Antecedentes: un “never events” quirúrgico es un error prevenible que ocurre inmediatamente antes, durante o inmediatamente después de la cirugía. Varios factores contribuyen a la ocurrencia de eventos importantes de Never Events, pero se sabe poco sobre su riesgo cuantificado en relación con las características de una cirugía.
Nuestro estudio utiliza el aprendizaje automático para revelar y cuantificar los factores de riesgo con el objetivo de mejorar la seguridad del paciente y la calidad de la atención.
Métodos: Utilizamos datos de 9234 observaciones sobre estándares de seguridad y 101 análisis de causa raíz de “Never Events” reales e importantes, incluida la cirugía en el lugar equivocado y la retención de elementos extraños, y tres modelos aleatorios de aprendizaje automático supervisados por bosques para identificar los factores de riesgo.
Usando una técnica estándar de validación cruzada de 10, evaluamos las métricas de los modelos, midiendo su impacto en la ocurrencia de los dos tipos de eventos nunca a través de la impureza de Gini.
Resultados: Identificamos 24 factores contribuyentes en seis departamentos quirúrgicos: dos tuvieron un impacto de > 900% en Urología, Ortopedia y Cirugía General; seis tuvieron un impacto de 0-900% en Ginecología, Urología y Cardiología; y 17 tuvieron un impacto de < 0%.
La combinación de factores reveló 15-20 pares con una mayor probabilidad en cinco departamentos: Ginecología, 875-1900%; Urología, 1900-2600%; Cardiología, 833-1500%; Ortopedia,1825-4225%; y Cirugía General, 2720-13,600%. Cinco factores afectaron la ocurrencia de cirugía en sitio equivocado (-60,96 a 503,92%) y cinco afectaron cuerpo extraño retenido (-74,65 a 151,43%): dos enfermeras (66,26-87,92%), duración de la cirugía < 1 h (85,56-122,91%) y duración de la cirugía 1-2 h (-60,96 a 85,56%).
Conclusiones: Utilizando el aprendizaje automático, pudimos cuantificar el impacto potencial de los factores de riesgo en cirugías de sitio equivocado y elementos extraños retenidos en relación con las características de una cirugía, lo que sugiere que los estándares de seguridad deben ajustarse a las características de la cirugía en función de la evaluación de riesgo en cada quirófano.
Referencia: Arad D, Rosenfeld A, Magnezi R. Factors contributing to preventing operating room “never events”: a machine learning analysis. Patient Saf Surg. 2023 Mar 31;17(1):6. doi: 10.1186/s13037-023-00356-x. PMID: 37004090; PMCID: PMC10067209.
Compartir en
