jueves, 12 de noviembre de 2015

ERROR MÉDICO

 Fuente: www.intramed.net


Error médico
Este artículo presenta evidencia a favor de una distribución según la regla de potencia para los errores médicos y examina las consecuencias que tiene ese tipo de distribución.


Introducción

Los datos de ambos lados del Atlántico sugieren que, a pesar de las numerosas intervenciones para mejorar la calidad de la atención médica durante la última década, existe escasa evidencia de una reforma positiva [1].
Por ejemplo, en los Estados Unidos, un estudio de la Rand Corporation fracasó en demostrar que la iniciativa “pago por desempeño” redujera la incidencia de errores médicos [2]; y en el Reino Unido la iniciativa a gran escala Safer Patient Iniciative, “no tuvo efectos adicionales discernibles sobre la seguridad del paciente; la mejora en la atención tuvo la misma extensión en los hospitales con tratamiento y en los de comparación” [3].
Peor aún, en algunos escenarios de atención de la salud, existe realmente evidencia que sugiere que la calidad de la atención está deteriorada, a pesar del hecho de que los proveedores de atención médica han recibido un extenso entrenamiento en calidad de la atención [4].


Aunque pueden existir muchas explicaciones sobre el fracaso para reducir los errores médicos, este artículo examina la posibilidad de que el modelo para la reducción de los errores médicos pueda estar equivocado. Teóricamente, los errores médicos deberían seguir una distribución según la regla de Pareto• o la regla de potencia. Por el otro lado, virtualmente todas las intervenciones para reducir el error médico asumen que esos errores siguen una distribución Gaussiana o en forma de campana.

Sobre la naturaleza de los errores médicos

En su trabajo seminal sobre los errores médicos, el Institute of Medicine (IOM) estableció que la prestación de la atención médica es tanto complicada como compleja [5]. La atención médica es complicada por sus múltiples agentes independientes y vías clínicas.
La atención médica es compleja porque “uno de los componentes del sistema puede interactuar con otros múltiples componentes” y esas interacciones son “tiempo dependientes”.
De acuerdo con el IOM, la prestación de la atención médica puede ser “caracterizada por su especialización e interdependencia”, de modo que sus “múltiples bucles de retroalimentación” son sensibles a la información.
Luego, el IOM definió al error médico, como “una falla en el proceso de brindar atención en un sistema complejo de prestación”.

Dado que brindar atención médica en tanto complicado como complejo, una cuestión clave se refiere a como están distribuidos los errores médicos. Muchos estudios sobre la reducción del error médico han asumido simple y explícitamente, que los errores médicos siguen una distribución Gaussiana (o una distribución de Poisson si el autor del estudio considera al “error médico” como una variable discreta) [6].
Aún los estudios de mayor intervención administrativa relacionados con la reducción del error médico, han asumido implícitamente que las ocurrencias del error médico siguen una distribución Gaussiana [7]. Dado que en la época del reporte del IOM, se predicaba la mejora de la calidad en los sectores de servicios industriales y comerciales, sobre la reducción de la variación, o más específicamente, el desvío estándar (o sigma) [8], no era irrazonable asumir que los errores médicos estaban distribuidos a lo largo de una curva con forma de campana. (Aquí, el término “reducción sigma” se refiere a cualquier estrategia o técnica de reducción del error, que asume que los errores médicos siguen una forma de distribución en campana y que luego intentan reducir la incidencia de los errores médicos estrechando el desvío estándar) [9].

Sin embargo, los tiempos están cambiando. Taleb, en su libro “Antifragile” del año 2003, observó que los errores en los sistemas sensibles a la información complicados y complejos, están distribuidos de acuerdo con la distribución de la Ley de Potencia. A priori, la observación de Taleb implica que si la prestación de la atención médica ocurre como la describió el IOM, los errores médicos deberían estar distribuidos de acuerdo con la Ley de Potencia. Similarmente, O´Boyle demostró que, a través de un amplio rango de industrias y tipos de trabajos, “el desempeño individual no está normalmente distribuido, por el contrario, sigue una distribución Paretiana [Ley de Potencia]” [10].
O´Boyle añadió: “cuando los datos del desempeño no conforman una distribución normal, entonces [los investigadores a menudo concluyen que el error “debe” estar en la muestra y no en la población”. Entonces, cuando los investigadores obtienen resultados no anticipados, a menudo asumen que algo está equivocado con la recolección de los datos, más que controlar sus propias suposiciones.

