Documento descargado de http://www.elsevier.es el 13/02/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
ORIGINALES Saturación del servicio de urgencias: factores asociados y cuantificación
51.080
Miquel Sánchez, Òscar Miró, Blanca Coll-Vinent, Ernest Bragulat, Gerard Espinosa, Elisenda Gómez-Angelats, Sònia Jiménez, Carme Queralt, Josep Hernández-Rodríguez, Josep R. Alonso y José Millá Unitat d’Urgències de Medicina. Servei d’Urgències. Hospital Clínic. Barcelona. España.
FUNDAMENTO Y OBJETIVO: La utilización de los servicios de urgencias hospitalarios (SUH) es cada vez mayor, lo que conduce a su masificación. El objetivo del presente trabajo es definir la «saturación» de un SUH y determinar y cuantificar los factores que la condicionan. PACIENTES Y MÉTODO: Durante tres semanas consecutivas de años distintos (2000-2002) se contabilizaron cada 3 h las entradas, el índice de ocupación (IO) de los pacientes que permanecían en el SUH, en el área de primera asistencia (APA) y en el área de observación (AO) según la causa de dicha permanencia. Los datos se sometieron a análisis de regresión logística múltiple con la variable dependiente «saturación/no saturación» de cada una de las áreas (SUH, APA y AO). Se definió la saturación cuando el IO era igual o superior al 100%. Los modelos de cada área se calibraron por la prueba de Hosmer-Lemeshow y se discriminaron por metodología ROC. Los modelos explicativos se armaron separando aleatoriamente dos grupos: selección (88% de datos) y validación (12% de datos). RESULTADOS: Las variables que se asociaron de forma significativa a la saturación en el modelo del SUH fueron el IO debido a los pacientes que esperaban resultados, ir a una cama, encontrar cama, exploraciones complementarias y en evolución. En el modelo del APA, lo fueron el IO debido a los que estaban visitándose y esperaban resultados. Finalmente, para el modelo del AO lo fueron el IO debido a los que esperaban ir a una cama, encontrar cama, exploraciones complementarias y en evolución. Todos los modelos mostraron sensibilidad y especificidad superiores al 85% y un área ROC superior a 0,97. En ningún caso el número de pacientes que acuden a urgencias participó del modelo explicativo final. En el grupo de validación se confirmaron estos resultados. CONCLUSIONES: Los pacientes que permanecen en el servicio de urgencias por factores dependientes tanto del hospital (esperando ir a una cama o encontrar una cama) como del propio servicio de urgencias (esperando evolución) son la principal causa de saturación de los SUH. Palabras clave: Colapso asistencial. Servicios de urgencias. Análisis de regresión.
Emergency department overcrowding: quantification of associated factors BACKGROUND AND OBJECTIVE: Emergency department (ED) overcrowding has been increasing over the last years. The aims are to define «ED overcrowding», and to determine and quantify which factors explain it. PATIENTS AND METHOD: For 3 consecutive weeks throughout 3 years (2000-2002), we recorded every 3-hour period, the arrivals, the occupancy rate (OR) of patients in ED, in first aid area (FAA), and in observation area (OA) according to the reason for their stay. The data was subjected to multiple logistic regression analysis including as a dependent variable «non overcrowding/overcrowding» for each area (ED, FAA, and OA). Overcrowding was defined as an OR ≥ 100%. Models from the three areas were calculated according to goodness of fit and were discriminated by ROC methodology. Models were set up after randomizing data in two groups: selection set (88% of data) and validation set (12% of data). RESULTS: Variables associated with overcrowding in the ED model were OR of patients waiting for test results, for a bed going to be left, to find a bed, for test performed out of ED, and for outcome. In the FAA model, they were OR of patients being seen, and waiting for test results. Finally, in the OA model they were OR of patients waiting for a bed going to be left, to find a bed, for test performed out of ED, and for outcome. For all models sensitivity and specificity were greater than 85%, with a ROC area greater than 0.97. We did not find any relationship between number of arrivals and overcrowding for none model. Results were corroborated on the validation data set. CONCLUSIONS: Patients remaining in the ED due to factors related to both hospital (waiting for a bed going to be left, or to find a bed), and ED itself (waiting for outcome) are the main reason for ED overcrowding. Key words: Overcrowding. Emergency Service. Regression analysis.
