Introducción
En el ámbito de la atención médica, los Grupos Relacionados de Diagnóstico (GRD) han sido una herramienta fundamental desde su origen en 1980. Sin embargo, su adopción a gran escala ha enfrentado obstáculos, a pesar de su eficacia para clasificar pacientes y optimizar recursos. Hoy, en la era de la Inteligencia Artificial los GRD están resurgiendo. En este artículo te contamos sus ventajas y desafíos, así como su papel en la transformación de la atención médica hacía modelos de salud basados en el valor.
Qué son los GRD
¿Te has encontrado alguna vez con ideas que han sido revolucionarias pero quizás el momento de aparición no era el adecuado? Me atrevería a decir que con la adopción de los Grupos Relacionados por Diagnóstico o GRD por sus siglas en español ha sucedido algo así, y que hoy, por distintos motivos están resurgiendo.
Los Grupos Relacionados por Diagnóstico son un sistema de clasificación de pacientes que permite organizar la actividad asistencial de un hospital relacionando los diferentes tipos de pacientes tratados con el costo que implica su atención.
Imaginemos que alguien necesita atención por una cirugía de reemplazo de cadera, lo que ese paciente representa para el sistema de salud que lo atiende y que luego un aseguradora o financiador tendría que reembolsar al hospital que prestó los servicios puede ser determinado de distintas formas.
Una forma clásica es reembolsar una por una todas las prácticas que se le efectuaron (por ejemplo en honorarios, diagnóstico por imágen, laboratorios, entre otros), por los consumibles que requirió el paciente (descartables, medicación, prótesis) y también por el uso de las diferentes áreas del hospital (hora de quirófano, camas de internación u otras. Es una forma lógica, con mucha utilización actualmente y que se llama “Fee For Service” o “Pago por Práctica”. Como te imaginarás, nada nos dice si las prácticas han sido las adecuadas. Un riesgo de esta práctica es la sobre utilización de procedimientos, ya que hay pocos incentivos a la eficiencia en el uso de recursos vinculada a los resultados médicos conseguidos en el paciente.
Otra forma de pago, basada en datos históricos de casos con Reemplazo de Cadera, es armar módulos o paquetes específicos que basados en tasas de uso históricas de prácticas, servicios, productos y tiempos que usualmente estos pacientes han consumido, ajustado detalles por perfil de riesgo y características específicas que cada caso pueda tener.
Estos módulos o paquetes permiten determinar con mayor certeza el costo promedio de atención, así como sus máximos y mínimos derivados de la particularidad de cada caso, ya que la medicina no es una ciencia exacta, y cada paciente (y enfermedades) tiene sus variaciones (episodios). En definitiva, este módulo y su costo es lo que se reembolsa al prestador de atención.
Una ventaja de los modelos de pago modulados es que permiten estandarizar la actividad asistencial, y con ello hacerla comparable entre distintos hospitales así como también con normas o estándares de atención. Esta forma, donde se modula y permite la comparación entre pacientes, instituciones así como incentivar a la eficiencia es lo que recibe el nombre de Metodología Internacional GRD.
Desde su adopción, los GRD han demostrado ser una herramienta fundamental para el control de costos en el ámbito de la salud y para la mejora de la calidad asistencial. Entre sus ventajas más destacadas se encuentran :
- Mayor eficiencia en la gestión de camas hospitalarias .
- Incremento de la transparencia y reducción de la fricción en las relaciones entre pagadores y proveedores de servicios médicos.
- Utilización más efectiva de los recursos dedicados a la atención médica .
- Disminución del gasto administrativo qué no añade valor para los pagadores, los hospitales ni los pacientes.
A pesar de su lógica aparentemente simple y su eficacia probada a lo largo del tiempo, surge la interrogante sobre por qué los GRD no han sido implementados a gran escala en todo el mundo.
Bueno, hay matices…
Los GRD ofrecen una forma eficiente de clasificar a los pacientes según patrones de atención médica (similitud clínica) y costos similares (iso-consumo). Esto permite una asignación más precisa de recursos, una evaluación comparativa de la calidad de la atención y una predicción más precisa de costos y reembolsos. Sin embargo, su implementación puede enfrentar desafíos en términos de estandarización de datos, requerimiento de información necesaria para su uso y resistencia al cambio por parte de los sistemas de salud o sus tomadores de decisión.
La implementación de algoritmos como los utilizados en los Grupos Relacionados por el Diagnóstico (GRD), junto con la gestión del cambio necesaria durante la introducción de un nuevo método de pago, no es simplemente un proceso técnico. La política en torno a la introducción del sistema y el cambio esperado en los recursos generarán tanto partidarios como opositores. Por lo tanto, se requiere una sólida capacidad técnica por parte de los compradores, proveedores y ministerios de salud u otras agencias reguladoras relevantes para gestionar el sistema GRD, como también el “change management” necesario.