Los trabajos de Taleb y O´Boyle deberían alentar a los proveedores de atención médica, a reexaminar sus presunciones sobre cómo están distribuidos los errores médicos. El reexamen de las presunciones sobre cómo está distribuido el error médico, está limitado por una escasez de información pública relacionada con la ocurrencia de errores médicos a nivel individual, hospitalario, estatal y nacional [11].
Por lo tanto, para trabajar alrededor de esa limitación en el conocimiento, es necesario examinar las características distintivas de las distribuciones según la Ley de Potencia y la Gaussiana, así como el uso de los representantes del error médico (esto es, disciplina del médico y reclamos por mala praxis médica), para el error médico.

Tres factores distinguen la distribución Paretiana de la Gaussiana. Los eventos que siguen la distribución Gaussiana, ocurren independientemente uno del otro y esa independencia permite, para ambos, un cálculo confiable de la media y un análisis estadístico basado en la varianza. La curva en forma de campana de la distribución Gaussiana, significa que los eventos que ocurren a más de 3 más allá de la media son tan raros, que es razonable asumir que esos eventos no ocurren. Finalmente, la distribución Gaussiana es escala-dependiente, esto es, la forma de la curva de distribución depende de la sección de la curva bajo revisión.
En contraste, debido a la interdependencia de los eventos, en una distribución según la Ley de Potencia, mapea una curva parabólica, el concepto de media y varianza es socavado [12]. Además, las “colas gordas” de la distribución según la Ley de Potencia, significan que las ocurrencias que están más allá de 3 de la media, nunca pueden ser asumidas como cero [13].
Finalmente, tanto Mendelbrot como O´Boyle han observado, que la distribución según la Ley de Potencia demuestra una “invariación con la escala”, esto es, la curva de distribución de la Ley de Potencia tiene el mismo aspecto cuando es aumentada diez, cien o mil veces.

Cuando se combina con los datos representativos del error médico, si la curva de ocurrencia es escalable o no, puede ser usado como una herramienta para evaluar la distribución de los errores médicos. Considerar primero cómo los representativos de los errores médicos están distribuidos a nivel del proveedor. Bismark encontró que el número de reclamos por médico recibidos en una junta médica, se acercaba mucho a una distribución Paretiana de 80-20 [14].
En un estudio observacional de más de 9000 reclamos por mala práctica médica, Rolph demostró que el número de reclamos contra los médicos se adhería estrechamente a una distribución Paretiana de 80-20 [15], un hallazgo que ha sido observado por otros [16], incluyendo el National Practitioner Data Bank.

Al igual que los médicos, los hospitales son recelosos de informar sobre los errores médicos [18]. No sorprendentemente, no es fácil encontrar datos sobre errores médicos serios en los hospitales. Por lo tanto, es necesario recurrir nuevamente a los datos representativos. Considerar los datos de calidad hospitalaria del Leapfrog Group, que es una coalición basada en empleadores, que aboga por una atención médica hospitalaria mejorada promoviendo la transparencia [19].
Leapfrog califica a los hospitales desde “A” hasta “F”, dependiendo de las mediciones ponderadas de 28 métricas de calidad públicamente disponibles, que reflejan los errores médicos [20]. Si se consideran los datos de Leapfrog para 276 hospitales de California, se encuentra que 123 hospitales fueron considerados con calidad “A”, o relativamente libres de error; 63 hospitales fueron considerados con calidad “B”; 66 hospitales fueron considerados con calidad “C”; 18 hospitales fueron considerados con calidad “D”; ningún hospital fue considerado con calidad “E”; y 6 hospitales fueron considerados con calidad “F”, o propensos a errores [21].
Aunque esos datos no producen una curva de distribución parabólica perfecta, que es consistente con una distribución según la Ley de Potencia, los datos no conforman, definitivamente, una curva de distribución en forma de campana. A nivel de estado, los datos de Leapfrog también sugieren que los errores médicos están distribuidos de acuerdo con la Ley de Potencia [22].