Este trabajo ha sido realizado en parte gracias a la ayuda FIS 02/0479. Correspondencia: Dr. M. Sánchez. Servei d’Urgències. Hospital Clínic. Villarroel, 170. 08036 Barcelona. España. Correo electrónico:
[email protected] Recibido el 31-10-2002; aceptado para su publicación el 25-2-2003. 19
Los servicios de urgencias hospitalarios (SUH) constituyen el vértice de la pirámide del sistema de atención médica urgente donde convergen tanto los pacientes atendidos en el resto de los niveles de la red asistencial sanitaria como aquellos que acuden por propia iniciativa. Durante las últimas décadas estos SUH se han visto sometidos a una presión asistencial cada vez mayor. Como consecuencia, con excesiva frecuencia se acumulan esperas superiores a las que serían deseables, con el consiguiente deterioro en la calidad1 y la efectividad2. A estos períodos en los que el SUH se encuentra desbordado se los denomina comúnmente como de «saturación» o «colapso». Desde hace unos 15 años3-5 sociedades científicas han impulsado varios debates sobre la saturación que viven los SUH, sus causas, implicaciones y posibles soluciones. Así, el American College of Emergency Physicians consideró la saturación como el retraso en el traslado de un paciente desde el SUH a una cama del hospital3. En este mismo documento se aportaba una serie de propuestas para evitarla y, caso de aparecer, combatirla6. Sin embargo, a juicio de un reciente trabajo, esta definición abarcaría sólo una parte del problema y no tendría en consideración una serie importante de parámetros, tales como los tiempos reales de asistencia, los tiempos de tratamiento o los tiempos de espera para ser visitado7. Además de todos estos parámetros de índole interna ligados al funcionamiento del propio SUH, algunos parámetros de índole externa, como los cambios atmosféricos8, las epidemias de gripe9, los niveles de contaminación10, los ciclos lunares11 o los eventos deportivos12, se ha visto que también influyen en la utilización de los SUH. En conjunto, estos trabajos constituyen un interesante grupo de artículos de opinión, aunque no establecen una metodología para la medición de la saturación en los SUH, lo cual explicaría la existencia de distintos abordajes y explicaciones al problema. El objetivo del presente trabajo consiste en cuantificar, de forma objetiva, los períodos de saturación y determinar y cuantificar los factores que los favorecen. Med Clin (Barc) 2003;121(5):167-72
167
Documento descargado de http://www.elsevier.es el 13/02/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
SÁNCHEZ M, ET AL. SATURACIÓN DEL SERVICIO DE URGENCIAS: FACTORES ASOCIADOS Y CUANTIFICACIÓN
Pacientes y método El presente estudio se realizó durante tres semanas consecutivas del mes de febrero en 3 años consecutivos (2000-2002) en la unidad de urgencias de medicina (UUM) de un hospital universitario urbano de tercer nivel, que presta atención médica a una población aproximada de 500.000 habitantes y recibe al año unas 150.000 consultas urgentes. De éstas, unas 41.000 son atendidas en la UUM. Esta unidad dispone de un total de 46 cubículos, que se distribuyen en dos áreas física y funcionalmente distintas: el área de primera asistencia (APA), con 13 cubículos, donde se efectúan la visita médica y las exploraciones complementarias básicas que estén indicadas (radiología simple, electrocardiograma [ECG] y analítica), y el área de observación (AO), con 33 cubículos, donde permanecen los pacientes que no son dados de alta una vez terminada la primera asistencia. Así descrito, el flujo del paciente es unidireccional del APA al domicilio, hospitalización o AO, y desde el AO al domicilio o la hospitalización. La capacidad máxima del AO (33 pacientes) no puede ser superada, por lo que, cuando se alcanza esta cifra, los pacientes tributarios de ser trasladados desde el APA al AO deben permanecer en el APA, la cual sí puede superar su capacidad máxima ubicando a los pacientes en los pasillos o de dos en dos en los cubículos destinados, en principio, para un único paciente. Se realizaron 8 mediciones diarias a intervalos regulares de 3 h (a las 3, 6, 9, 12, 15, 18, 21 y 24 h) de las variables que se detallan a continuación: Variables dependientes Se calculó el índice de ocupación (IO) de la UUM (IOUMM), del APA (IOAPA) y del AO (IOAO) como el cociente entre el número real de pacientes ubicados en cada una de estas áreas y su capacidad total (46, 33 y 13, respectivamente), expresado en porcentaje. Para el propósito del presente estudio, se definieron tres variables categóricas dicotómicas, una para cada una de las tres áreas, que permitiesen estudiar su saturación: «saturación»/«sin saturación» de la UUM, «saturación»/«sin saturación» del APA y «saturación»/«sin saturación» del AO. Se definió que, para una medición determinada, la UUM, el APA o el AO estaban saturados («saturación») cuando sus IO eran iguales o superiores al 100%. Cuando esto sucedía, implicaba que las áreas analizadas estaban ocupadas, como mínimo, por el mismo número de pacientes para el cual habían sido diseñadas. En caso contrario, se consideraron no saturadas («sin saturación»). Variables independientes Se definieron los factores que pueden determinar los IO de cada una de las tres áreas estudiadas (UUM, APA y AO). Por un lado, se consideraron los determinantes externos (número de pacientes llegados a la UUM en las 3 h previas) y, por otro, los determinantes internos. Respecto a estos últimos, se identificaron 11 motivos específicos por los cuales un paciente puede permanecer en urgencias una vez empezada la visita, los cuales corresponden a cuatro grandes grupos2. Determinantes internos dependientes de urgencias: 1. Pacientes que esperan al médico (pacientes que ocupan un cubículo del APA aunque aún no haya entrado un médico a visitarles). 2. Pacientes en fase de visita (pacientes que ocupan un cubículo del APA porque aún no se ha completado la visita médica). 3. Pacientes que esperan resultados de las exploraciones complementarias básicas que se efectúan en urgencias (analítica, ECG, radiología simple). 4. Pacientes en evolución (pacientes en tratamiento y observación hasta decidir finalmente si ingresan o se procede al alta). Determinantes internos dependientes del hospital: 5. Pacientes sin cama (deben ingresar pero en el hospital no queda ni se prevé que vaya a quedar ninguna cama libre). 6. Pacientes que esperan ir a una cama (tienen una cama del hospital asignada, pero permanecen en ur-
