Los avisos personalizados no son sólo para los pacientes, sino también para los médicos

La inercia terapéutica (IT) se define como la incapacidad de intensificar el tratamiento cuando está justificado. En un estudio reciente en el que se expuso a neurólogos a casos simulados de pacientes con esclerosis múltiple (EM), se observó que más del 70% de los neurólogos mostraban IT durante la toma de decisiones terapéuticas. Esto condujo a decisiones ^subóptimas en aproximadamente el 20% de los casos.1

Curiosamente, el grupo de investigación pudo realizar un análisis más profundo e identificar ciertas características de los médicos que se asociaban a una mayor probabilidad de IT. Estos factores incluyen la aversión a la ambigüedad, el nivel de experiencia en la atención de la EM e incluso el país de ejercicio.

El mismo grupo también desarrolló una breve intervención educativa que aprovechaba lo que se conoce como "sistema de semáforo". El sistema del semáforo utiliza asociaciones de colores para ayudar a los médicos a identificar a los pacientes de alto riesgo (es decir, el rojo significa alto riesgo y aumenta el tratamiento, mientras que el amarillo anima a una reevaluación en 6 meses). En el estudio se ofrecen más detalles sobre la intervención. Un ensayo controlado aleatorizado demostró su eficacia para reducir la prevalencia de IT durante la atención de ^la EM. Esto es prometedor para mejorar los resultados clínicos de los pacientes con EM.2

Es importante señalar que, en este estudio, la intervención del semáforo no se realizó como un estímulo. Más bien, se entregó a los participantes en el estudio a los que se les plantearon escenarios de casos que representaban situaciones clínicas del mundo real. Sin embargo, en un entorno clínico real, se podría presentar como un estímulo a través de historias clínicas electrónicas u otro formato durante la atención al paciente.

Se ha demostrado que las estatinas reducen significativamente el riesgo de eventos cardiovasculares y de mortalidad. Sin embargo, varios estudios han demostrado su infrautilización: los médicos no recetan estatinas a cerca del 50% de los pacientes que podrían beneficiarse de ellas (según la^s directrices nacionales)3 . Los investigadores de la Penn Nudge Unit, un equipo de diseño conductual integrado en el Sistema de Salud de la Universidad de Pensilvania, se propusieron evaluar si el nudging podría mejorar la prescripción de estatinas de acuerdo con las directrices.4

Su primer estudio comparó un control con dos brazos de intervención: una intervención de elección activa con y sin retroalimentación de resultados de comparación entre pares. Los médicos del primer brazo (sólo la intervención de elección activa) recibieron un correo electrónico que incluía una lista de sus pacientes que se beneficiarían de las estatinas pero a los que aún no se las habían recetado. Otros datos incluidos en el correo electrónico eran las características clínicas relevantes de los pacientes y las directrices nacionales para la prescripción de estatinas. En este caso, el incentivo de elección activa consistía en pedir al médico que revisara la lista y decidiera prescribir o no una estatina en el plazo de una semana.

En el grupo de comparación entre pares, los médicos también recibieron información sobre cómo se comparaban sus tasas de prescripción de estatinas con las de otros médicos de su centro. Este estímulo se basó en lo que se sabe sobre las normas sociales y sus efectos en el cambio de comportamiento. El brazo de intervención de elección activa + comparación entre pares demostró un aumento significativo en la prescripción adecuada de estatinas.

En otro estudio, el mismo grupo de investigación identificó características clínicas asociadas a la prescripción de estatinas. En concreto, ser mujer, asistente médico y tener más años de experiencia se asociaron con una menor probabilidad de prescribir estatinas.5

¿Por qué la personalización es tan prometedora para el futuro del nudging clínico? La primera razón es relativamente sencilla y similar a la del razonamiento para los pacientes: algunos médicos pueden ser más receptivos a un tipo concreto de incentivo que otros. Por ejemplo, los médicos más competitivos pueden responder mejor a los incentivos de comparación entre colegas.

Sería interesante que, en el futuro, las HCE pudieran probar una serie de codazos diferentes para contextos clínicos concretos y supervisar la actividad del médico y el posible cambio de comportamiento para, a continuación, ofrecer codazos más adecuados y personalizados. El conocimiento de determinadas características del médico (por ejemplo, su nivel de experiencia) puede ayudar a los algoritmos de aprendizaje automático a identificar el estímulo adecuado.

