Estudios de Caso
Interdisciplinary Solutions utiliza @RISK para ayudar al Departamento de Salud e Higiene Mental de la ciudad de New York City a prepararse para futuras pandemias

El Departamento de Salud e Higiene Mental de la ciudad de New York (NYC DOHMH) es una de las agencias de salud p煤blica m谩s grande y antigua del mundo, con un presupuesto anual de $1,600 millones y m谩s de 6,000 empleados.

En octubre de 2008, su Programa de Previsi贸n de Emergencias de Salud, en colaboraci贸n con la Greater New York Hospital Association (GNYHA), fue galardonado por el Centro para el Control y la Prevenci贸n de Enfermedades (CDC) por su desarrollo de nuevas estrategias para mitigar una pandemia grave de gripe si llegara a producirse. Uno de los objetivos clave era estimar c贸mo un suceso de este tipo afectar铆a a los servicios de atenci贸n m茅dica esenciales.

Interdisciplinary Solutions analiz贸 la parte cuantitativa de este proyecto, de un a帽o de duraci贸n, utilizando su modelo Pan谩lysis que hace una previsi贸n de las demandas de atenci贸n m茅dica durante una pandemia, incluyendo requisitos de productos esenciales y necesidades de personal. Este modelo epidemiol贸gico integra @RISK el software de Palisade para el an谩lisis de riesgo y decisi贸n, y RISKOptimizer, para incorporar el factor de incertidumbre al modelo.

Uso de @RISK para evaluar la capacidad de profesionales de enfermer铆a
Se recogieron una amplia variedad de datos de los 64 hospitales de la ciudad de New York y, cuando no hab铆a datos disponibles, se utiliz贸 la opini贸n de los expertos y documentaci贸n para definir los rangos de las variables de las partes del modelo analizadas en @RISK. Con esa base, Interdisciplinary Solutions gener贸 m煤ltiples escenarios 鈥淵 si鈥︹ utilizando la simulaci贸n Monte Carlo para seleccionar aleatoriamente valores de variables, de forma que los resultados de cada una mostrara un rango de posibles valores. El siguiente ejemplo muestra la funci贸n de la simulaci贸n Monte Carlo, tal y como se utiliza en @RISK para determinar las necesidades de profesionales de enfermer铆a durante una pandemia grave.
 
El personal de enfermer铆a es uno de los recursos m谩s importantes durante una pandemia y su disponibilidad puede afectar significativamente a los servicios que ofrecen los hospitales durante una situaci贸n de emergencia. Sin embargo, durante una pandemia de gripe, la incertidumbre que rodea a la disponibilidad de los profesionales de enfermer铆a es sustancial. Para modelar y determinar la capacidad de personal de enfermer铆a necesaria durante una pandemia para atender a todos los hospitales y pacientes, Interdisciplinary Solutions consider贸 una serie de variables. El modelo incorporaba el n煤mero total de profesionales de enfermer铆a existentes en hospitales asociados, incluyendo los que ofrecen atenci贸n directa a pacientes y los que est谩n en funciones de supervisi贸n y administraci贸n, as铆 como profesionales de enfermer铆a registrados que trabajan a jornada completa y profesionales de enfermer铆a practicantes con licencia.

Tambi茅n se consider贸 el n煤mero de camas hospitalarias, el n煤mero de turnos que puede cubrir un profesional de enfermer铆a en una semana y el n煤mero total de turnos disponibles en una semana dependiendo de la ocupaci贸n previa a la pandemia. Tambi茅n se tuvo en cuenta el absentismo de profesionales de enfermer铆a cuyos familiares estuvieran afectados por la enfermedad o prefirieran evitar su exposici贸n al virus.

De esta forma, Interdisciplinary Solutions utiliz贸 @RISK para estudiar las diferencias entre los diferentes niveles potenciales de falta de profesionales y los efectos de las intervenciones dise帽adas para paliar esta escasez. Una de esas intervenciones consist铆a en la modificaci贸n por parte de la Agencia para la Calidad de la Atenci贸n M茅dica e Investigaci贸n (AHRQ) del est谩ndar de proporci贸n recomendada de pacientes por cada profesional de enfermer铆a. (Estas proporciones son de 16:1 para pacientes que no est谩n en la unidad de cuidados intensivos o ICU; y de 5:1 para pacientes de la ICU).