168
Med Clin (Barc) 2003;121(5):167-72
gencias porque todavía no está preparada: alta no realizada, cama por limpiar, el paciente ingresado está pendiente de una ambulancia, etc.). Determinantes internos dependientes de la relación entre urgencias y el hospital: 7. Pacientes que esperan exploraciones complementarias realizadas fuera de la UUM (fibrogastroscopia, tomografías computarizadas, ecografías, entre otras). 8. Pacientes que esperan la visita de un especialista hospitalario externo a urgencias. Determinantes internos no dependientes de urgencias ni del hospital: 9. Pacientes que esperan a familiares (pacientes dados de alta de la UUM pero que permanecen en ella esperando a que acuda algún familiar para acompañarlos). 10. Pacientes que esperan una ambulancia (dados de alta de la UUM pero que permanecen a la espera de una ambulancia). 11. Pacientes que esperan asistencia social (serían dados de alta de la UUM pero permanecen en ella porque existen problemas sociales que lo impiden). En cada intervalo de 3 h, cada paciente que estaba en el SUH fue asignado a un único motivo específico de permanencia de los 11 citados. Según lo expuesto previamente respecto al flujo que, de forma teórica, el paciente sigue en el SUH, se deduce que los pacientes asignados a los motivos específicos 1, 2 y 3 deben ubicarse en el APA, mientras que los del 4 al 11 deben hacerlo en el AO. De esta manera, se calculó el IO debido a los motivos 1, 2 y 3 referidos a la capacidad del APA (13 cubículos) en porcentaje; el IO debido a los motivos 4 al 11 referidos a la capacidad del AO (33 cubículos) en porcentaje, y el IO de todos ellos referidos a la UUM (46 cubículos) en porcentaje. Finalmente, se calculó el IO de cada uno de los 4 grupos referidos a la UUM (46 cubículos) en porcentaje. El conjunto de variables independientes definidas permitió el estudio de la variable dependiente «saturación/no saturación» desde 5 puntos de vista, lo cual dio lugar a la construcción de 5 modelos explicativos: tres para la variable «saturación/no saturación» de la UUM (modelos 1 al 3), uno para la variable «saturación/no saturación» del AO (modelo 4) y otro para la variable «saturación/no saturación» del APA (modelo 5). En cada uno de ellos se incluyó como determinante externo el número de entradas en el SUH: Modelo 1. Incluye las 3 variables: entradas, IOAPA y el IOAO. Modelo 2. Incluye las 5 variables: entradas, el IO de cada uno de los 4 grandes grupos de determinantes internos («urgencias», «hospital», «relación urgencias-hospital» y «no urgencias ni hospital») referidos a la UUM. Modelo 3. Incluye las 12 variables: entradas, el IO atribuible a cada uno de los 11 motivos específicos. Modelo 4. Incluye las 9 variables: entradas, el IO atribuible a cada uno de los 8 motivos específicos propios del AO (pacientes en evolución, esperando exploración complementaria, especialista, encontrar cama, ir a una cama, familiares, asistencia social y ambulancia). Modelo 5. Incluye las 4 variables: entradas, el IO atribuible a cada uno de los 3 motivos específicos propios del APA (pacientes esperando médico, resultados, o visitándose). Para la construcción de cada uno de los modelos anteriores se seleccionó una muestra aleatoria del 88% de los registros. En el modelo máximo de los 5 modelos se incluyeron sólo aquellas variables que habían resultado significativas en el análisis univariante y, además, la variable «entradas», con independencia de cuál hubiese sido el valor de p, al considerar que podría tratarse de una variable de confusión en el análisis multivariante final. Con las variables resultantes de cada uno de los 5 modelos se efectuó un análisis de regresión logística múltiple hacia delante por pasos (forward stepwise), con un límite de entrada de
términos de 0,05 y para la salida de 0,10, para definir la función lineal de las variables independientes finalmente incluidas en el modelo que mejor permitía clasificar cada período. La calibración de los modelos resultantes se efectuó mediante la bondad del ajuste (goodness of fit [GOF]) de Hosmer-Lemeshow, la discriminación por medio del área bajo la curva ROC (receiver operating characteristic) y la posible colinealidad entre las variables mediante el factor de inflación de la variancia y la tolerancia. Se utilizó como punto de corte de probabilidad aquel que presentó una mejor relación entre sensibilidad y especificidad. Cada uno de los 5 modelos obtenidos fue evaluado aplicándolo al 12% de los datos que aleatoriamente no habían sido seleccionados para su construcción. En primer lugar, se determinó si este 12% de los datos era una muestra representativa de la totalidad de los mismos. En segundo lugar, se investigó la potencia clasificadora de cada modelo sobre la variable dependiente «saturación/sin saturación» por medio del área bajo la curva ROC. Análisis estadístico El análisis estadístico se realizó con el paquete estadístico SPSS 10.0. La descripción de las variables se llevó a cabo mediante la media (desviación estándar) y la normalidad de la distribución se comprobó mediante la prueba de Kolmogorov-Smirnov. La relación entre las variables independientes y la dependiente se estudió con la prueba de la t de Student (U de Mann-Whitney si se vulneraba la normalidad) para el estudio univariante, y el análisis de regresión logística múltiple (procedimiento forward stepwise) para el estudio multivariante. Para todas las pruebas estadísticas se aceptó que existían diferencias significativas cuando el valor de p fue inferior a 0,05.
