Un nuevo enfoque permite aplicar algoritmos de Machine Learning para detectar señales tempranas en el abandono de tratamientos en pacientes crónicos.

Quiero compartir con usted un caso práctico que llevamos adelante con éxito: en respuesta a los retos de adherencia en tratamientos de enfermedades respiratorias crónicas (asma), una conocida multinacional integró nuestro software Florensys.

El problema de la adherencia y la detección temprana

El manejo efectivo de enfermedades crónicas es un componente crítico de la atención médica moderna, que requiere no solo el desarrollo de curas avanzadas sino también estrategias innovadoras para asegurar la adherencia. Contrariamente a lo que se podría suponer, muchas veces el compromiso y la responsabilidad del paciente con el tratamiento deja mucho que desear.

Una de estas estrategias prometedoras para trabajar esta problemática involucra la adaptación de técnicas de Análisis de Riesgo de Abandono (algoritmos de Churn Risk) del sector comercial para identificar pacientes que tienen mayor probabilidad de abandonar prematuramente sus tratamientos. 

Adaptación de Técnicas de Churn Risk al rubro de salud

Son estrategias que vienen del ámbito comercial, concretamente de los sectores de las telecomunicaciones y de la banca. Las técnicas de Análisis de Churn Risk están diseñadas para predecir qué clientes tienen más probabilidades de abandonar servicios o productos. Estos métodos utilizan algoritmos avanzados y modelos predictivos para analizar patrones de consumo para asignar un riesgo de abandono a cada cliente.

Reporte migratorio: analiza el desplazamiento de los pacientes entre zonas seguras y de riesgo a lo largo del tiempo. Fuente: www.florensys.com

En el contexto de la atención médica, estos modelos pueden adaptarse para identificar señales de alerta tempranas de pacientes que podrían dejar de seguir sus tratamientos. Al analizar patrones de prescripción, cumplimiento de medicamentos, visitas al médico, y otros marcadores de comportamiento de salud, podemos obtener KPIs de alertas para cada paciente.

Nuestro software Florensys identifica estas señales tempranas de abandono y las convierte en alertas de riesgo. Esto incluye detectar cambios en la conducta de compra de medicamentos, disminución en la interacción con los programas de apoyo al paciente y feedback negativo en encuestas.

Fragmento dashboard: KPIs de Churn, Retention y Acquisition que evalúan la salud y eficiencia general del programa de pacientes. Fuente: www.florensys.com

Al identificar estas señales, se puede intervenir proactivamente para apoyar a los pacientes, ofreciéndoles recursos adicionales, consejería o ajustes en sus tratamientos de manera temprana.

Paso a paso del caso

• Integración de Datos: Florensys se integró con las bases de datos de historiales de consumo de medicamentos de los pacientes. 
• Análisis Predictivo: El software analizó los datos para identificar pacientes con riesgo alto de abandono. Los modelos se recalculan continuamente con nuevos datos para mejorar su precisión.
• Intervenciones Personalizadas: Basándose en el análisis de Florensys, el cliente implementó estrategias de intervención personalizadas sobre los pacientes en riesgo. Entre las acciones se hicieron: contactos personalizados desde call center, envío de mailings, samplings y encuestas.
• Monitoreo y Ajuste: Florensys continúa monitoreando a los pacientes después de las intervenciones. Utiliza técnicas de A/B testing para medir la efectividad real de cada una de las intervenciones tempranas.

Reporte de cohortes: Ratios de abandono a lo largo del tiempo. Fuente: www.florensys.com

Resultados

Los resultados iniciales mostraron una mejora significativa en la adherencia al tratamiento entre los pacientes monitoreados por Florensys. Las intervenciones tempranas no solo ayudaron a prevenir el abandono del tratamiento sino que también contribuyeron a mejorar los resultados de salud de los pacientes.

Autor: Lic. Martín Marcelo Sgattoni
CEO de idealsur.com