estas herramientas brindan la oportunidad de recopilar una gran cantidad de datos de los pacientes, que a su vez pueden proporcionar información sobre comportamientos sanitarios, preferencias, rasgos de personalidad, motivaciones, barreras, zona de residencia, etc.
Muchos de estos datos no son exactamente "clínicos", pero pueden complementar el historial médico del paciente. Esto permite crear lo que Chen y Patel denominan "fenotipos de comportamiento", que pueden allanar el camino hacia la atención sanitaria personalizada.
¿Qué son los codazos personalizados?
El nudging personalizado es un nudging optimizado en función del fenotipo conductual del paciente, para maximizar la eficacia de la intervención. El nudging personalizado puede adoptar dos formas: personalización de la elección y personalización de la administración.3 La personalización de la elección se refiere a las opciones presentadas al paciente, y la personalización de la administración se refiere al método de nudging. El nudging centrado en el paciente es poderoso porque los nudges no funcionan igual para todo el mundo, y lo que funciona para un paciente concreto puede no ser eficaz para otro.
El nudging en la atención sanitaria puede aplicarse para mejorar la adherencia a la medicación, la actividad física, la participación en programas e incluso la salud mental. La inteligencia artificial (IA) y los algoritmos de aprendizaje automático permiten personalizar las intervenciones de nudging y aplicarlas a gran escala estratificando automáticamente a los pacientes, aprendiendo gradualmente de su actividad y transmitiendo mensajes y recomendaciones personalizados. En esencia, la IA puede aprender y predecir cuáles son los nudges más eficaces para un paciente concreto y ofrecérselos en consecuencia.
He aquí algunas startups de salud digital que ya han aprovechado esta tecnología para superar los retos asociados a la modificación del comportamiento de los pacientes.
Wellth
Wellth aborda el problema de la falta de adherencia a la medicación y al plan de cuidados utilizando la economía del comportamiento y la IA. El planteamiento de Wellth se basa en principios de la economía del comportamiento como la aversión a la pérdida y el efecto de dotación. Los pacientes que forman parte de su programa reciben un crédito monetario al principio de cada mes y se les pide que se registren diariamente para hacer un seguimiento de su salud y de la medicación que toman. Si un paciente no se registra, pierde 2 dólares de crédito.
Estos motivadores extrínsecos se complementan con motivadores intrínsecos y toques personales (como el apoyo social y familiar) para que el programa sea más eficaz en la creación de hábitos saludables.
Para los pacientes con enfermedades crónicas, sin embargo, es importante que el cambio de comportamiento se mantenga durante un periodo de tiempo más largo. Wellth utiliza la IA para saber cómo responden los distintos pacientes a las distintas intervenciones y cómo cambia su comportamiento a lo largo del tiempo. La plataforma también sondea periódicamente a los pacientes para conocer sus circunstancias socioeconómicas. Esta recopilación de datos en tiempo real y el proceso continuo de iteración ayudan a abordar los obstáculos específicos de cada paciente de forma personalizada, lo que también puede ampliarse para llegar a miles de pacientes a la vez.
AllazoHealth
AllazoHealth también se centra en el problema de la falta de adherencia a la medicación, pero su IA adopta un enfoque ligeramente distinto. Además de adaptar iterativamente las intervenciones en los pacientes basándose en los datos que ha recopilado, AllazoHealth es capaz de predecir el riesgo de incumplimiento terapéutico de un paciente concreto, así como las intervenciones que probablemente tendrán más impacto en él. Para ello, aprende de conjuntos de datos amplios y diversos, que incluyen información de más de 23 millones de pacientes. Esto ayuda a personalizar la orientación desde el principio.
AllazoHealth también hace mucho hincapié en la hora a la que se realiza una intervención y su modo de administración. La hora del día puede influir en la eficacia de un codazo. Por ejemplo, es más eficaz enviar un recordatorio para tomar una medicación cuando el paciente está despierto y en casa, o tal vez inmediatamente después de una comida.
Lirio
Lirio se asocia con sistemas sanitarios y pagadores para ofrecer una comunicación centrada en el paciente, con el fin de impulsar el cambio de comportamiento del paciente en la dirección correcta. Al igual que las tecnologías descritas anteriormente, Lirio utiliza el aprendizaje automático para procesar datos sobre cada paciente, personalizar los mensajes, medir el compromiso, modificar el mensaje y repetirlo. Aunque sus mensajes están precodificados por científicos del comportamiento, pueden descomponerse en los elementos que los componen y volver a ensamblarse en miles de combinaciones únicas. De este modo, su tecnología de aprendizaje automático puede adaptar los contenidos a las necesidades específicas de cada paciente.
La plataforma de Lirio puede trabajar con una variedad de temas de salud, como las pruebas de detección del cáncer, la atención crónica e incluso las visitas de bienestar, y se centra exclusivamente en la mensajería hiperpersonalizada para optimizar el compromiso. Recientemente, Lirio utilizó su tecnología para aumentar la aceptación de la vacuna COVID-19, demostrando su potencial para otras aplicaciones en la atención sanitaria.