Resultados Durante los días del estudio de los años 2000 al 2002, en cada uno de los períodos de 3 h, se registró una media (DE) de 14,4 (7,6) visitas, con un IO de la UUM del 70,5% (19,4), del APA del 48,6% (27,8), y del AO del 79,0% (22,9). Al analizar la totalidad de intervalos de tiempo del estudio, la UUM se halló saturada en el 10,7% de las mediciones, el APA en el 3,8% y el AO en el 23,8%. En las tablas 1 y 2 se detallan los valores de cada variable independiente candidata a formar parte del modelo explicativo final en cada uno de los cinco modelos planteados. Asimismo se exponen los valores de las variables independientes en el grupo de validación, y la comparación de éstos con los valores obtenidos en los datos seleccionados. Los dos grupos presentaron un comportamiento similar. Las variables de cada uno de los cinco modelos finalmente incluidas, después de efectuar el análisis de regresión logística múltiple, en el modelo explicativo final se detallan en la tabla 3. Es de destacar que, después de descartar la posible colinealidad de las variables y analizar las posibles variables de confusión, el número de pacientes que acudían a urgencias (variable «entradas») no formó parte de ninguno de los cinco modelos finales. La potencia discriminativa de los cinco modelos obtenidos fue notable, con un área bajo la curva superior a 0,95 en todos ellos (fig. 1). La mejor relación entre la sensibilidad y la especificidad, superior al 20
Documento descargado de http://www.elsevier.es el 13/02/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
SÁNCHEZ M, ET AL. SATURACIÓN DEL SERVICIO DE URGENCIAS: FACTORES ASOCIADOS Y CUANTIFICACIÓN
TABLA 1 Valores y comparación (prueba de la t de Student o U de Mann-Whitney) de cada uno de los determinantes incluidos en los 3 modelos de la unidad de urgencias de medicina en el grupo de datos utilizados para el análisis y en el grupo utilizado para la validación de los resultados A. Datos seleccionados UUM
Modelo 1 Entradas IOAPA IOAO Modelo 2 Entradas IOUUM atribuible a U IOUUM atribuible a H IOUUM atribuible a U-H IOUUM no atribuible ni a U ni a H Modelo 3 Entradas IOUUM por esperar médico IOUUM por estar visitándose IOUUM por esperar resultados IOUUM por esperar evolución IOUUM por esperar encontrar cama IOUUM por esperar ir a una cama IOUUM por esperar EC IOUUM por esperar especialista IOUUM por esperar familia IOUUM por esperar ambulancia IOUUM por esperar asistente social
Sin saturación UUM (n = 375)
Saturación UUM (n = 46)
14,1 (7,4) 46,8 (27,5) 74,4 (20,2)
B. Datos para validación
Valor de p (A frente a B)
p
Sin saturación UUM (n = 63)
Saturación UUM (n = 7)
p
Sin saturación
Saturación
20,5 (6,7) 72,8 (24) 115,2 (12,2)
< 0,001 < 0,001 < 0,001
12,6 (7,8) 40,7 (25,2) 76,1 (17,3)
20,7 (7,9) 62,8 (19,1) 117,2 (3)
0,019 0,043 < 0,001
0,178 0,129 0,555
0,966 0,339 0,394
14,1 (7,4) 37,1 (10,9) 19,9 (11,1) 7,1 (5,8) 2,6 (2,6)
20,5 (6,7) 49,7 (10,3) 37 (8,9) 11,5 (6,9) 4,9 (3,6)
< 0,001 < 0,001 < 0,001 < 0,001 < 0,001
12,6 (7,8) 38 (9,9) 18,7 (9,8) 7 (6,6) 2,4 (2,8)
20,7 (7,9) 50,7 (9,7) 42 (5,9) 5,8 (9,2) 3,3 (2,7)
0,019 0,004 < 0,001 0,673 0,469
0,178 0,535 0,461 0,983 0,503
0,966 0,825 0,186 0,076 0,270
14,1 (7,4) 1,5 (2,2) 3,9 (3,8) 7,8 (5,5) 23,8 (9,2) 13,6 (10,7) 6,2 (7,4) 4,1 (4,1) 3 (3,4) 0,5 (1,1) 1,4 (2,1) 0,7 (1,2)
20,5 (6,7) 2,9 (2,9) 5,3 (3,4) 12,3 (5) 29,1 (9,7) 21,8 (10,8) 15,2 (9) 6,1 (4,2) 5,4 (4,4) 1,4 (2) 2,9 (2,9) 0,6 (1,3)
< 0,001 0,005 0,028 < 0,001 0,001 < 0,001 < 0,001 0,004 0,002 0,013 0,002 0,711
12,6 (7,8) 1,7 (2,2) 2,9 (2,9) 6,9 (5,1) 26,5 (9,4) 13,4 (10,2) 5,3 (6,7) 3,6 (3,2) 3,5 (4,9) 0,3 (0,8) 1,6 (2,7) 0,4 (1,1)
20,7 (7,9) 1,8 (2,5) 6,2 (4,4) 9,8 (4,5) 33 (11,3) 26,1 (6,4) 15,9 (9,7) 2,9 (5,1) 2,9 (4,2) 1,8 (2,5) 1,4 (1,8) 0 (0)
0,019 0,900 0,015 0,191 0,124 0,004 0,001 0,646 0,788 0,211 0,887 0,006
0,178 0,492 0,058 0,258 0,054 0,871 0,382 0,396 0,365 0,086 0,529 0,150
0,966 0,388 0,606 0,250 0,384 0,350 0,846 0,096 0,204 0,651 0,224 0,006
Los resultados se expresan como media (DE). IOUUM: índice de ocupación de la unidad de urgencias de medicina; IOAPA: índice de ocupación del área de primera asistencia; IOAO: índice de ocupación del área de observación; U: urgencias; H: hospital; EC: exploraciones complementarias realizadas fuera de urgencias.
TABLA 2 Valores y comparación (prueba de la t de Student o U de Mann-Whitney) de cada uno de los determinantes incluidos en los modelos del área de primera asistencia (APA) y del área de observación (AO) en el grupo de datos utilizados para el análisis y en el grupo utilizado para la validación de los resultados A. Datos seleccionados APA
Modelo 4 Entradas IOAPA por esperar médico IOAPA por estar visitándose IOAPA por esperar resultados AO
Modelo 5 Entradas IOAO por esperar evolución IOAO por esperar encontrar cama IOAO por esperar ir a una cama IOAO por esperar EC IOAO por esperar especialista IOAO por esperar familia IOAO por esperar ambulancia IOAO por esperar asistente social
B. Datos para validación
Sin saturación APA (n = 405)
Saturación APA (n = 16)
p
Sin saturación APA (n = 67)
Saturación APA (n = 3)
14,5 (7,6) 5,5 (8) 13,6 (12,9) 27,8 (18,1)
20 (6,6) 12,1 (9,9) 30,2 (18,2) 70,3 (16,5)
0,008 0,003 < 0,001 < 0,001
12,8 (7,7) 5,6 (7,4) 10,9 (11,2) 24,8 (17,3)
Sin saturación AO (n = 318)
Saturación AO (n = 103)
p
Sin saturación AO (n = 56)
Saturación AO (n = 14)
14,2 (7,4) 31,8 (12,3) 15,8 (12,2) 8,3 (9,4) 5,4 (5,8) 4,1 (4,7) 0,7 (1,5) 2 (2,9) 1 (1,7)
16,6 (8) 40,9 (12,9) 34 (15,9) 15,3 (14,3) 7,8 (5,8) 5,9 (5,8) 1,5 (2,3) 2,8 (3,4) 0,8 (1,7)
0,008 < 0,001 < 0,001 < 0,001 0,001 0,008 0,003 0,029 0,318
12,7 (8,1) 35,2 (11,1) 17,4 (13,4) 7,6 (9,6) 4,6 (4,3) 4,5 (6,6) 0,4 (1) 2,3 (3,9) 0,6 (1,6)
16,1 (8,1) 48,7 (17,1) 32,8 (13,7) 13,9 (13,3) 6,1 (6,5) 5,6 (7,4) 1,8 (2,7) 2 (2,3) 0,2 (0,9)
28,5 (2,1) 19,2 (5,4) 19,2 (5,4) 53,8 (0)
Valor de p (A frente a B) p
Sin saturación
Saturación
0,006 0,013 0,308 < 0,001
0,098 0,945 0,139 0,225
0,015 0,343 0,423 0,191
p
Sin saturación
Saturación
0,219 0,077 0,430 0,631 0,358 0,543 0,083 0,638 0,157
0,820 0,061 0,810 0,743 0,329 0,857 0,697 0,435 0,098
0,202 0,021 0,001 0,066 0,350 0,645 0,109 0,831 0,447
Los resultados se expresan como media (DE). IOAPA: índice de ocupación del área de primera asistencia; IOAO: índice de ocupación del área de observación; EC: exploraciones complementarias realizadas fuera de urgencias.