Estos datos sugieren fuertemente que, para los médicos, hospitales y estados, la distribución de los errores médicos es parabólica y sin variaciones en la forma. Esos hallazgos no son definitivos, pero parece que la distribución de los errores médicos sigue una distribución según la Ley de Potencia. La preferencia de asumir que los errores médicos están distribuidos de acuerdo con una curva Gaussiana parece, en consecuencia, que refleja conveniencia. Sin embargo, debemos darnos cuenta que, asumir el fenómeno siguiendo una distribución Gaussiana cuando, en realidad, el fenómeno sigue una distribución Paretiana, puede tener consecuencias desastrosas [23].

Estrategia para la reducción de los errores médicos

Si más investigación demuestra que los errores médicos siguen una distribución Paretiana, se podría explicar porqué las intervenciones en la última década han fallado para reducir el sufrimiento del paciente. De manera breve, pudimos haber estado aplicando el modelo equivocado para las intervenciones sobre el error médico. En consecuencia, además de la conveniencia matemática, es importante considerar otros factores que mantienen el uso de las intervenciones para disminuir el error médico, basadas en la distribución Gaussiana.
La economía del comportamiento puede ayudarnos con este análisis. En particular, la economía del comportamiento enseña que el “pensamiento de grupo” tiende a cegar a los investigadores sobre las fallas en sus suposiciones [24], llevándolos a “sobreestimar cuánto comprendemos sobre el mundo y subestimar el papel del azar en los eventos”.
La ceguera de los investigadores se agrava por la “ley del menor esfuerzo”, que afirma que “si hay varias maneras de alcanzar el mismo resultado, la gente eventualmente gravitará sobre el curso de acción que demande menos esfuerzo”. Esa ley del menor esfuerzo tiene dos corolarios. Primero, dado que reemplazar una respuesta o conclusión intuitivamente plausible requiere un arduo trabajo, muchos investigadores no se toman el tiempo de pensar el problema del principio al fin.
El segundo corolario de esta ley es que, cuando se debe elegir entre alternativas, “los eventos recientes y el contexto actual tienen el mayor peso para determinar una interpretación”, porque “la consistencia de la información que importa en una buena historia, no es su completitud”.

Esos principios tienden también a explicar  cómo la investigación del error médico se ha vuelto corrupta. Por ejemplo, contrario a “la regla de los filósofos de la ciencia, que aconsejan comprobar las hipótesis tratando de refutarlas, la gente busca datos que probablemente sean compatibles con las creencias que sostienen en la actualidad”.
Similarmente, de acuerdo con Kahneman, los trabajos de consenso y editoriales pueden ser engañosos si el autor: “… al compartir un sesgo, el agregado de juicios no lo reducirá … [Por consiguiente] para obtener la información más útil de múltiples fuentes de evidencia, se debería siempre tratar de que esas fuentes sean independientes unas de otras … La práctica estándar de la discusión abierta brinda mucho más peso a las opiniones de aquellos que hablan temprano y asertivamente”.

La aplicación de esos principios a la investigación del error médico, marcha un largo camino hacia la explicación de la renuencia para deshacernos de las técnicas de reducción del error basadas en la distribución Gaussiana. La estrategia de reducción del error basada en la distribución Gaussiana (esto es, estrategia de reducción de sigma) fue desarrollada primero en la sección industrial y luego ampliamente adoptada por el sector de negocios [25].
Por consiguiente, en la estela de la publicación del IOM de 1999, “To err is Human”, el pensamiento de grupo convencional entre los reformadores de la atención médica, fue aplicar la estrategia de reducción sigma al campo de la atención de la salud, aun cuando brindar atención médica es fundamentalmente diferente de las industrias de manufacturación y servicios, porque los proveedores de atención médica no pueden especificar las condiciones iniciales de sus pacientes. Esto es, el éxito de las técnicas de reducción sigma en otros campos les permitió a los reformadores de la atención de la salud, “sobreestimar” el conocimiento de la naturaleza de los errores médicos.

