Introducción y Objetivos
La adopción de registros electrónicos de salud (EHR) ha producido un crecimiento significativo en los mensajes entre pacientes y médicos, especialmente acelerado durante la pandemia de COVID-19. Este estudio investiga el contenido de estos mensajes en un gran sistema integrado de salud, con el objetivo de mejorar la carga de trabajo relacionada con los mensajes.
Métodos
El estudio fue llevado a cabo por el Programa de Medicina de Escritorio de Kaiser Permanente Northern California (KPNC), que utiliza algoritmos de procesamiento de lenguaje natural (NLP) en tiempo real para etiquetar y clasificar el contenido de los mensajes de los pacientes. Los datos fueron recolectados entre el 1 de abril y el 31 de agosto de 2023, abarcando mensajes de medicina de adultos, medicina familiar y pediatría. Las etiquetas fueron asignadas a los mensajes según categorías predefinidas, y se utilizó Python para el análisis estadístico.
Resultados
Se analizaron 4,709,261 mensajes de pacientes, de los cuales 3,655,065 (77.6%) recibieron al menos una etiqueta. Las categorías más comunes fueron relacionadas con medicamentos (32.8%), condiciones de la piel (9.3%), mensajes con archivos adjuntos (8.3%) y contenido emergente para revisión expedita (7.6%). Aproximadamente el 29.2% de los mensajes incluyeron al menos dos etiquetas, siendo las combinaciones más frecuentes las de condiciones de la piel con medicamentos y condiciones de la piel con archivos adjuntos. La variabilidad semanal de las etiquetas fue baja para sustancias controladas y medicamentos, y alta para etiquetas relacionadas con vacunas contra la influenza y COVID-19.
Discusión
El estudio proporciona información valiosa para los sistemas de salud sobre cómo abordar el alto volumen de comunicaciones electrónicas entre pacientes y médicos de manera eficiente. Identificar categorías comunes puede ayudar a desarrollar enfoques a nivel poblacional para reducir el volumen de mensajes en las bandejas de entrada de los médicos. Además, el análisis en tiempo real y la clasificación de contenido pueden acelerar la evaluación clínica para condiciones potencialmente emergentes. Aunque el programa demostró ser efectivo al resolver un tercio del volumen total de mensajes antes de que llegaran a los médicos, se necesitan mejoras adicionales, como la integración de modelos de lenguaje grande para mejorar la etiquetación y las respuestas.
Conclusiones
Los resultados sugieren que un enfoque sistemático para clasificar los mensajes de los pacientes, junto con flujos de trabajo regionales bien definidos, puede mejorar las respuestas oportunas y reducir significativamente el volumen de mensajes en las bandejas de entrada de los médicos.
Referencia Bibliográfica: #
Liu, V. X., Kaercher, P., Manickam, J., Smallberg, E., Bhutani, K., Mancha, M., & Lee, K. (2024). Content of Patient Electronic Messages to Physicians in a Large Integrated System. JAMA Network Open, 7(4), e244867. https://doi.org/10.1001/jamanetworkopen.2024.4867
Enlace al Artículo: #
Content of Patient Electronic Messages to Physicians in a Large Integrated System
