Uso de Empudos Conductuales para el Tratamiento de la Diabetes

Los profesionales de la salud y las organizaciones de pagadores utilizan cada vez más los macrodatos para superar lo que podría llamarse un «defecto de los promedios» en la medicina tradicional: un tratamiento que se ha probado a nivel de población podría, de hecho, funcionar mejor para algunos individuos que para otros. El objetivo de la medicina de precisión es, por tanto, identificar tratamientos apropiados para un individuo, en lugar de una población, basándose en datos granulares de genotipos y fenotipos de su historial médico. La naturaleza individual basada en datos de dichos protocolos de tratamiento mejora las probabilidades de que un tratamiento específico funcione para un paciente específico.

Pero tanto la medicina tradicional como la de precisión se enfrentan a una « problema de última milla» que implica un cambio de comportamiento del paciente: incluso el tratamiento médico más apropiado será efectivo solo si el paciente sigue adelante con él. El costo de la falta de adherencia a los medicamentos se estima de forma conservadora en más de $250 mil millones al año en los Estados Unidos, y la mayoría de las remisiones hospitalarias después de la cirugía se deben a la no adherencia a los protocolos de alta.

Se han reconocido los problemas de adherencia al tratamiento y estudiado durante años, pero sólo recientemente se han utilizado técnicas derivadas de la ciencia del comportamiento para mejorar seguimiento del paciente. El Dr. Mitesh Patel, Director de la «Unidad de Empujamiento» de Penn Medicine, señala: «El comportamiento humano es la vía común final para la aplicación de casi todos los avances en medicina». Patel y otros, incluido un grupo de Deloitte, ahora están explorando si la medicina de precisión basada en datos también puede incorporar medidas conductuales de precisión que mejoran la disposición del paciente a seguir las recomendaciones de los médicos al ofrecer opciones dentro de un esquema de incentivos diseñado para abordar el perfil motivacional.

Los científicos del comportamiento están cultivando un repertorio cada vez más amplio de técnicas de empuje: sutiles ajustes de diseño en entornos que incitan a los individuos a adoptar automáticamente comportamientos que son en su mejor interés. Por ejemplo, la economista conductual Wharton Katherine Milkman y sus colaboradores pusieron a prueba la eficacia de «» estrategias» previas al compromiso» para incitar a la gente a vacunarse. Resultó que especificar — por escrito — la hora y el lugar exactos cuando y dónde se vacunarán resultó en un seguimiento considerablemente mejor que hacer un compromiso vago o general. Por lo tanto, una arquitectura pequeña y económica de elección proporciona una oportunidad real en el brazo para la salud de la población. Gamificación, programas «amigos» y recordatorios de mensajes de texto son otras tácticas familiares de nudge-for-health.

Pero no todo el mundo estará interesado en un juego para ganar puntos de salud, o motivado por un acuerdo previo al compromiso o un compañero que mantenga el control de sus comportamientos de salud. Del mismo modo que un tratamiento en particular no funcionará igual de bien para cada paciente, no todas las intervenciones conductuales empujarán a todos con igual eficacia.

Aquí es donde entra en juego el «engagement de precisión». Aplicado recientemente a la atención de la salud, combina la ciencia de datos y la ciencia del comportamiento para personalizar la intervención conductual más probable para motivar al paciente a cambiar un comportamiento y permanecer involucrado en un protocolo de tratamiento. En un programa de interacción de precisión, en lugar de personalizar únicamente medicamentos o protocolos de tratamiento, también se personalizan las intervenciones para obtener los comportamientos de compromiso deseados. Se alienta a los pacientes a adoptar comportamientos de salud recomendados con intervenciones adaptadas a sus propias personalidades, motivaciones, viajes de atención y desafíos de compromiso. Con la ayuda de tecnologías de inteligencia artificial y algoritmos de aprendizaje automático, es posible recomendar no solo medicamentos, sino también intervenciones conductuales dirigidas. En resumen, los big data se pueden utilizar para dar el empujón correcto al paciente (o médico) adecuado, en el momento adecuado y de la manera correcta, para mejorar la adherencia a las terapias basadas en la evidencia.

Para que el compromiso de precisión funcione, el proveedor necesita saber mucho sobre el paciente cuyo comportamiento debe ser influenciado. Esto incluye información demográfica y socioeconómica, cómo el paciente recibe las recomendaciones en persona o a través de una aplicación, el progreso del viaje asistencial y cómo responde a las señales e incentivos sociales. Todas ellas sirven como variables predictivas o de control en modelos analíticos que evalúan qué factores están asociados estadísticamente con los comportamientos de salud deseados.

