Cómo los modelos predictivos pueden reescribir la historia de la sífilis congénita – Blog de atención médica

Por KAYLA Kelly

Cada semestre tengo el privilegio de guiar a los estudiantes de enfermería a través de sus clínicas maternas y pediátricas. Su entusiasmo al comienzo del semestre es contagioso. Comparten historias de haber presenciado su primer parto, haber ayudado a una nueva madre con la lactancia materna y haber practicado evaluaciones del desarrollo de pacientes pediátricos. A medida que avanza el semestre, veo que su comportamiento cambia. “Tenías razón, nos encargamos otro Bebés con sífilis congénita hoy”. Sus reflexiones sobre los días clínicos son una mezcla de emociones: frustración, ira y tristeza, mientras observan a bebés frágiles luchar contra una infección que ningún niño debería tener que soportar.

Cuando les digo por primera vez a mis estudiantes de enfermería que probablemente cuidarán de bebés nacidos con sífilis durante sus rotaciones clínicas, me miran con los ojos muy abiertos, incrédulos. “¿No curamos la sífilis en los años cincuenta?” Pregunta algo. Algunos de mis alumnos suelen recordar haber oído hablar del Estudio Tuskegee, pero la mayoría no tiene idea de que todavía estamos luchando (y perdiendo) contra la sífilis congénita en los Estados Unidos.

La sífilis congénita ocurre cuando una madre transmite la infección a su bebé durante el embarazo o el parto. Es casi totalmente prevenible con detección y tratamiento oportunos, pero el número de casos continúa aumentando a un ritmo alarmante. Entre 2018 y 2022, Estados Unidos experimentó una 183% Un aumento de los casos de sífilis congénita, de 1.328 casos a 3.769. Esta tendencia se reflejó a nivel estatal: Texas reportó 179 casos en 2017 y 922 en 2022. Durante esos cinco años, la tasa de bebés nacidos con sífilis congénita en Texas aumentó 46,9 a 236,6 por cada 100.000 nacidos vivos, un fuerte aumento que requiere acción.

Texas tiene ahora una de las tasas más altas de sífilis congénita del país, con una de las leyes de detección prenatal más completas. De acuerdo a Departamento de Servicios de Salud del Estado de TexasLa política exige la detección de sífilis en tres momentos durante el embarazo:

(1) En la primera visita prenatal

(2) Tercer trimestre (pero no antes de las 28 semanas)

(3) Hora de entrega

Pero aquí está el problema: ¿Qué sucede cuando una mujer nunca asiste al control prenatal? ¿Cómo llegamos a las personas que no visitan los consultorios de obstetricia y ginecología durante el embarazo? Las leyes de detección solo protegen a quienes pueden acceder a la atención. En 2022, más de 1/3 de las madres de Texas cuyos bebés fueron diagnosticados con sífilis congénita no recibieron cuidado prenatal. Cada uno de estos casos representa una falla de nuestro sistema médico actual, un sistema que debería proteger a los más vulnerables pero que no puede llegar a quienes más lo necesitan.

Las barreras socioeconómicas y sistémicas a menudo limitan el acceso a la atención sanitaria de las poblaciones y comunidades vulnerables. La sífilis congénita afecta desproporcionadamente a los bebés nacidos de madres que la padecen Acceso limitado a la atención sanitaria, Volatilidad inmobiliaria, pobreza, uso materno de drogas, Y Atención prenatal inadecuada. Muchas mujeres evitan o retrasan la atención prenatal debido al estigma, el miedo a ser juzgadas por los proveedores de atención médica o preocupaciones sobre las pruebas. Abuso de sustancias.

Imagínese, en lugar de depender únicamente de las mujeres que asisten a las citas prenatales para realizar pruebas de detección, podríamos identificar quién tiene mayor riesgo de dar a luz a un niño con sífilis congénita en el momento en que contacta con cualquier parte del sistema de atención médica. Utilizando los datos de los registros médicos electrónicos (EHR) y la inteligencia artificial (IA) existentes, podemos crear modelos predictivos capaces de predecir los resultados de salud materna e infantil.

