palabraiSYS es una fundación para desarrollar proyectos sociales de salud digital

Salud conectada 2

Salud digital en pandemia


Con algo de perspectiva, muchos nos preguntamos si la pandemia ha servido para impulsar la salud conectada. Se ha digitalizado mucho, pero se ha conectado poco. La salud digital nos ha ayudado a tener más información e incluso una mayor formación. Pero podríamos haber hecho un mejor uso de los datos.

El despliegue de la telesalud ha sido bastante extensivo pero muy irregular. E incluso en muchos casos no se puede considerar telesalud sino digitalización de la consulta presencial.

El uso de la mHealth podría haber tenido un mayor impacto sobre todo en el manejo y el control de pacientes crónicos durante el confinamiento.

 

¿Qué es teledermatología?

Hay dos maneras de clasificar la teledermatología según los intermediarios:

Directa. De implantación bastante reciente, aunque con aplicación especialmente en el sector de la medicina privada. El paciente contacta directamente con el dermatólogo a través de un videochat o mandándole las imágenes y obtiene la respuesta sin ningún otro intermediario.
Indirecta. Es la modalidad más utilizada en la sanidad pública. El médico de atención primaria es el interlocutor entre el paciente y el dermatólogo.

Otra manera de clasificar la teledermatología es:

En diferido ("store-and-forward"). Se utilizan fotos que se envían al dermatólogo, quien en más tarde las valora y emite el informe de vuelta.
En tiempo real (mediante videoconferencia), más equiparable a una visita cara a cara, aunque menos utilizada por su complejidad logística.

telemedicina pandemica 2

 

iSYScore pro

La presencia de teléfonos móviles y dispositivos inteligentes ha permitido el uso de apps para apoyar la atención del paciente. Sin embargo, los conocimientos sobre las recomendaciones de aplicaciones móviles específicas para los profesionales de la salud son escasos.

En este contexto, Fundación iSYS comienza su investigación con el objetivo de crear y validar una herramienta que evalúe apps de salud dirigidas a profesionales partiendo de una escala de confianza, utilidad e interés.

Utilizando una revisión de la literatura, se desarrolló un primer borrador de la escala. A esto le siguieron dos rondas Delphi entre el grupo de investigación local y un panel externo de expertos. Una vez alcanzado el consenso, se probó la escala de 17 ítems ISYScore-Pro resultante. Originalmente se identificaron un total de 280 aplicaciones para posibles pruebas (140 aplicaciones iOS y 140 aplicaciones Android). Éstas se categorizaron utilizando la Clasificación Estadística Internacional de Enfermedades, Décima Revisión. Una vez que se eliminaron las duplicadas y se descargaron para confirmar su especificidad para el público objetivo (es decir, profesionales de la salud), quedaron 66. De éstas, solo 18 cumplieron los criterios finales para su inclusión en la validación de la escala ISYScore-Pro.

La escala ISYScore-Pro utiliza una metodología fiable y reproducible (fiabilidad del interrater 92,2%; kappa 0,840; IC del 95%: 0,834-0,847; p <0,001) que estandariza la evaluación de la confianza, la utilidad y el interés utilizando 17 criterios basados en la literatura existente peer review y las aportaciones de un panel de expertos de profesionales de la salud.

Como conclusión de la investigación, que ha sido publicada en JMIR Publications (1), se ha considerado que la escala ISYScore-Pro es una metodología para evaluar objetivamente las aplicaciones de salud móviles dirigidas a profesionales y proveedores de atención médica. Sin embargo, se necesitarán investigaciones futuras para adaptar la escala a otros idiomas y en otros dominios (por ejemplo, cumplimiento legal o seguridad).

Referencias

(1) Grau-Corral I, Pantoja P, Grajales III F, Kostov B, Aragunde V, Puig-Soler M, Roca D, Couto E, Sisó-Almirall A. Assessing Apps for Health Care Workers Using the ISYScore-Pro Scale: Development and Validation Study. JMIR Mhealth Uhealth 2021;9(7):e17660 URL: https://mhealth.jmir.org/2021/7/e17660. DOI: 10.2196/17660


13 de julio post aprendizaje automáticoUn equipo de investigadores, dirigido por la Universidad de Cambridge, llevó a cabo una revisión de escritos científicos, publicados entre el 1 de enero y el 3 de octubre de 2020, describiendo modelos de aprendizaje automático (usando técnicas de Deep Learning y las más tradicionales de Machine Learning) capaces, teóricamente, de diagnosticar o pronosticar el Covid-19 a partir de radiografías de tórax (CXR) y tomografías computarizadas (TC). Se basaron en 2.212 escritos que inicialmente satisfacían sus criterios de búsqueda, pasando solamente 62 trabajos sus criterios de corte. Todos ellos fueron revisados por cinco equipos de dos revisores cada uno (en caso de conflicto, se solucionaba por consenso de los diez revisores).