Errar es humano y los sistemas ofrecen apoyo para evitarlos. Un interesante trabajo analizó los errores de prescripción de medicamentos en relación con la duración de los turnos médicos, y los resultados demuestran algo que se intuía, pero donde no había datos cuantitativos.
Es un trabajo de análisis de errores de medicación entre los años 2012 y 2017 en el Sheba Medical Center en Israel. Los resultados son contundentes.
Link al artículo
https://doi.org/10.1093/jamia/ocaa219
Los médicos tenían más del doble de probabilidades de prescribir con un error de medicación si hacían un segundo turno o un tercer turno seguido (trabajar más de 8 horas, o trabajar más de 16 horas seguidas) - los turnos son de 8 horas.
Probabilidad de error | % |
---|---|
Único turno (8hs) | 0,88% |
Doble turno (16hs) | 1,88% |
Tercer turno seguido (24hs) | 2,10% |
Los errores también están relacionados con turnos de trabajo más complejos, donde los médicos eran 8,2 veces más propensos a errar en la prescripción durante turnos de alta demanda (donde se realizan mayor número de prescripciones por usuario).
Este trabajo también deja de manifiesto la relación entre error de prescripción y experiencia médica. Los médicos que llevaban menos de 6 meses empleados cometían un 0,6% más errores que los médicos que tenían más de 2 años en la institución.
La falta de experiencia con un nuevo medicamento también está relacionado con un mayor riesgo de prescribirlo con error.
Número de veces utilizado | % de error |
---|---|
Menos de 5 veces | 0,37% |
Entre 6 y 10 veces | 0,27% |
Más de 40 veces | 0,13% |
El tipo de error de prescripción más común era el prescribir un medicamento con una dosis no-recomendada por algún resultado de laboratorio reciente del paciente (no ajuste de dosis), seguido por dosis erróneas (menores o mayores a las requeridas) y por último interacciones entre medicamentos.
En este hospital implementaron un sistema de soporte a la toma de decisiones que alerta al médico al prescribir de una forma no-esperada, y este sistema no está basado en reglas simples sino en un algoritmo de Machine Learning llamado MedAware que presenta una alerta ante una prescripción outlier.
El 76% de estas alertas son útiles para el grupo médico, pero presenta un 24% de alertas que no son útiles, lo que genera muchas veces, fatiga de alertas, que es el principal desafío que tienen estos sistemas.