Los errores de medicación (MEs) representan un desafío crítico en el ámbito de la salud, con consecuencias potencialmente mortales para los pacientes y un impacto económico considerable. Se estima que los MEs generan una carga financiera anual de aproximadamente 42 mil millones de dólares a nivel global.

Otra preocupación relevante son los eventos adversos por medicamentos (ADEs), que no solo causan daños serios, sino que también contribuyen significativamente a los costos excesivos en el cuidado de la salud. A pesar de los esfuerzos internacionales por mejorar la seguridad en la medicación, los ADEs siguen siendo los eventos adversos más comunes en los hospitales, muchos de los cuales podrían haberse prevenido.

Para mitigar estos riesgos, se han implementado sistemas de soporte de decisiones clínicas (CDSS) y sistemas de entrada de órdenes médicas computarizadas (CPOE), diseñados para reducir los daños a los pacientes y optimizar los resultados en salud. Estos sistemas generan alertas de medicación basadas en reglas predefinidas que asisten a los profesionales de la salud en la revisión de dosis, interacciones medicamentosas, contraindicaciones, alergias y otras variables críticas.

Sin embargo, la efectividad de los CDSS ha sido objeto de debate. Aunque ofrecen beneficios potenciales, se estima que alrededor del 96% de las alertas generadas son ignoradas por los médicos, lo que puede contribuir a la ocurrencia de eventos adversos graves. Este problema, conocido como fatiga de alerta, surge cuando un volumen elevado de alertas con relevancia clínica limitada resulta en altas tasas de sobrescritura. Para contrarrestar esta situación, se han implementado diversas estrategias, como la desactivación de alertas irrelevantes y la integración de información contextual.

En la actualidad, la proliferación de registros electrónicos de salud (EHR) y la gran cantidad de datos de pacientes están impulsando el desarrollo de CDSS basados en inteligencia artificial (IA). A diferencia de los sistemas tradicionales basados en reglas fijas, la IA, mediante técnicas como el aprendizaje automático (ML), el aprendizaje profundo (DL) y el procesamiento de lenguaje natural (NLP), tiene el potencial de optimizar las alertas al analizar grandes volúmenes de datos, identificar patrones complejos y generar predicciones personalizadas, mejorando así la relevancia y utilidad de las alertas.

Para conocer más sobre este tema podes ver el ateneo 645 de Lucía Zerbetto haciendo clic acá.