85%, se obtuvo con un punto de corte de probabilidad de 0,3 (tabla 4). Respecto a la UUM, el modelo 3 fue el que presentó un mejor comportamiento. Finalmente, al aplicar los resultados al grupo de validación, se observó, excepto para el modelo 4, una potencia clasificadora con valores de sensibilidad y especificidad superiores al 80% (tabla 5), además de una alta potencia discriminativa (fig. 1). 21
Discusión En el presente estudio se demuestra que el IO es un buen marcador de la saturación del SUH por dos motivos. El primero, porque define la saturación de forma sencilla: IO igual o superior al 100%. El segundo, porque a partir de su análisis se pueden inferir algunos de los factores asociados a la saturación. La saturación de los SUH ha llegado a convertirse en un problema significativo a
escala internacional13-16 y está directamente asociado con un deterioro de la calidad asistencial y con un incremento del número de reclamaciones y denuncias17,18. Aunque entre los profesionales que trabajan en los SUH el término saturación ha sido ampliamente utilizado, aceptado y comprendido de forma intuitiva, no se ha establecido una definición del mismo, por lo que es frecuente hallar en la bibliografía más referencias de sus Med Clin (Barc) 2003;121(5):167-72
169
Documento descargado de http://www.elsevier.es el 13/02/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
1,00
0,75
0,75
0,75
0,75
0,75
0,50 Modelo 1. Selección. Área bajo la curva: 0,966 (IC del 95%, 0,948-0,984)
0,25
0,25 0,50 0,75 1,00 1-Especificidad
Modelo 2. Selección. Área bajo la curva: 0,957 (IC del 95%, 0,933-0,980)
0,25 0,00 0,00
0,25 0,50 0,75 1,00 1-Especificidad
0,50 Modelo 3. Selección. Área bajo la curva: 0,997 (IC del 95%, 0,962-0,992)
0,25 0,00 0,00
0,25 0,50 0,75 1,00 1-Especificidad
0,50 Modelo 4. Selección. Área bajo la curva: 0,997 (IC del 95%, 0,975-1,004)
0,25 0,00 0,00
0,50 0,25 0,00 0,00
0,25 0,50 0,75 1,00 1-Especificidad
1,00
1,00
1,00
0,75
0,75
0,75
0,75
0,75
0,50 Modelo 1. Validación. Área bajo la curva: 0,981 (IC del 95%, 0,946-1,017)
0,25 0,00 0,00
0,25 0,50 0,75 1,00 1-Especificidad
0,50 Modelo 2. Validación. Área bajo la curva: 0,991 (IC del 95%, 0,969-1,012)
0,25 0,00 0,00
0,25 0,50 0,75 1,00 1-Especificidad
0,50 Modelo 3. Validación. Área bajo la curva: 0,994 (IC del 95%, 0,978-1,009)
0,25 0,00 0,00
0,25 0,50 0,75 1,00 1-Especificidad
Sensibilidad
1,00
Sensibilidad
1,00
Sensibilidad
Sensibilidad
0,00 0,00
0,50
Sensibilidad
1,00
Sensibilidad
1,00
Sensibilidad
1,00
Sensibilidad
1,00
Sensibilidad
Sensibilidad
SÁNCHEZ M, ET AL. SATURACIÓN DEL SERVICIO DE URGENCIAS: FACTORES ASOCIADOS Y CUANTIFICACIÓN
0,50 Modelo 4. Validación. Área bajo la curva: 0,936 (IC del 95%, 0,874-0,998)
0,25 0,00 0,00
0,25 0,50 0,75 1,00 1-Especificidad
Modelo 5. Selección. Área bajo la curva: 0,997 (IC del 95%, 0,979-0,996)
0,25 0,50 0,75 1,00 1-Especificidad
0,50 0,25 0,00 0,00
Modelo 5. Validación. Área bajo la curva: 0,972 (IC del 95%, 0,931-1,014)
0,25 0,50 0,75 1,00 1-Especificidad
Fig. 1. Curvas ROC de las ecuaciones explicativas obtenidas en los diferentes modelos con los datos seleccionados (superior) y con los datos de validación (inferior). IC: intervalo de confianza.