Despu茅s de determinar la proporci贸n real de pacientes por cada profesional de enfermer铆a en las diferentes 谩reas del hospital, Interdisciplinary Solutions estudi贸 los efectos del uso de este est谩ndar modificado recomendado de proporci贸n de pacientes por cada profesional de enfermer铆a en situaciones de emergencia donde hubiera escasez de personal. Generando decenas de miles de resultados se pudo demostrar que los casos hipot茅ticos promedio pueden ser muy enga帽osos a la hora de prepararse para una emergencia. Mientras que el resultado medio (es decir, promedio) de todas las intervenciones modeladas eliminaba la escasez de personal, la simulaci贸n demostraba que en un hospital de muestra, durante las semanas de m谩ximo impacto de la pandemia, se producir铆an los siguientes datos aunque se hicieran intervenciones:

  • Un 26.5% de probabilidad de escasez de personal
  • Un 10% de probabilidad de escasez de 46 profesionales o m谩s
  • Un 5% de probabilidad de escasez de 67 profesionales o m谩s
  • Un 1% de probabilidad de escasez de 102 profesionales o m谩s
  • Un nivel m谩ximo potencial de escasez de personal de 149 profesionales

Gr谩fico 1: Promedios y casos de falta de profesionales de enfermer铆a, medidos con la equivalencia de un empleado de jornada completa, usando el est谩ndar modificado de atenci贸n y todas las intervenciones disponibles

Uso de RISKOptimizer para crear escenarios de capacidad de recursos esenciales para los hospitales de la ciudad de New York
La planificaci贸n de pandemias graves resulta especialmente especulativa porque existen pocos datos retrospectivos disponibles sobre los que basar las previsiones. Por lo tanto, en lugar de estar sujetos a las limitaciones de los datos hist贸ricos, Interdisciplinary Solutions utiliz贸 RISKOptimizer, el programa auxiliar de optimizaci贸n de simulaciones de Palisade para Microsoft Excel庐, para analizar exactamente en qu茅 medida impactar铆an las pandemias a los recursos esenciales.

Dada la disponibilidad limitada de datos hist贸ricos, en estrecha coordinaci贸n con el equipo de expertos del DOHMH de New York y con el comit茅 de Servicios M茅dicos de Emergencia para pandemias de la ciudad, Interdisciplinary Solutions introdujo 11 variables que defin铆an el perfil de la enfermedad. Estas variables eran: Porcentaje de poblaci贸n infectada que necesita ayuda m茅dica; porcentaje de poblaci贸n que realmente requiere hospitalizaci贸n; duraci贸n promedio de estancia de los pacientes que no son de la ICU; e 铆ndice de mortalidad de la ICU suponiendo que no hubiera camas disponibles y de que hubiera escasez de respiradores. En las variables de entrada se usaron rangos realistas pero deliberadamente amplios para tener en cuenta la falta de puntos de datos hist贸ricos.

En lugar de usar RISKOptimizer para determinar los niveles m铆nimo y m谩ximo de escasez de un hospital determinado, Interdisciplinary Solutions introdujo las variables anteriores en el modelo para determinar los rangos m铆nimo y m谩ximo utilizados para definir las caracter铆sticas de la enfermedad. A partir de aqu铆, se crearon varios escenarios posibles para determinar los requisitos de camas normales y de ICU, de respiradores y de capacidad del departamento de emergencia que necesitar铆an los hospitales de la ciudad de New York en cada uno de esos casos. Para asegurar la exactitud del c谩lculo, Interdisciplinary Solutions ejecut贸 una serie extensa de simulaciones (hasta medio mill贸n en algunos casos) para determinar un punto m铆nimo o un punto m谩ximo que definiera el rango. De esta forma, estas t茅cnicas permitieron al DOHMH de la ciudad de New York utilizar un m茅todo cient铆fico l贸gico para hacer un c谩lculo que, de otro modo, depender铆a en gran medida de la pura suposici贸n.

“Por naturaleza, las situaciones de preparaci贸n para emergencias son especulativas y, por lo tanto, impredecibles. Al mismo tiempo, son de un alto riesgo extremo, porque est谩 en juego la vida de personas. La clave para gestionar esos sucesos es el reconocimiento de que nuestra capacidad de predicci贸n es limitada y, conociendo esa limitaci贸n, usar m茅todos cuantitativos para estudiar multitud de posibilidades鈥, explica Mark Abramovich, directivo de Interdisciplinary Solutions. 鈥淍RISK y RISKOptimizer, de Palisade, han sido dise帽ados para facilitar estas operaciones, y los resultados generados permiten a las organizaciones planificar una amplia gama de escenarios”.

Gr谩fico 2: Valores de las caracter铆sticas del perfil de la enfermedad que generan los niveles m铆nimos y m谩ximos de escasez, derivados de RISKOptimizer

Esta tabla, generada con los resultados de RISKOptimizer, muestra los valores m谩ximo y m铆nimo de las 11 variables del perfil de la enfermedad que se correlacionan con los niveles m谩ximo y m铆nimo de escasez de camas normales y de ICU, respiradores y visitas a la sala de emergencia, basados en una pandemia de gravedad similar a la ocurrida en 1918. La parte titulada 鈥淗arvey Ball鈥 demuestra en qu茅 quintil del rango posible de valores se encuentra el resultado.

Conclusi贸n
Los resultados del estudio est谩n siendo revisados ahora por el CDC.

Aprovechando este proyecto, ahora se puede extender este estudio para incluir otras variables de preparaci贸n para emergencias, como productos farmac茅uticos, personal que no sea de enfermer铆a y suministros de apoyo (por ejemplo, ox铆geno para los respiradores) que podr铆a causar que el equipo no funcionara correctamente. Adem谩s, se puede ampliar para analizar los efectos de extensi贸n geogr谩fica, espacial y temporal de la enfermedad.

