ESI Triage in Pediatrics: a Chilean Experience

El Triage es una herramienta clave del proceso asistencial [1]. Existen diferentes propuestas de Triage en el mundo [2-3], generadas en países como Canadá, Estados Unidos, Australia y España. En Chile, desde el Ministerio de Salud se promueve el uso del Emergency Severity Index (ESI) [4] como único Triage nacional; un beneficio de esta iniciativa es que ha permitido avanzar en oportunidad de atención en los hospitales que no utilizaban métodos de categorización de la demanda de urgencia. Sin embargo, la literatura científica internacional sobre la validez del ESI es escasa en adultos y prácticamente inexistente en pediatría.

En nuestra experiencia, una consecuencia de la implementación del ESI en un hospital pediátrico es el aumento significativo de pacientes categorizados C2. Este resultado puede explicarse por la decisión de implementarlo sin evaluar previamente su impacto en la realidad chilena. Dos debilidades del ESI que hemos observado en la práctica son: 1) no considera preguntas relacionadas con el motivo de consulta, perdiendo especificidad en la estimación del riesgo del paciente, y 2) requiere que sea realizado por una enfermera, cargos de los que no siempre disponen los hospitales para esta labor. Esto último es crítico en dos aspectos: aumenta el costo del proceso, al requerir recursos más especializados, y su efectividad es dependiente de la experiencia del operador.

Recientemente se ha avanzado en la investigación de métodos de Triage basados en Inteligencia Artificial, tanto a nivel internacional [5-6] como en Chile [7]. Aunque estos mecanismos han resultado prometedores desde el punto de vista de su capacidad predictiva, su aplicación aún es limitada, principalmente por su carácter experimental y la dificultad de auditar su lógica de funcionamiento. Por otro lado, el nivel de informatización de los hospitales de nuestro país es menor al que se observa en las investigaciones internacionales [8], por lo cual existe una escasa disponibilidad de datos para avanzar en investigación de alto nivel específica a la población chilena.

La plataforma Lahuén permite incorporar distintos modelos de Triage al proceso de atención de pacientes de Urgencia. Por ejemplo, en el Hospital Exequiel González Cortés, se encuentra implementado un Triage con estructura similar al ESI, pero que además incorpora, por una parte, el conocimiento experto del personal clínico, y por otra, el análisis estadístico de información histórica de atenciones de paciente. Esto último permite avanzar de un Triage construido exclusivamente en base a juicio experto hacia un algoritmo que además utiliza datos para realizar recomendaciones (data-driven). Este Triage utiliza árboles de decisión que incorporan variables como: el motivo de consulta, antecedentes de morbilidad, edad, y signos vitales; éstas son utilizadas por el sistema para proponer una categoría y una especialidad para atender al paciente, que pueden ser modificadas por el operador. Los motivos de cambio de categorías son evaluados constantemente para mejorar la inteligencia clínica del algoritmo o realizar capacitaciones al personal, facilitando así la mejora continua del sistema.

[1] J. G. Jiménez, ‘Clasificación de pacientes en los servicios de urgencias y emergergencias: hacia un modelo de triaje estructurado de urgencias y emergencias’, Emergencias, vol. 15, pp. 165–174, 2003.

[2] R. Beveridge, B. Clarke, L. Janes, N. Savage, J. Thompson, and G. Dodd, ‘Canadian emergency department triage and acuity scale: implementation guideline’, Can. J. Emerg. Med., vol. 1, no. 3, 1999.

[3] K. Mackway-Jones, J. Marsden, and J. Windle, Emergency Triage, Third Edit. 1997.

[4] R. A. Gilboy N, Tanabe T, Travers D and T. P. Gilboy N  Travers D, Rosenau A, ‘Emergency Severity Index (ESI): A triage tool for Emergency Department Care, Version 4. Implementation Handbook 2012 Edition. ’, AHRQ Publ. No. 12-00014. , p. 69, 2011.

[5] T. Goto, J. Camargo Carlos A., M. K. Faridi, R. J. Freishtat, and K. Hasegawa, ‘Machine Learning–Based Prediction of Clinical Outcomes for Children During Emergency’, JAMA Netw. Open, vol. 2, no. 1, pp. e186937–e186937, 2019.

[6] S. Levin et al., ‘Machine-Learning-Based Electronic Triage More Accurately Differentiates Patients With Respect to Clinical Outcomes Compared With the Emergency Severity Index’, Ann. Emerg. Med., vol. 71, no. 5, pp. 565-574.e2, 2018.

[7] P. Wolff, S. A. Ríos, and M. Graña, ‘Setting up standards: A methodological proposal for pediatric Triage machine learning model construction based on clinical outcomes’, Expert Syst. Appl., 2019.

[8] A. Rajkomar et al., ‘Scalable and accurate deep learning with electronic health records’, npj Digit. Med., vol. 1, no. 1, p. 18, 2018.