WoeBot
WoeBot es bastante diferente de las empresas descritas anteriormente, pero aprovecha principios similares para ofrecer intervenciones específicas. WoeBot es un chatbot de salud mental con inteligencia artificial diseñado para ayudar a los usuarios a mejorar su salud mental. WoeBot es capaz de chatear con los usuarios de forma conversacional para proporcionarles apoyo y compañía las 24 horas del día, los 7 días de la semana.
La tecnología de esta empresa es capaz de aprender progresivamente de las conversaciones que mantiene con los pacientes, utilizando técnicas de procesamiento del lenguaje natural (PLN) para comprender sus estados emocionales y cognitivos. A continuación, utiliza esta información para ofrecer intervenciones específicas que reflejen la naturaleza dinámica de la salud mental. Estas intervenciones abarcan la terapia cognitivo-conductual (TCC), la psicoterapia interpersonal y la terapia dialéctica conductual.
LivNao
LivNao es otra startup de salud mental que aprovecha el nudging personalizado, pero de nuevo desde un punto de partida ligeramente diferente. A través del aprendizaje profundo, LivNao pretende detectar cambios en la salud mental con cero aportaciones de los usuarios, utilizando únicamente datos pasivos. Se enorgullecen de ser capaces de identificar y recopilar datos que tradicionalmente solo procederían de cuestionarios validados clínicamente, simplemente analizando la participación del usuario. Sus análisis predictivos les permiten avisar a tiempo a determinados miembros con intervenciones incluidas en sus prestaciones. Se dirigen a empresas y compañías de seguros para mejorar la productividad, reducir los costes de las reclamaciones y, en general, mejorar los resultados sanitarios.
Trabaja en TDL en MyHeartCounts
En TDL hemos empezado a trabajar recientemente en un proyecto de investigación con el objetivo de mejorar la aplicación MyHeartCounts. MyHeartCounts (MHC) es una aplicación móvil de investigación sobre salud cardiovascular basada en teléfonos inteligentes y desarrollada originalmente en la Facultad de Medicina de la Universidad de Stanford, en colaboración con Google.
MHC es capaz de proporcionar información única y detallada sobre cómo el equilibrio entre actividad, sedentarismo y sueño contribuye a la salud cardiovascular. Hasta ahora, la investigación sobre la aplicación se ha limitado a sus capacidades como herramienta de recopilación de datos. En TDL, estamos trabajando para aprovechar estos datos para ofrecer intervenciones personalizadas. Uno de los principales retos a los que se ha enfrentado la aplicación es el compromiso y la aceptación de los usuarios: la recopilación de datos sólo es eficaz si los usuarios se comprometen con la aplicación. TDL está trabajando para comprender mejor las barreras específicas y los factores que afectan a la participación, con el fin de informar el diseño de una interfaz de usuario mejorada e impulsar un cambio de comportamiento positivo en diversas poblaciones dentro de Canadá.
Conclusión
La tecnología de inteligencia artificial permite enviar mensajes diseñados con precisión y realizar intervenciones personalizadas a gran escala para optimizar la participación en la atención sanitaria. Aunque en la última década se ha producido una explosión de nuevas tecnologías de salud digital, la próxima debe centrarse en optimizar el cambio de comportamiento para los diversos perfiles de comportamiento de los pacientes. Las startups están empezando a reconocerlo, y el nudging personalizado está allanando el camino.
Esto conlleva sus propios riesgos e inconvenientes. Por ejemplo, la recopilación de datos detallados de los pacientes puede ser utilizada por las compañías de seguros para subir las primas o denegar la cobertura a pacientes de alto riesgo. Los pacientes también pueden expresar una mayor preocupación por la privacidad de los datos, lo que supone una barrera para la adopción y el compromiso continuado.
El uso de la IA también puede ser susceptible de sesgos, y esto es relevante incluso en el contexto de la identificación de patrones de comportamiento. Seguirá siendo importante entrenar algoritmos utilizando conjuntos de datos amplios y diversos durante el desarrollo de productos e intervenciones similares. A medida que la atención sanitaria siga avanzando en esta dirección de atención personalizada y digital, muchas de las medidas reguladoras que ya se están adoptando apoyarán directamente y reducirán el riesgo de los esfuerzos en el nudging personalizado.
References
1. Jethwani K, Kvedar J, Kvedar J. Fenotipado conductual: una herramienta para la medicina personalizada. Per Med. 2010;7: 689-693.
2. Chen XS, Patel MS. Las herramientas de salud digital ofrecen nuevas oportunidades para la atención personalizada. 18 Nov 2020 [citado 27 Dic 2021]. Disponible: https://hbr.org/2020/11/digital-health-tools-offer-new-opportunities-for-personalized-care
3. Mills S. Personalized nudging. Behavioural Public Policy. 2020. pp. 1-10. doi:10.1017/bpp.2020.7
