Evaluating Redundancy and Biases in EHR Social Determinants of Health Data Screening

Este estudio analiza datos de 1,8 millones de pacientes de UNC Health para identificar redundancias en las preguntas sobre determinantes sociales de la salud y sesgos demográficos en su aplicación, proponiendo métodos para optimizar los flujos de trabajo clínicos y garantizar una recolección de datos más equitativa.

Lo esencial

Imagina que el sistema de salud es como un gran supermercado donde los pacientes son los clientes y los médicos son los cajeros. Hace poco, los dueños del supermercado se dieron cuenta de que para vender la mejor "comida" (salud), necesitan saber no solo si el cliente tiene hambre, sino también si tiene dinero para pagar, si tiene transporte para llegar o si vive en un barrio seguro. A esto le llaman Determinantes Sociales de la Salud.

Para saber esto, el supermercado le hace una lista de preguntas a cada cliente antes de pasar por la caja. Pero, ¿y si la lista es demasiado larga, aburrida y, además, trata a algunos clientes de forma diferente?

Este estudio es como un detective que revisó las listas de preguntas de 1.8 millones de clientes en el sistema de salud UNC. Su misión fue dos cosas:

1. ¿Estamos preguntando lo mismo dos veces? (La Redundancia)

Imagina que el cajero te pregunta: "¿Tienes dinero para comprar comida esta semana?" y, cinco segundos después, te vuelve a preguntar: "¿Te preocupa si podrás pagar tu despensa?".

El estudio descubrió que sí, estaban haciendo eso. Muchas preguntas sobre el dinero y la comida decían exactamente lo mismo, como si fueran dos espejos reflejando la misma imagen. Esto cansa al paciente y hace que la fila avance más lento.

• La solución: El estudio sugiere que el supermercado puede borrar las preguntas repetidas. Así, la lista se hace más corta, el cliente se siente menos agobiado y el cajero puede atender a más gente sin perder información importante.

2. ¿Tratan a todos por igual? (Los Sesgos)

Aquí es donde el detective encontró algo más preocupante. Resulta que el cajero no le hacía las mismas preguntas a todos los clientes de la misma manera.

• El problema: Descubrieron que a las mujeres y a los clientes blancos les hacían más preguntas que a otros grupos. Es como si el cajero pensara: "Tú pareces más necesitado de ayuda, así que te haré más preguntas".
• Otro detalle: También notaron que ciertos grupos (como personas de ascendencia indígena o latina) decían "no, no quiero responder" mucho menos que otros. Esto podría significar que se sienten presionados a responder o que no entienden por qué se les pregunta tanto.

¿Qué aprendemos de todo esto?

El estudio nos da un manual de instrucciones para que los hospitales dejen de adivinar y empiecen a ser más inteligentes:

1. Hacer la lista más corta: Si dos preguntas dicen lo mismo, borra una. Esto hace que la visita al médico sea más rápida y menos estresante (menos "carga" en el flujo de trabajo).
2. Ser justos con todos: Asegurarse de que el cajero le haga las mismas preguntas a todos los clientes, sin importar su raza, género o idioma. Esto evita que los datos estén "viciados" y asegura que nadie se quede sin la ayuda que necesita.

En resumen, los autores nos dicen: "No llenen formularios gigantes y desiguales. Hagan preguntas inteligentes, cortas y justas para todos". Así, la salud no solo depende de la medicina, sino de entender la vida real de las personas sin hacerles perder el tiempo ni tratarlas mal.

Resumen técnico

Resumen Técnico: Evaluación de la Redundancia y los Sesgos en la Detección de Determinantes Sociales de la Salud (DSS) en Registros Electrónicos de Salud

A continuación se presenta un análisis detallado del estudio, estructurado según los componentes técnicos solicitados:

1. Planteamiento del Problema

Las organizaciones de salud han integrado procedimientos de detección (screening) de los Determinantes Sociales de la Salud (DSS) en sus flujos de trabajo clínico, reconociendo su impacto crítico en los resultados de salud. Sin embargo, existen dos desafíos técnicos y operativos no resueltos:

• Redundancia de información: La posibilidad de que múltiples preguntas en las encuestas de DSS capturen información de riesgo duplicada, lo que genera una carga innecesaria en el flujo de trabajo clínico sin aportar valor adicional.
• Sesgos demográficos: La falta de evidencia sobre si la aplicación de estas preguntas o la tasa de rechazo a responderlas varían sistemáticamente según la demografía del paciente, lo que podría comprometer la equidad y la integridad de los datos.

2. Metodología

El estudio utilizó un enfoque cuantitativo basado en el análisis de datos masivos (Big Data) procedentes de 1.8 millones de pacientes del sistema UNC Health. Se emplearon dos estrategias analíticas principales:

• Evaluación de Redundancia: Se analizó la concordancia de respuestas entre pares de preguntas de DSS. El objetivo era identificar correlaciones estadísticas que indicaran que dos preguntas diferentes estaban midiendo esencialmente el mismo riesgo, permitiendo así cuantificar la redundancia de la información.
• Evaluación de Sesgos: Se utilizaron modelos de regresión logística para evaluar la probabilidad de dos eventos clave en función de las variables demográficas:
  1. Si un paciente fue sometido a la pregunta (exposición a la detección).
  2. Si el paciente se negó a responder la pregunta (tasa de declinación).

3. Contribuciones Clave

El principal aporte técnico de este trabajo es el desarrollo y la validación de métodos metodológicos que las organizaciones de salud pueden adoptar para auditar sus propios protocolos de detección de DSS. Específicamente, el estudio proporciona un marco para:

• Optimizar los flujos de trabajo clínico mediante la identificación y eliminación de preguntas redundantes.
• Diseñar protocolos de detección más sistemáticos y equitativos para mitigar sesgos en la recolección de datos.

4. Resultados Principales

El análisis arrojó hallazgos significativos en ambas áreas de investigación:

• Redundancia: Se identificó una alta redundancia en la información de riesgo, particularmente entre las preguntas relacionadas con la inseguridad alimentaria y la inseguridad financiera. Esto sugiere que estas categorías a menudo se superponen en la práctica clínica.
• Sesgos en la Detección: Se observaron disparidades demográficas en quién recibe las preguntas. Específicamente, las pacientes femeninas y los pacientes blancos tuvieron una mayor probabilidad de ser interrogados sobre ciertos DSS en comparación con otros grupos demográficos.
• Sesgos en la Respuesta: Las tasas de rechazo a responder variaron según la etnia. Los pacientes de raza indígena americana o nativa de Alaska y los pacientes hispanos o latinos fueron menos propensos a declinar responder las preguntas en comparación con otros grupos.

5. Significado e Impacto

Este estudio es fundamental para la mejora de la calidad de los datos en salud y la equidad clínica. Sus implicaciones prácticas incluyen:

1. Reducción de la Carga Clínica: Al eliminar preguntas redundantes identificadas mediante el análisis de concordancia, se puede acortar el tiempo de detección, reduciendo la fatiga del paciente y del proveedor sin sacrificar la calidad de la información de riesgo.
2. Equidad en la Recolección de Datos: La identificación de sesgos sistemáticos permite a las instituciones corregir sus protocolos para asegurar que la detección de DSS sea universal y justa, evitando que ciertos grupos demográficos sean subrepresentados o excluidos de los programas de intervención.
3. Mejora de la Integridad del Dato: Al estandarizar los protocolos basándose en estos hallazgos, se mejora la fiabilidad de los datos de DSS utilizados para la investigación y la toma de decisiones clínicas.