Entre los componentes y procesos técnicos necesarios, destacamos los siguientes :
- Algoritmos GRD: El desarrollo de un algoritmo de clasificación nacional y público es la tarea más compleja desde el punto de vista técnico. Por esta razón, la mayoría de los países comienzan con un algoritmo de agrupación GRD importado o se inspiran en uno existente, adaptándolo al contexto del país. La experiencia internacional muestra que las adaptaciones al sistema de gestión de información de salud, las modalidades de contratación y pago, así como los ajustes al algoritmo GRD importado, requieren varios años.
- Sistema de Información Hospitalario Efectivo: La calidad de los datos básicos es fundamental para la implementación de un sistema GRD. Sin embargo, un sistema GRD puede, con el tiempo, fomentar y mejorar continuamente la recopilación de datos para este y otros fines de política sanitaria. Es necesario contar con registros médicos electrónicos basados en sistemas de codificación estandarizados, así como sistemas de contabilidad de costos por episodio y por GRD.
En conclusión, las deficiencias en la recopilación o calidad de los datos no deberían ser un obstáculo para que un país u organización implemente un modelo GRD, ya que estos son herramientas que contribuyen a los objetivos de cobertura de salud universal. Los incentivos establecidos por el sistema deben ser cuidadosamente considerados para garantizar que la atención integrada se centre en las personas, y no únicamente en consideraciones económicas.
El Resurgimiento Actual
En la era de la IA y la salud digital, los GRD están experimentando un resurgimiento debido a su capacidad para integrarse con tecnologías avanzadas y aprovechar grandes volúmenes de datos médicos. La estandarización y clusterización de la casuística, el benchmarking clínico y económico, así como los sistemas de soporte a la toma de decisiones y la analítica predictiva, están potenciando el papel de los GRD en la transformación de la atención médica.
Para aprovechar al máximo los GRD hoy en día, es crucial asegurar la estandarización y calidad de los datos médicos, así como la interoperabilidad entre diferentes sistemas de salud y plataformas digitales. Además, se necesita una colaboración entre compañías HealthTech, profesionales de la salud y reguladores para garantizar la privacidad y seguridad de los datos.
La IA, la analítica de datos y la digitalización de registros médicos electrónicos son tecnologías habilitadoras clave que están impulsando el resurgimiento de los GRD. Estas tecnologías permiten una clasificación más precisa de pacientes, una optimización de recursos más eficiente y una toma de decisiones clínicas más informada.
¿Por qué Globant y Avedian?
Desde Globant Healthcare & Lifesciences AI Reinvention estamos trabajando junto a Avedian en ofrecer soluciones avanzadas de salud digital que integran los GRD con tecnologías de IA y analítica de datos. Nuestros servicios incluyen la implementación de sistemas de principio a fin utilizando algoritmos GRD propietarios y personalizados a la realidad de cada país y cada organización, la optimización de flujos de trabajo hospitalarios y la mejora de la calidad de la atención médica a través de la inteligencia artificial y de los últimos avances en tecnología.
Con más de 40 implementaciones en la región, contamos con la experiencia, equipos y escala disponibles para transformar como las organizaciones de salud hoy se enfrentan a desafíos tales como la auditoría de procesos médicos, el aumento de costos de los productos innovadores farmacéuticos y la transformación hacía modelos de pago basados en el valor.
Uno de los diferenciales que aplicamos en cada proyecto son las capacidades de una de las compañías de software y tecnología más admiradas del mundo como Globant en conjunto con el conocimiento experto sobre los sistemas de salud con sus desafíos, urgencias y necesidades que aporta Avedian
Los algoritmos GRD propietarios, tanto para casuística hospitalaria como poblacional, están disponibles desde el inicio en cada proyecto, siendo una de las razones por las que nuestros tiempos de implementación de proyectos con componente GRD, sea en analítica o como modelo pago, ronden los dos a tres meses en hospitales y entre seis -y ocho 8 meses en seguros de salud.
Credenciales y Casos de Éxito
Caso 1 : Grupo Keralty – Red de hospitales privados Colsanitas (Colombia)
Clínica Colsanitas, una destacada organización en Colombia dedicada a ofrecer servicios de salud integrales a través de su red de Entidad Promotora de Salud y Hospitales, así como su división aseguradora, forma parte del grupo Keralty, con presencia en múltiples países.
Clínica Colsanitas ha implementado la metodología de Grupos Relacionados por el Diagnóstico (GRD) para reformular su modelo de gestión de la red hospitalaria, marcando un hito importante hacia la optimización de la atención médica.
Este enfoque ha permitido una mejor planificación de recursos, una asignación más eficiente de fondos y una atención más personalizada para cada paciente, en línea con el paradigma de la atención centrada en el paciente. Los resultados han sido notables:
- Aumento significativo de la eficiencia en la gestión de camas, logrando una reducción del desperdicio del 35% en internaciones.
- Incremento notable en la seguridad de los pacientes hospitalizados, con una disminución del 27% en las complicaciones evitables.
- Optimización de los procesos hospitalarios, reflejada en una reducción del 5% en los reingresos evitables.