Para ayudar en este análisis, la Unidad Penn Medicine Nudge está llevando a cabo un ensayo clínico patrocinado por Deloitte. El ensayo, dirigido por el Dr. Patel, busca entender cómo diferentes personas responden a diferentes tipos de motivadores para influir en los comportamientos de ejercicio entre adultos con sobrepeso y obesidad. Los pacientes son evaluados y colocados aleatoriamente en una de las tres intervenciones impulsadas socialmente diferentes: competitivas, colaborativas y de apoyo. Las intervenciones conductuales típicas como la gamificación y los incentivos sociales se exploran con los pacientes. El ensayo está recopilando los datos necesarios para predecir qué intervención funcionará para qué pacientes, para personalizar el incentivo que recibe un paciente junto con sus tratamientos personalizados.

Otro intento de compromiso de precisión está siendo puesto en acción en un entorno clínico en México. Las clínicas, llamadas Clínicas de Azucar (CdA) — la red privada más grande de clínicas de diabetes e hipertensión del país, se centran en el tratamiento de la diabetes para poblaciones medias y de bajos ingresos. Cuando los pacientes llegan por primera vez a la clínica, sus niveles de HbA1c (glucosa en sangre) suelen ser de alrededor del 11% (un nivel de «crisis»), pero dentro de un par de visitas centradas en el tratamiento y el cambio de comportamiento, sus niveles se estabilizan en aproximadamente el 7%. Esta caída da como resultado una reducción del 200% al 400% en los resultados negativos. Merece la pena celebrar este éxito a corto plazo. Pero el temor es que, a menos que los pacientes regresen año tras año, puedan volver a comportamientos antiguos y se perderán ganancias.

Miguel Garza, COO de CDA, dice que los datos pueden ser parte de la respuesta. Señala: «Llevamos más de siete años prestando atención a la diabetes y hemos visto a más de 30.000 pacientes en un modelo de ventanilla única. Así que tenemos una gran cantidad de datos. Necesitamos encontrar los empujones que eliminen las barreras y motiven a nuestros pacientes a hacer más ejercicio, a comer mejor y a tomar los medicamentos que se prescriben. Y necesitamos aprovechar los datos para averiguar qué empujones funcionan para qué pacientes».

CDA y Deloitte están estableciendo un laboratorio de aprendizaje de cambios de comportamiento para recopilar y analizar datos de interacción de precisión y crear algoritmos predictivos aplicables a la población más grande. Javier Lozano, fundador y CEO de CDA, dice que el objetivo es asegurarse de que los conocimientos de interacción de precisión aprendidos de las clínicas actuales se puedan escalar para apoyar a millones de personas con diabetes en México y más allá. Los cambios típicos que los pacientes con diabetes tienen que hacer en su estilo de vida suelen ser difíciles. Si podemos utilizar los datos de interacción de precisión para recomendar solo las intervenciones que probablemente influyan en cada paciente, reduciremos los costos de los pacientes y veremos mejores resultados.

En el CDA Learning Lab, se medirán los impactos de varios tipos de compromiso de precisión en diferentes objetivos de cuidado. Los objetivos incluyen la asistencia a la renovación de la membresía de la clínica en citas de 3 meses, el uso de comportamientos y hábitos saludables, y visitas clínicas para cosas como nutrición y asesoramiento psicológico. Las intervenciones conductuales de varios tipos, dirigidas sobre la base de la capacidad de respuesta del paciente a la colaboración y el refuerzo sociales, se probarán junto con una creciente biblioteca de contenido (mensajes) para determinar qué tipos de mensajes mejoran qué tipo de compromiso de los pacientes.

El éxito temprano en las clínicas CDA de compromiso están viendo con pacientes diabéticos es alentador, pero debería ser aún más impresionante a medida que se implementan planes de compromiso de precisión. Si estos van según lo planeado, el objetivo será probar y escalar lo que aprendemos para una variedad de enfermedades que pueden ser manejadas con cambios de comportamiento, incluyendo otros aspectos del síndrome metabólico (como la hipertensión y la obesidad) y el trastorno por uso de sustancias.

El campo de la gestión de enfermedades ha tenido una historia algo problemática. Creemos que esto se debe a que los empujones conductuales eficaces no han sido ampliamente utilizados. Así como las personas responden de manera diferente a las drogas, parece cada vez más claro que responderán de manera diferente a intervenciones de compromiso bien diseñadas y personalizadas.

—
Thomas H. Davenport James Guszcza Greg Szwartz
Via HBR.org