Informaci贸n adicional

Distribuciones utilizadas
Unas pandemia grave es un suceso de baja probabilidad y alto impacto. Cuando se trata de casos de este tipo, el uso de distribuciones como la normal puede llevar a conclusiones err贸neas (y potencialmente peligrosas). Esto se debe a que los patrones cl谩sicos de distribuci贸n, como los de la distribuci贸n normal, se basan en la idea de que si hay un n煤mero infinito de puntos de datos hist贸ricos, o por lo menos muchos puntos de datos, se puede adaptar a la distribuci贸n una curva que coincida con los datos del patr贸n hist贸rico. Sin embargo, las mayores pandemias hist贸ricas aparecen aproximadamente cada 70 a 100 a帽os, y en consecuencia la recogida de datos no es muy s贸lida. Por lo tanto, Interdisciplinary Solutions utiliz贸 la opini贸n de los expertos para determinar algunos rangos iniciales, ya que la consultor铆a s贸lo ten铆a la pandemia de 1918 como referencia para el trabajo. Para RISKOptimizer, se us贸 una distribuci贸n triangular, reconociendo que no hay un patr贸n de datos hist贸ricos disponible. Cuando se us贸 @RISK, la consultora utiliz贸 el m茅todo del Hipercubo Latino con un punto inicial aleatorio que se encontraba en el rango estimado.

Informaci贸n general adicional:

  1. Una pandemia de gripe es un brote global de la enfermedad que se produce cuando aparece una nueva variante del virus de la influenza para la que la gente tiene muy poca o ninguna defensa y para la que no hay vacuna. La pandemia m谩s grave de gripe de la historia reciente fue la gripe aviar de 1918, que caus贸 la muerte de 660,000 personas en Estados Unidos de una poblaci贸n de 108 millones. Normalmente, las pandemias graves de influenza se producen aproximadamente cada 100 a帽os, y por lo tanto es importante que el sistema de sanidad se prepare para gestionar un intenso aumento de la demanda de servicios m茅dicos.
  1. Para el estudio del DOHMH de la ciudad de New York, Interdisciplinary Solutions recogi贸 datos de 64 hospitales de la ciudad y trabaj贸 con tres hospitales asociados para realizar un an谩lisis en profundidad. El caso de 1918 fue considerado como punto de referencia para este estudio con el fin de medir el impacto de una futura pandemia sobre los servicios m茅dicos de la ciudad de New York City, pero dada la entonces presente amenaza del H1N1, tambi茅n se incorporaron al trabajo las lecciones reales aprendidas de aquella experiencia.
  1. Por coincidencia, durante el estudio, la variante H1N1 (ahora considerada leve) de la gripe apareci贸 por todo el mundo, tambi茅n en la ciudad de New York, una regi贸n que fue considerada en gran medida el epicentro de la pandemia en Estados Unidos.
  1. El modelo Pan谩lysis de Interdisciplinary Solutions se cre贸 inicialmente en colaboraci贸n con el Centro para la Bioseguridad del Centro M茅dico de la Universidad de Pittsburgh, que proporcion贸 la experiencia de forma gratuita para desarrollar su misi贸n orientada a la defensa y la salud p煤blica. Desde entonces, los avances conseguidos incluyen la integraci贸n del software @RISK y RISKOptimizer de Palisade para el an谩lisis de riesgo y decisi贸n.

Esta publicaci贸n fue posible gracias a la Subvenci贸n N煤mero 1U90TP000138-01 de Centers for Disease Control and Prevention to Public Health Solutions en nombre del Department of Health and Mental Hygiene Healthcare Emergency Preparedness Program de la ciudad de New York. Los contenidos son responsabilidad exclusiva de sus autores y no representan necesariamente la visi贸n oficial de Centers for Disease Control and Prevention ni de Public Health Solutions o del Department of Health and Mental Hygiene Healthcare Emergency Preparedness Program de la ciudad de New York.

» @RISK




Palisade Latinoamérica
+1 607 277 8000 x318
800 432 RISK (EEUU/Canadá)
+1 607 277 8001 fax
+54 (11) 5252-8795 Argentina
+56 2581-3492        Chile
+507 836-5675        Panamá
+52 55 5350 2852   México
+51 1 708-6781       Perú
+57 1 508-5187       Colombia
servicioalcliente@palisade.com
ventas@palisade.com
Palisade
130 East Seneca Street
Suite 505
Ithaca, NY 14850
sales@palisade.com
www.palisade.com
Palisade EMEA & India
+44 1895 425050
salesEMEA@palisade.com
www.palisade.com
Palisade Asia-Pacific
+61 2 8249 8239
salesAP@palisade.com
www.palisade.com
Palisade アジア・
パシフィック
東京事務所
+81 3 5456 5287 tel
sales.jp@palisade.com
www.palisade.com/jp/
Palisade Brasil
+55 (21) 3958 1443
+1 607 277 8000 x318 tel
vendas@palisade.com
www.palisade-br.com