.png){kind=logo}
La mala adherencia provoca 125 mil muertes, el 10% de ingresos hospitalarios y cuesta 300 000 millones de dólares al año. La IA reduce riesgos.
La mala adherencia a la medicación es un desafío importante en la atención de las enfermedades crónicas, ya que aproximadamente del 50 al 70% de los pacientes se ven afectados. Aunque hay recetas escritas, el 20% permanece sin surtir, e incluso cuando se surten, solo la mitad se toma según las indicaciones (1). Este incumplimiento es costoso, tanto desde el punto de vista humano como económico, ya que provoca aproximadamente 125 000 muertes y el 10% de las hospitalizaciones al año, lo que se traduce en costos de hasta 300 000 millones de dólares (2 a 4). Los estudios revelan que las tasas de adherencia varían según la afección: los pacientes con cáncer muestran los niveles más altos, con un 80%, mientras que otras enfermedades crónicas tienen aproximadamente un 75% de adherencia (4).
Abordar la adherencia puede generar ahorros sustanciales en la atención médica. Por ejemplo, cada dólar que se gasta en medicamentos de venta con receta para ciertas poblaciones comerciales se traduce en una reducción de entre 3 y 10 dólares en los costos médicos (5), y una alta adherencia se correlaciona con un 8 a un 26 por ciento menos de hospitalizaciones y de un 3 a un 10 por ciento menos de visitas a la sala de emergencias (6). La adherencia a la medicación es multifacética y está influenciada por varios factores específicos de cada paciente, proveedor, medicamento y afección médica (7,8), lo que indica la necesidad de estrategias personalizadas para mejorar las tasas de adherencia y los resultados.
Se ha creado un modelo basado en la IA conocido como «MediComply AI» para anticipar los niveles de adherencia a la medicación. Este modelo evalúa varios factores clínicos y demográficos para detectar a los pacientes que tienen más probabilidades de desviarse de sus planes de tratamiento, lo que permite a los profesionales de la salud implementar intervenciones específicas y oportunas.
La base de datos sintética del modelo emula las condiciones del mundo real y se creó con información de una variedad de literatura sobre el cumplimiento de los medicamentos, incluidos los análisis de Brown y Bussell (2), los estudios de impacto de la adherencia a los medicamentos del NEHI (3), las evaluaciones de costos y uso de Roebuck y otros (4) (5), las evaluaciones de riesgo relacionadas con la falta de adherencia relacionada con los costos de Briesacher y otros (6) y revisiones más amplias de las estrategias de intervención de adherencia de Viswanathan y otros (8) y Conn y otros (9). Estas fuentes guían el rango y la dinámica de las variables utilizadas para predecir la adherencia, lo que garantiza la precisión y la relevancia del modelo.