Caso 2: APROSS (Administración Provincial del Seguro de Salud de Córdoba, Argentina)
Apross es la Administración Provincial del Seguro de Salud, una entidad que brinda cobertura y aseguramiento de salud a los agentes en actividad y pasividad de los tres poderes del Estado provincial y de los municipios y comunas adheridos. Asimismo, puede otorgar cobertura a otras personas o grupos, a través de la afiliación voluntaria.
Tiene una comunidad de más de 630.000 afiliados siendo una de las 5 aseguradoras más grandes de Argentina. Cuenta con una red de casi 350 hospitales mono y polivalentes, un hospital propio de 400 camas y otros 15.000 prestadores diversos. Además, ofrece descuentos en 1600 farmacias adheridas.
En APROSS se utilizó la metodología GRD para reformular todo el modelo de pago a prestadores, antes basado en presupuestos fijos hacia un modelo de pago por resultado (value based healthcare). Esto permitió:
- Optimización del gasto un 32% por reducción de desperdicio en días evitables de internación
- Disminución del 40% en la estancia media promedio de la red (sobre un total de 90.000 internaciones anuales)
Adicionalmente, se utilizaron los GRD para integración y analítica avanzada de datos lo que permitió estratificar según niveles de riesgo a su población de afiliados y planificar mejor las estrategias de prevención, disease & case management.
Según la evidencia internacional, se tardaba en promedio tres años para implementar reformas similares al de APROSS, sin embargo, gracias a contar con algoritmos GRD propietarios y a tecnología específica, logramos reducir esos tiempos de implementación a 6-8 meses.
¿Cómo es nuestro approach?
Cómo Avedian y Globant facilitan la implementación de los GRD y potencian su rol como herramienta de analítica
Desde Globant Healthcare & Life Sciences AI Reinvention junto con Avedian, estamos ofreciendo soluciones avanzadas de salud digital que integran nuestros algoritmos GRD propietarios con tecnologías de IA y analítica de datos. Nuestros servicios incluyen la implementación de sistemas de GRD personalizados, la optimización de flujos de trabajo hospitalarios y la mejora de la calidad de la atención médica mediante la IA y los avances tecnológicos más recientes.
Con una amplia experiencia en la región, hemos liderado numerosas implementaciones exitosas en tiempo récord que han transformado la manera en que las organizaciones de salud enfrentan desafíos como la auditoría de procesos médicos, la gestión de costos y la transición hacia modelos de pago basados en el valor.
En resumen, los GRD están experimentando un renacimiento en la era de la IA, potenciando su papel como herramienta de gestión y analítica en la atención médica. Con el respaldo de compañías como Avedian y Globant, estamos redefiniendo la forma en que se gestionan los datos en salud, impulsando una transformación significativa en la prestación de servicios sanitarios hacia modelos más eficientes y centrados en el valor para los pacientes.
Autores:
Dr. Guillermo Tabares Martinez – Avedian CEO y Co Founder
Dr. Lucas Najún Dubos – Globant Healthcare & Life Sciences Partner
- Blog Gestión Sanitaria
- The Evolution of Diagnosis-Related Groups (DRGs): From Its Beginnings in Case-Mix and Resource Use Theory, to Its Implementation for Payment and Now for Its Current Utilization for Quality Within and Outside the Hospital. Quality Management in Health Care. 2009
- Transition to DRG Payments for Health: Lessons from Case Studies. International Development in Focus. Washington, D.C: World Bank; 2019.
- Diagnosis-Related Groups in Europe: Moving towards transparency, efficiency and quality in hospitals. European Observatory on Health Systems and Policies Series. World Health Organization. 2011
- Assessing health provider payment systems. A practical guide for countries working towards universal health coverage. Washington (DC): Joint Learning Network for Universal Health Coverage; 2015
- Key aspects related to implementation of risk stratification in health care systems. The ASSEHS study. BMC Health Services Research. 2017
- The long-run effects of diagnosis related group payment on hospital lengths of stay in a publicly funded health care system: Evidence from 15 years of micro data. Health Economics. 2022
- Health Technology, Quality, Law, and Ethics.The New Public Health (Third Edition). 2014
- Using diagnosis-related groups for studying variations in hospital admissions. Health Care Financ Review. 1988
- The effects of diagnosis-related groups payment on hospital healthcare in China: a systematic review. BMC Health Services Research. 2020
- DIAGNOSIS-RELATED GROUPS (DRG): A Question & Answer guide on case-based classification and payment systems. World Health Organization. 2020
- Challenges of implementing diagnostic‐related groups and healthcare promotion in Iran: A strategic applied research. Health Science Report. 2023
- https://youtu.be/EwB5rmdh7H0
- https://aws.amazon.com/es/solutions/case-studies/apross-case-study/
- EURODRG. Diagnosis-Related Groups in Europe: Moving towards transparency, efficiency and quality in hospitals. European Observatory on Health Systems and Policies Series. 2011
