.png){kind=logo}
La autorización previa (PA) retrasa el acceso a la atención necesaria, y las organizaciones sanitarias pueden aprovechar la IA para optimizar la PA.
La autorización previa (PA) plantea desafíos importantes dentro del sistema de salud. Una encuesta realizada por la Asociación Médica Estadounidense reveló que el 30% de los médicos han sufrido efectos adversos graves debido a los requisitos de la autorización previa, y el 94% experimenta retrasos en el acceso de los pacientes a la atención necesaria y percibe que esto repercute negativamente en los resultados de los pacientes. Los médicos y su personal dedican una media de dos días laborables a la semana a gestionar las solicitudes de asistencia física, lo que pone de manifiesto la considerable carga de tiempo que supone este proceso (1). Por el contrario, según America's Health Insurance Plans, el 98% de los planes encuestados afirman que la PA mejora la calidad de la atención y respalda el tratamiento basado en la evidencia; el 91% la utiliza para mejorar la seguridad del paciente y el 79% señala que supone un ahorro de costos (2). Sin embargo, persisten las ineficiencias administrativas; en 2018, solo el 12% de las solicitudes de asistencia pública fueron totalmente electrónicas, mientras que aproximadamente la mitad se procesaron manualmente mediante faxes y llamadas telefónicas, lo que supuso unos 25 000 millones de dólares en costes administrativos (3).
Para reducir el retraso en la aprobación del tratamiento de los pacientes provocado por el proceso de PA, se ha diseñado un modelo predictivo denominado «FastTrack PA» para predecir los resultados de las solicitudes de PA. Al utilizar los datos de los pacientes y los detalles del tratamiento, FastTrack PA busca agilizar el proceso de aprobación, reduciendo potencialmente la carga administrativa y los costos asociados.
El conjunto de datos sintético para el modelo se creó basándose en investigaciones y artículos de la industria, lo que garantiza una representación realista de las condiciones que rodean las solicitudes de PA. El modelo aprovecha variables como las comorbilidades, la gravedad de los problemas de salud y los detalles de los medicamentos, tal y como han analizado McKinsey & Company (1), Joseph, de Forbes (2), y Psotka y otros, extraídos de la publicación de la Value in Healthcare Initiative (3). Estos recursos permiten al modelo simular las complejidades de los procesos de megafonía del mundo real.
La autorización previa (PA) plantea desafíos importantes dentro del sistema de salud. Una encuesta realizada por la Asociación Médica Estadounidense reveló que el 30% de los médicos han sufrido efectos adversos graves debido a los requisitos de la autorización previa, y el 94% experimenta retrasos en el acceso de los pacientes a la atención necesaria y percibe que esto repercute negativamente en los resultados de los pacientes. Los médicos y su personal dedican una media de dos días laborables a la semana a gestionar las solicitudes de asistencia física, lo que pone de manifiesto la considerable carga de tiempo que supone este proceso (1). Por el contrario, según America's Health Insurance Plans, el 98% de los planes encuestados afirman que la PA mejora la calidad de la atención y respalda el tratamiento basado en la evidencia; el 91% la utiliza para mejorar la seguridad del paciente y el 79% señala que supone un ahorro de costos (2). Sin embargo, persisten las ineficiencias administrativas; en 2018, solo el 12% de las solicitudes de asistencia pública fueron totalmente electrónicas, mientras que aproximadamente la mitad se procesaron manualmente mediante faxes y llamadas telefónicas, lo que supuso unos 25 000 millones de dólares en costes administrativos (3).
Para reducir el retraso en la aprobación del tratamiento de los pacientes provocado por el proceso de PA, se ha diseñado un modelo predictivo denominado «FastTrack PA» para predecir los resultados de las solicitudes de PA. Al utilizar los datos de los pacientes y los detalles del tratamiento, FastTrack PA busca agilizar el proceso de aprobación, reduciendo potencialmente la carga administrativa y los costos asociados.
El conjunto de datos sintético para el modelo se creó basándose en investigaciones y artículos de la industria, lo que garantiza una representación realista de las condiciones que rodean las solicitudes de PA. El modelo aprovecha variables como las comorbilidades, la gravedad de los problemas de salud y los detalles de los medicamentos, tal y como han analizado McKinsey & Company (1), Joseph, de Forbes (2), y Psotka y otros, extraídos de la publicación de la Value in Healthcare Initiative (3). Estos recursos permiten al modelo simular las complejidades de los procesos de megafonía del mundo real.