Contra ese telón de fondo, la “ley del menor esfuerzo” creó la inercia inicial para deshacerse de las técnicas de reducción sigma del sector de atención médica. En ese sector, se sostuvo la estima por las técnicas de reducción sigma, no sólo porque sus matemáticas son más fáciles que el análisis Paretiano, sino también porque se bombardeó con información relacionada con el éxito de esas técnicas en otros campos.
Contemplando cómo resolver el complejo problema de la reducción del error médico, se usó una “heurística de la disponibilidad”, que dirigió la mirada hacia lo que está disponible en la actualidad y encontrar allí la respuesta. De hecho, si alguien fuera a argumentar que la reducción del error en la atención médica es, de alguna manera, diferente de la industria y del sector de servicios de negocios, podría destruir la “consistencia” de la aplicabilidad general de la narrativa de la reducción sigma.

En pocas palabras, cuando se ha confrontado con la propia inhabilidad para reducir los errores médicos mediante las estrategias de reducción sigma, se ha fallado sistemáticamente en comprobar las suposiciones sobre los errores médicos.
Peor aún, se continúa con una “doble apuesta” en ese modelo en el sector de la atención médica, porque se continúa afinando la aplicación del modelo. Esto es, más que comprobar las presunciones fundamentales sobre los errores médicos, se busca información que no refute el modelo de distribución Gaussiana, sino alguna información que lo confirme.

Está bien demostrado que doblar la apuesta sobre el modelo de reducción sigma para la reducción del error médico lleva a un mayor fracaso, por las intervenciones para reducir la cirugía del sitio equivocado (CSE) La CSE ocurre cuando el cirujano opera en una ubicación anatómica equivocada. Varias intervenciones administrativas han sido introducidas para reducir la CSE (por ejemplo, el uso de listas de comprobación y procedimientos preoperatorios estandarizados) [26]. Lo característico de esas intervenciones es el hecho de que están diseñadas para reducir la varianza e incrementar la conformidad del proveedor.
Por lo tanto, las intervenciones para la CSE apuntan a reducir el número de esos eventos asumiendo implícitamente una distribución Gaussiana. Esa presunción ignora el hecho de que las interacciones personales, entre el personal de la sala de operaciones, puede crear dependencias a corto y largo plazo, que podrían crear una distribución Paretiana.
Por lo tanto, no debe sorprender que una década de largo empleo de las técnicas de reducción sigma para evitar la CSE, haya fracasado en reducir la incidencia de ese error médico [27]. Peor aún, el número de procedimientos administrativos para combatir la CSE sólo ha aumentado la complejidad para realizar la cirugía.

Qué debe hacerse

La economía del comportamiento proporciona también alguna idea sobre lo que debe hacerse. Thaler y Sunstein [28], han observado que un “leve codazo” puede ser útil para resolver los problemas en la economía del comportamiento. Un leve codazo, como ha sido usado por esos investigadores, se refiere a “cualquier aspecto de la arquitectura de elección que altere la conducta de la gente de una manera predecible, sin prohibir cualquier opción o cambio significativo en sus incentivas económicas”.
Existen 6 opciones potenciales de codazo leve abiertas a las arquitecturas de elección para reducir los errores médicos. Esas opciones son: incentivos, comprensión de la asignación, valores por defecto, brindar retroalimentación, esperar errores y opciones complejas de estructura.

De esas opciones, 4 no serán discutidas en este trabajo. La comprensión de la asignación, establecimiento de valores por defecto, anticipación del error humano y opciones estructuradas, son todos específicos del sistema. Ante la ausencia de un sistema específico para discutir, hay poco para discutir. No obstante, cuando se diseña la investigación para la futura reducción del error médico, estos “leves codazos” deberían ser tenidos en cuenta.
Los incentivos son una historia más interesante. Independientemente de si los errores médicos siguen una distribución Gaussiana o Paretiana, la publicación de las tasas de error médico específicas de los proveedores, crea incentivos reputacionales para los proveedores [29].
Los proveedores que quieren permanecer en el mercado, deben evitar ser considerados como de baja calidad. Consecuentemente, los proveedores de atención médica evitan a los pacientes de alto riesgo, disminuyendo – por lo tanto – los costos de la atención médica, al disminuir el volumen de los servicios provistos [30].
En la medida en que las técnicas de reducción sigma fallan en reducir los errores médicos, el número en aumento de los errores médicos sólo incrementará los incentivos reputacionales de los proveedores de atención de la salud. Eso es algo bueno si se está interesado en controlar los costos de la atención médica.
Por el contrario, parece improbable que se puedan crear incentivos suficientes, para obtener que los defensores de la seguridad del paciente reexaminen sus presunciones sobre la distribución de los errores médicos. La razón es simple: así como los abogados y contadores prefieren un código tributario complejo para proteger sus medios de vida [31], el medio de vida de los expertos en tecnología para reducción sigma depende de la continuación y expansión de esas técnicas en el análisis del error médico.