Estos modelos pueden incluir cosas como el uso de atención prenatal, códigos postales y otros datos clínicos. Los pacientes identificados como de alto riesgo dentro del EHR pueden activar automáticamente una derivación de un enfermero navegador para una evaluación adicional y coordinación de la atención. En lugar de limitar la detección de sífilis a las visitas prenatales, este enfoque identificaría a los pacientes de alto riesgo en cualquier punto de contacto: departamentos de emergencia, atención primaria, salud conductual, tratamiento por uso de sustancias o clínicas de extensión comunitaria.

Los modelos predictivos ya han demostrado ser exitosos en mejorar otros resultados clínicos como septicemia, diabetes, e incluso nacimiento prematuro Ya contamos con el sistema EHR y los datos requeridos. Sólo necesitamos desarrollar e implementar el modelo. Estas historias de éxito demuestran que con el análisis de datos y la inteligencia artificial, mejorar los resultados de la sífilis congénita no solo es posible, sino que está al alcance de la mano.

Actualmente, las políticas tanto de Estados Unidos como de Texas se centran en los requisitos de detección de sífilis durante las visitas prenatales. Pero ¿qué pasa con las mujeres que no participan en la atención prenatal tradicional? ¿Cómo protegemos a sus hijos de la sífilis congénita? Debemos evaluar críticamente nuestro enfoque y desarrollar políticas que evolucionen con las realidades del sistema de atención médica actual.

Muchas mujeres embarazadas buscan atención en salas de emergencia o clínicas de atención de urgencia por problemas no relacionados, como infecciones urinarias, fiebre o tos. Estos encuentros presentan una oportunidad para que los proveedores de atención médica intervengan y prevengan la transmisión de la sífilis congénita. Las políticas deben actualizarse para garantizar la detección en cada encuentro de atención médica para las mujeres embarazadas que no cumplan con las pautas de detección existentes y el seguimiento dentro de las 48 horas para aquellas identificadas como de alto riesgo.

Si los pacientes de alto riesgo se identifican mediante modelos predictivos, los mapas geográficos pueden ayudar a los profesionales de la salud pública a orientar eficazmente los esfuerzos de divulgación. Esta herramienta crea mapas visuales que pueden revelar grupos de infecciones y resaltar puntos críticos donde se deben concentrar las pruebas, la educación y los recursos comunitarios. Los departamentos de salud suelen utilizar este enfoque para asignar recursos donde más se necesitan.

La financiación para desarrollar e integrar modelos predictivos en los sistemas EHR puede provenir de subvenciones estatales y de salud pública. Una vez desarrollado, el costo continuo de mantener el modelo sería mínimo en comparación con el costo acumulativo de la sífilis congénita. El costo promedio de hospitalización de un niño nacido con sífilis congénita es de $56,802, lo que equivale aproximadamente Cuatro veces más que un niño sin sífilis congénita. Prevenir incluso un pequeño número de casos compensará rápidamente los costos de inversión necesarios para desarrollar e implementar este modelo.

El fuerte aumento de la sífilis congénita representa un fracaso de nuestro sistema de salud, un fracaso definido por la pérdida de oportunidades de prevención. Si bien es posible que la IA nunca reemplace el componente humano de la atención compasiva, puede proporcionarnos los datos que necesitamos para lograr un impacto duradero en las poblaciones vulnerables y mejorar los resultados de salud materno-infantil.

Nuestra actual política disfuncional sigue estancada al borde de la negligencia. Tener la tecnología disponible y no utilizarla es, en muchos sentidos, un fracaso en el rescate. Pero la unión de la tecnología y la compasión puede cambiar el final de esta historia. Pienso en las miradas de mis alumnos, la decepción y la incredulidad en sus ojos. Ojalá pudiera decirles que esta es la última vez que verán nacer un niño con sífilis congénita, pero si las cosas no cambian, esto es sólo el comienzo.

Kayla Kelly, MSN, RN, CPN es instructora de enfermería y estudiante de doctorado en la Universidad de Texas en Tyler.

Fuente