consecuencias que de las causas que la precipitan. Una encuesta realizada en 1990 entre 227 hospitales de EE.UU. puso de manifiesto que, en situaciones de
sobrecarga asistencial, el 38% de los servicios de urgencias se ven obligados a mantener a pacientes ingresados sin cama en su servicio de urgencias, y que
TABLA 3 Determinantes seleccionados por regresión logística múltiple como variables explicativas de saturación en cada uno de los cinco modelos Modelo 1 IOAO Constante Modelo 2 IOUUM de pacientes dependientes del hospital IOUUM de pacientes dependientes de urgencias Constante Modelo 3 IOUUM de pacientes esperando ir a una cama IOUUM de pacientes esperando encontrar cama IOUUM de pacientes en evolución IOUUM de pacientes esperando resultados IOUUM de pacientes esperando exploraciones complementarias Constante Modelo 4 IOAPA de pacientes visitándose IOAPA de pacientes esperando resultados Constante Modelo 5 IOAO de pacientes esperando ir a una cama IOAO de pacientes esperando encontrar cama IOAO de pacientes en evolución IOAO de pacientes esperando exploraciones complementarias Constante
β (DE)
p
0,197 (0,033) –21,679 (3,496)
< 0,001 < 0,001
0,222 (0,035) 0,193 (0,033) –17,406 (2,511)
< 0,001 < 0,001 < 0,001
0,342 (0,058) 0,295 (0,055) 0,276 (0,052) 0,392 (0,085) 0,362 (0,085) –25,695 (4,245)
< 0,001 < 0,001 < 0,001 < 0,001 < 0,001 < 0,001
0,192 (0,057) 0,263 (0,069) –22,277 (5,594)
0,001 < 0,001 < 0,001
0,356 (0,059) 0,335 (0,052) 0,307 (0,054) 0,418 (0,079) –29,001 (4,561)
< 0,001 < 0,001 < 0,001 < 0,001 < 0,001
IOUUM: índice de ocupación de la unidad de urgencias de medicina; IOAPA: índice de ocupación del área de primera asistencia; IOAO: índice de ocupación del área de observación.
el 40% deriva a otros centros a pacientes llegados en ambulancia3. Asimismo, es frecuente la difusión periódica de noticias que destacan las esperas desmesuradamente largas que se producen en los SUH19. Sin embargo, hasta la fecha no ha existido un consenso en la definición de saturación. La aproximación más reciente vuelve a hacer más hincapié en sus causas y consecuencias, y la considera una combinación de siete variables: número de pacientes que esperan, número de pacientes esperando ser clasificados, esperando ser registrados, habitaciones llenas de pacientes, pacientes en los pasillos, pacientes esperando cama y el número total de visitas20. Para establecer una definición es necesaria la existencia de un indicador que mida lo que se pretende medir de la forma más sencilla, fiable y reproducible posible. El IO ha demostrado poseer estas características cuando se ha aplicado para determinar la ocupación de los hospitales de forma general y, por tanto, podría ser igualmente útil en los servicios de urgencias. El presente estudio viene a confirmar esta hipótesis. Bajo esta óptica, nuestro SUH estuvo saturado el 10,7% del tiempo estudiado. Por lo que hace referencia a las causas de la saturación, se aprecia que, de más
TABLA 4 Sensibilidad y especificidad (para varios puntos de corte de probabilidad), área de la curva ROC y valor de la prueba de Hosmer-Lemeshow de cada uno de los 5 modelos explicativos obtenidos por regresión logística múltiple Sensibilidad (%)
Modelo 1 Modelo 2 Modelo 3 Modelo 4 Modelo 5
170
Especificidad (%)
0,2
0,3
0,4
0,5
0,6
0,2
0,3
0,4
0,5
0,6
92,3 76,9 89,7 85,7 96,6
74,4 71,8 89,7 85,7 95,5
66,7 69,2 82,1 85,7 93,2
56,4 59 69,2 71,4 88,6
56,4 53,8 61,5 64,3 84,1
90 91,3 93,1 97,7 92,3
93,1 94,7 95,6 98,9 94,1
96 96 97,2 99,4 95,2
98,1 98,1 97,5 99,4 96,3
98,1 98,4 98,4 100 96,7
Med Clin (Barc) 2003;121(5):167-72
ROC (%)
χ2; p
96,6 95,7 97,7 98,9 98,8
150,6; < 0,001 137; < 0,001 162,7; < 0,001 88,6; < 0,001 312; < 0,001 22
Documento descargado de http://www.elsevier.es el 13/02/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
SÁNCHEZ M, ET AL. SATURACIÓN DEL SERVICIO DE URGENCIAS: FACTORES ASOCIADOS Y CUANTIFICACIÓN
TABLA 5 Potencia clasificadora sobre los datos de validación (n = 60) de los modelos explicativos, obtenidos por regresión logística múltiple a partir de los datos seleccionados, en cada uno de los 5 modelos iniciales Modelo 1 < 0,3 ≥ 0,3 Total Modelo 2 < 0,3 ≥ 0,3 Total Modelo 3 < 0,3 ≥ 0,3 Total Modelo 4 < 0,3 ≥ 0,3 Total Modelo 5 < 0,3 ≥ 0,3 Total
Sin saturación
Con saturación
Total
52 (96,3%) 2 54
0 6 (100%) 6
52 8 60
51 (94,4%) 3 54
1 5 (83,3%) 6
52 8 60
53 (98,1%) 1 54
0 6 (100%) 6
53 7 60
57 (96,1%) 2 59
2 0 (0%) 2
59 2 61
45 (93,7%) 3 48
2 10 (83,3%) 12
47 13 60
Punto de corte de probabilidad: 0,3. En la columna «sin saturación», entre paréntesis, la especificidad. En la columna «saturación», entre paréntesis, la sensibilidad.