Esto nos lleva a la última opción de “leve codazo”: la retroalimentación. Cuando la retroalimentación es “expresada confiadamente”, se pueden debilitar las conclusiones basadas en pensamiento de grupo. La retroalimentación tiene el potencial de estimular un “efecto de contagio” que puede superar la inercia del status quo.
El propósito de este artículo es brindar alguna retroalimentación para los defensores de la seguridad del paciente y específicamente solicitar que revean sus presunciones sobre la distribución de los errores médicos. Para hacer eso, los defensores de la seguridad del paciente necesitarán tomar  un abordaje de “grandes datos” para analizar números grandes de ocurrencia de errores médicos [32].

Si la investigación subsiguiente sugiere que los errores médicos están distribuidos de acuerdo con la Ley de Potencia, el método de manejar el error médico deberá cambiar. Se puede encontrar que los resultados mejoran si aprendemos a tolerar el “impacto mínimo” más frecuente de los errores médicos, para evitar el “impacto mayor”, menos común, de los errores médicos [33].
Por ejemplo, los resultados de las colecistectomías laparoscópicas pueden mejorar, si enfocamos nuestra atención sobre la cantidad de procedimientos realizados por el cirujano “sin” una lesión de la vía biliar, en lugar de preocuparse por la cantidad de casi accidentes que experimenta el cirujano durante la identificación de los conductos biliares.
Alternativamente, si se quiere disminuir la incidencia de errores médicos distribuidos según la Ley de Potencia, puede ser necesario remover algunas de las complejidades del sistema de salud de los EEUU [34]. Por ejemplo, se debería repensar el Joint Commission´s Universal Protocol previo a la cirugía. Ese procedimiento añade complejidad al comienzo de cada caso quirúrgico, dado que se requiere a todos en la sala de operaciones para revisar la operación planeada.
Sin embargo, al momento del procedimiento quirúrgico, si el sitio quirúrgico fue erróneamente marcado antes de la cirugía, dado que todos dependen de las afirmaciones de 1 o 2 individuos, en relación con la adecuación del consentimiento quirúrgico y del marcado del paciente, la aplicación del Protocolo Universal en la sala de operaciones no puede evitar siempre un evento centinela. Por lo tanto, podrían obtenerse resultados mejores si el Protocolo Universal es simplificado y se aumentan la penalidades por la obtención negligente del consentimiento quirúrgico y el marcado de los pacientes.
Finalmente, la implicación más importante de la distribución según la Ley de Potencia de los errores médicos, es el reconocimiento de que esos errores se originan de la interdependencia de varios proveedores de atención médica y no sólo del cirujano. No hay nadie interesado en culpar a los cirujanos por eventos fuera de su alcance.

Conclusiones

Cada vez más, los comentaristas están cuestionando si las iniciativas para la seguridad del paciente (especialmente el abordaje tipo “disparo de escopeta”, que implica un proceso de múltiples pasos para obtener un único objetivo) logran el resultado previsto, o si el resultado se debe a un efecto Hawthorn [35].
Otros comentadores han puntualizado que los resultados positivos de las iniciativas para la seguridad del paciente, son simples manifestaciones de un fenómeno estadístico de “regresión a la media” y, por lo tanto, no son evidencia de que las intervenciones de seguridad realmente ocasionen el resultado que se les atribuye [36].
En este trabajo, se ha avanzado otra razón de por qué las iniciativas de seguridad del paciente pueden fracasar: la posibilidad de que esté equivocada la suposición de que la ocurrencia del error médico se distribuye a lo largo de una curva en forma de campana. Por lo tanto, se ha intentado brindar una retroalimentación que provoque reflexión, porque parece que sí importa la distribución de los errores médicos.