Otros valores añadidos de la personalización mediante nudges pueden ser más discretos. Los fallos en la toma de decisiones clínicas van más allá de un contexto de tratamiento concreto. Los médicos se enfrentan a una gran variedad de técnicas de detección, diferentes enfermedades, medicamentos, opciones de tratamiento, etc. A medida que crezca la investigación en este campo, se pondrá de manifiesto la necesidad de muchos otros nudges en el flujo de trabajo clínico.

Sin embargo, en la práctica real, no es factible aplicar varios nudges a la vez. Los avisos explícitos, como los descritos en los ejemplos anteriores, suelen requerir que el clínico desvíe su atención. Demasiadas interrupciones de este tipo pueden contribuir a la "fatiga de alerta", lo que lleva a los médicos a insensibilizarse e ignorar por completo estos avisos. Tangencialmente, las alertas de HCE predicen el agotamiento entre el personal sanitario, por lo que reducir el número de alertas sigue siendo una prioridad.6

La personalización puede ser una posible solución para minimizar el cansancio de las alertas. Al identificar qué nudges son más urgentes para determinados médicos, la tecnología del futuro puede priorizar diferentes intervenciones basadas en los datos de la HCE y las características del médico. Por ejemplo, el nudge de elección activa descrito anteriormente sólo podría aplicarse a los médicos que sistemáticamente prescriben menos estatinas de las necesarias, o la intervención del semáforo al ~70% de los neurólogos que muestran inercia terapéutica.

Este enfoque es prometedor. En un estudio realizado en 2020 se utilizaron datos de HCE para fenotipar los patrones de práctica de los médicos y clasificarlos en función de variables como los años de formación, la carg^a de trabajo estimada y el número de pacientes atendidos.7 Los autores descubrieron que un incentivo de HCE de elección activa era significativamente eficaz para aumentar las tasas de vacunación contra la gripe entre los médicos con mayor carga de trabajo clínico, pero no tenía ningún efecto entre los que tenían una carga de trabajo clínico menor.

A medida que cambie el comportamiento de los médicos, la IA también podría identificar cuándo un codazo ya no es necesario para producir el cambio de comportamiento deseado y pasar progresivamente a un codazo diferente dirigido a un comportamiento distinto. Incluso factores tan simples como la hora del día o el número de horas que un médico lleva en su turno pueden allanar el camino para la personalización. Por ejemplo, a medida que avanza el día, los médicos tienden a solicitar menos pruebas de detección del cáncer,8 pero se ha demostrado que los nudges de elección ac^tiva a través de la HCE son eficaces para aumentar las solicitudes de colonoscopias y mamografías.9 Los nudges específicos del tiempo también pueden ayudar a disminuir la fatiga por alerta.

Los nudges pueden fomentar entre los médicos un comportamiento de prescripción más acorde con las directrices, pero antes de que estos nudges se apliquen a gran escala, todavía hay que responder a varias preguntas. La investigación futura debe centrarse en cómo interactuarán entre sí los distintos nudges y cómo esto podría afectar al comportamiento de los médicos. También es necesario estudiar los efectos a largo plazo de estos incentivos.

A partir de esta investigación futura, aunque el siguiente paso intuitivo sería que los sistemas sanitarios dieran prioridad a ciertas herramientas de decisión y cambios en la HCE sobre otras, yo sostengo que el nudging personalizado para los clínicos ofrece una solución con menos concesiones al tiempo que maximiza la eficacia.

Si bien es cierto que, en un mundo ideal, todos los nudges en la práctica serían discretos y se integrarían perfectamente en el diseño de las HCE (es decir, nudges por defecto), esto es bastante poco práctico por una serie de razones. Por ejemplo, algunas personas pueden responder a otras formas de nudges (elección activa), y los nudges por defecto pueden no ser viables en determinados contextos. El nudging personalizado puede ayudar a determinar qué forma de nudge es más eficaz para un clínico concreto, y también a identificar a quienes más lo necesitan.

Aunque suene bastante imaginativo, la tecnología ya se utiliza para mejorar el comportamiento de los pacientes. ¿Por qué no aplicarla también a los médicos?