general a más específico, ésta depende, en el primer modelo, del comportamiento del AO. En el segundo modelo, se aprecia que más concretamente depende de los pacientes cuya espera es atribuible al propio servicio de urgencias y de los atribuibles al hospital. Finalmente, en el tercer modelo, el más pormenorizado y el de mayor potencia clasificadora, la saturación se acaba atribuyendo a los pacientes que esperan resultados de pruebas diagnósticas (realizadas o no en urgencias) y, sobre todo, a la existencia de pacientes en evolución y que esperan ingresar, con o sin cama asignada. En conjunto, estas variables se repiten en los modelos explicativos de saturación para el APA y el AO. La consistencia de esta observación no sólo confirma un buen número de opiniones previas, sino que además permite cuantificar la influencia de cada una de las variables citadas en la saturación de un servicio de urgencias. En efecto, en dos estudios recientes se pedía a un elevado número de servicios de urgencias que expresaran, a su juicio, cuáles eran las causas que los conducían a la saturación21,22. Las respuestas apuntaban claramente a los determinantes objetivados en el presente estudio: disminución del número de camas hospitalarias, mayor gravedad de los pacientes, disminución del número de enfermeras, retrasos en laboratorio y radiología, y espacio insuficiente. Aunque el elevado número de pacientes que llegan al servicio de urgencias también se apuntó como una causa subjetiva de saturación, en ninguno de los 5 modelos analizados en el pre23
sente estudio se establece como variable explicativa de la misma. Este hecho, de gran relevancia, demuestra que el estudio objetivo de un problema puede llevar a resultados que no coinciden necesariamente con la opinión que a priori se tenía sobre el mismo. En esta misma línea, Schull et al23 publicaron, utilizando la regresión logística, que la saturación que los servicios de urgencias padecían cuando se realizaban obras en los hospitales no dependía del número total de visitas. A la luz de estos resultados, se debería cuestionar y estudiar el porqué de la existencia de un elevado número de pacientes en los servicios de urgencias dependientes del hospital y, concretamente, esperando ingresar (con o sin cama) hasta el punto de conducirlos a la saturación. Resulta, cuando menos, preocupante que la disfunción objetiva detectada del SUH sea causada por el propio hospital al cual pertenece. Hasta la fecha, determinados autores han dirigido sus esfuerzos más a alertar y lamentar la dramática disminución del número de camas hospitalarias3,24,25 que a proponer medidas específicas para corregir este hecho. Los pacientes que esperan ingresar permanecen en urgencias por dos motivos que, a nuestro juicio, traducen disfunciones hospitalarias distintas. El primer motivo se deduce de los pacientes que permanecen en urgencias porque no tienen ni van a tener cama, lo cual traduce un déficit estructural. El hospital no dispone de suficientes camas para el normal funcionamiento del SUH o, lo que es lo mismo, éstas se destinan a otras prioridades. El segundo motivo se deduce de los pacientes que van a tener cama pero permanecen en urgencias porque ésta no está preparada, lo cual traduce un déficit funcional de graves consecuencias. Entre estos déficit funcionales podríamos incluir la preparación tardía de los informes de alta de los pacientes ingresados, que el paciente almuerce en el hospital el día del alta, que ocupe físicamente la cama hasta que se le entregan los papeles del alta, la lentitud en preparar o limpiar las habitaciones y las camas una vez dada el alta, los cambios de turno de enfermería, el trabajo o la ocupación de enfermería con otros pacientes «absorbentes de tiempo», el colapso del servicio de asistentes sanitarios para el traslado de los pacientes o retrasos en el servicio de ambulancias, por citar sólo algunos. El diseño del presente estudio no permite establecer si las razones son una o varias, pero no parece difícil intuir una influencia multifactorial que acaba retrasando excesivamente el ingreso de los pacientes. Por tanto, además de la drástica disminución de camas apuntada en otros trabajos3,24,25, es posible objetivar la existencia de déficit funcionales que nada tienen
que ver con problemas presupuestarios y que podrían corregirse con una política de cambio de hábitos que evitara las graves consecuencias que sobre el servicio de urgencias tienen las actitudes apuntadas. A nuestro juicio, este cambio de actitud es más necesario que la reivindicación de más camas o más espacio para urgencias. El logro de estos dos últimos, sin la corrección del primero, sólo llevaría a que en los servicios de urgencias permaneciera la misma cantidad de pacientes esperando a ingresar. En efecto, existiría una disminución en el número de pacientes sin cama, pero con un aumento de idéntica magnitud de los pacientes que esperan a ingresar. El resultado neto sería la misma proporción de pacientes dependiendo del hospital que permanecerían en urgencias. En tanto se encuentra una solución de aplicación general al problema generado por la propia dinámica hospitalaria, una de las situaciones que actualmente se está viviendo es la tendencia a clasificar un mayor número de pacientes como «esperando evolución». Esta medida se fundamentaría en que la estancia de unas horas en urgencias permitiría un alta temprana, evitando un ingreso que, de producirse, de todas formas sería en urgencias durante un período no despreciable. Sin embargo esta actitud, que aparentemente podría considerarse razonable por el hecho de evitar ingresos y de paliar, siquiera parcialmente, el déficit de camas, puede tener resultados contraproducentes. Así, se ha señalado un mayor índice de revisitas de estos pacientes, y también se ha apuntado que, cuando finalmente no es posible el alta desde urgencias, su estancia hospitalaria es hasta un 13% mayor que la de los pacientes que son ingresados más tempranamente26. El impacto económico neto que este difícil equilibrio comporta debería ser evaluado en futuros estudios. Éstos, además, tendrían que tener presente la creciente influencia de una nueva variable: la profesionalización de los SUH. En efecto, la mayor profesionalización, dedicación y preparación del personal que trabaja en los SUH debería concretarse, en un futuro no muy lejano, en el reconocimiento de la especialidad de medicina de urgencias. Este hecho, al igual que ha sucedido en otros países27, debería aumentar la autonomía y capacidad de decisión de los profesionales, la calidad del servicio dispensado y, en última instancia, mejorar el flujo de pacientes y descongestionar los SUH. Finalmente, el presente trabajo presenta dos limitaciones que conviene comentar. La primera de ellas es metodológica. En las técnicas de regresión logística múltiple, un criterio habitual es incluir, en el modelo máximo, una variable indepenMed Clin (Barc) 2003;121(5):167-72
171
Documento descargado de http://www.elsevier.es el 13/02/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
SÁNCHEZ M, ET AL. SATURACIÓN DEL SERVICIO DE URGENCIAS: FACTORES ASOCIADOS Y CUANTIFICACIÓN
diente cada 10 acontecimientos. Esta premisa implica que deberían existir 10 casos de «saturación» por cada variable o determinante incluidos en cada uno de los cinco modelos máximos establecidos, hecho que no sucede en los modelos 3 y 4 (tabla 1). Sin embargo, existen tres observaciones que invitan a pensar, en el caso del modelo 3, que la realidad no debe alejarse demasiado de los resultados obtenidos: a) la concordancia de los resultados obtenidos en los modelos 3 y 2 (las variables más significativas del modelo 3 –«esperando cama» y «encontrar cama», así como «esperando evolución»– pertenecen, respectivamente, a determinantes atribuibles al hospital y a urgencias del modelo 2), concordancia que vuelve a establecerse con el modelo 5 (las variables o determinantes son los mismos en ambos, a excepción de la variable «esperando resultados»); b) la elevada potencia clasificadora y discriminativa hallada en el modelo 3, y c) los coeficientes obtenidos en el modelo 3 son muy similares a los obtenidos en el modelo 5. Por otra parte, la segunda limitación hace referencia a la validación externa de los resultados. Las diferencias estructurales, de recursos y de camas disponibles de los hospitales de nuestro país podrían inducir a pensar en comportamientos distintos de sus respectivos servicios de urgencias. Sin embargo, de forma similar a como se describe en la bibliografía anglosajona21,22,28, en líneas generales y debido a similares recortes de presupuestos y de camas hospitalarias de agudos, el comportamiento de la mayoría de los grandes hospitales urbanos de la red pública, que además son los que realizan la mayor actividad urgente y los que más repercusión social tienen, no debería ser, por desgracia, de-
172
Med Clin (Barc) 2003;121(5):167-72
masiado distinto del obtenido en el presente estudio. En definitiva, análisis posteriores en esta línea deberían permitir confirmar los hallazgos del presente estudio y ejercer de hilo conductor de soluciones que hagan más efectivos a nuestros servicios de urgencias.
REFERENCIAS BIBLIOGRÁFICAS 1. Miró O, Sánchez M, Coll-Vinent B, Millá J. Indicadores de calidad en urgencias: comportamiento en relación con la presión asistencial. Med Clin (Barc) 2001;116:92-7. 2. Miró O, Sánchez M, Coll-Vinent B, Millá J. Estimación del efecto relativo que ejercen los determinantes externos e internos sobre la eficacia de un servicio de urgencias de medicina. Med Clin (Barc) 2000;115:294-6. 3. Andrulis DP, Kellermann AL, Hintz EA, Hackman BB, Weslowski VB. Emergency Department and crowding in United States teaching hospitals. Ann Emerg Med 1991;20:980-6. 4. Derlet RW. Overcrowding in the ED. J Emerg Med 1992;10:93-4. 5. Lynn SG, Kellermann AL. Critical decision making: managing the emergency department in an overcrowded hospital. Ann Emerg Med 1991; 20:287-92. 6. American College of Emergency Physicians, Task Force on Overcrowding. Measures to deal with emergency department overcrowding. Ann Emerg Med 1990;19:944-5. 7. Derlet RW, Richards JR. Overcrowding in the Nation’s Emergency Departments: complex causes and disturbing effects. Ann Emerg Med 2000;35:63-8. 8. Delfino RJ, Murphy-Moulton AM, Burnett RT, Brook JR, Becklake MR. Effects of air pollution on emergency room visits for respiratory illnesses in Montreal, Quebec. Am J Resp Crit Care Med 1997;155:568-76. 9. Camp J. Caos en los servicios de urgencias. ¿Son las epidemias de gripe las únicas culpables? Med Clin (Barc) 1991;96:132-4. 10. Garty BZ, Kosman E, Ganor E, Berger V, Garty L, Wietzen T. Emergency room visits of asthmatic children, relation to air pollution, weather, and airborne allergens. Ann Allergy Asthma Immunol 1998;81:563-70. 11. Oderda G, Klein-Schwartz W. Lunar cycle and poison center calls. J Toxicol Clin Toxicol 1983; 20:487.
12. Miró O, Sánchez M, Borrás A, Millá J. Fútbol, televisión y servicios de urgencias. Med Clin (Barc) 2000;114:538-9. 13. Derlet RW, Richards JR. Overcrowding in emergency departments: problems of the past return with a fury. Emerg Med News 1998;20:2. 14. Graff L. Overcrowding in the ED: an international symptom of health care system failure. Am J Emerg Med 1999;17:208-9. 15. Kondro W. Relief at a price for emergency wards in Ontario. Lancet 1998;352:1451. 16. Shih FY, Ma MH, Chen SC, Wang HP, Fang CC, Shyu RS, et al. ED overcrowding in Taiwan: facts and strategies. Am J Emerg Med 1999;17:198202. 17. Miró O, Antonio MT, Jiménez S, De Dios A, Sánchez M, Borrás A, et al. Decreased health care quality associated with emergency department overcrowding. Eur J Emerg Med 1999;6: 105-7. 18. Miró O, Sánchez M, Millá J. Hospital mortality and staff workload. Lancet 2000;356:1356-7. 19. Doherty L. Crowded hospitals diverting patients. The Sydney Morning Herald, november 3, 1998. 20. Richards JR, Navarro ML, Derlet RW. Survey of directors of emergency departments in California on overcrowding. West J Med 2000;172:385-8. 21. Derlet RW, Richards JR, Kravitz R. Frequent overcrowding in US emergency departments. Acad Emerg Med 2001;8:151-5. 22. Derlet RW, Richards JR. Emergency department overcrowding in Florida, New York, and Texas. South Med J 2002;95:846-9. 23. Schull MJ, Szalai JP, Schwartz B, Redelmeier DA. Emergency department overcrowding following systematic hospital restructuring: trends in twenty hospitals over ten years. Acad Emerg Med 2001;8:1037-43. 24. Lynn SG, Hockberger RS, Kellermann AL. A report from the American College of Emergency Physicians Task Force on Hospital Overcrowding and Emergency Department Overload. Dallas, TX: American College of Emergency Physicians, 1989. 25. Kellermann AL. Déjà vu. Ann Emerg Med 2000; 35:83-5. 26. Krochmal P, Riley TA. Increased health care cost associated with ED overcrowding. Am J Emerg Med 1994;12:265-6. 27. Lindsay P, Schull M, Bronskill S, Anderson G. The development of indicators to measure the quality of clinical care in emergency departments following a modified-delphi approach. Acad Emerg Med 2002;9:1131-9. 28. McCabe JB. Emergency department overcrowding: a national crisis. Acad Med 2001;76:672-4.
24
