Una paciente de 82 años con accidente cerebrovascular se encuentra en una cama de cuidados intensivos recibiendo atención médica, lo que le cuesta $2,000 cada noche que pasa, y ha estado allí durante seis días desde que fue dada de alta porque nadie puede confirmar qué centros de enfermería especializada tienen camas abiertas, aceptan Medicaid y ofrecen rehabilitación para accidentes cerebrovasculares. El planificador del alta ha realizado hasta ahora 23 llamadas y 14 faxes y no ha recibido respuesta. Esto no es un caso atípico; se trata de asistencia sanitaria Problema de remesas de 150 mil millones de dólares. Seguimos aprovechando la tecnología sin arreglar la arquitectura subyacente.
Los números cuentan la historia.
Los médicos estadounidenses derivan a más de 100 millones de especialistas anualmente; Sin embargo, Las investigaciones muestran que el 50% de estos nunca se completan. Las cosas empeoran cuando se trata de internaciones en cuidados intensivos; La duración de la estancia hospitalaria aumentó un 24% entre 2019 y 2022 para pacientes en espera de alta para atención de seguimiento. En Massachusetts, una de cada siete camas médico-quirúrgicas está ocupada por pacientes que ya no requieren cuidados intensivos pero no tienen dónde acomodarlos.
El impacto económico es devastador – sistemas de salud perder entre el 10% y el 30% de sus ingresos debido a pérdidas de referenciasPacientes que buscan ayuda fuera de su red. Esto equivale a una pérdida anual de entre 821.000 y 971.000 dólares en ingresos para cada médico. Esto es lo que informan los hospitales de California que admitir pacientes listos para el alta le cuesta al estado $2.9 mil millones anualmente. Aparte de eso, Más del 75% de los proveedores de atención sanitaria de América del Norte todavía dependen de máquinas de fax para recomendaciones en 2024.
Tres fallas estructurales que la tecnología por sí sola no puede solucionar
Por qué las soluciones “impulsadas por IA” siguen fallando
El enfoque típico trata a la IA como un complemento. Hay OCR para escanear recomendaciones en papel, widgets para autocompletar campos de EHR y algoritmos predictivos para evaluación de riesgos. Cada una de estas herramientas resuelve un pequeño problema ignorando la macrocatástrofe. No es sorprendente que más herramientas a menudo generen más trabajo manual y provoquen fatiga en lugar de alivio.
El mercado mundial de software de gestión de referencias de pacientes alcanzó los 16.140 millones de dólares en 2025 y se espera que alcance los 67.920 millones de dólares en 2034 El 87% de los directores de hospitales dice que las pérdidas de derivaciones son una prioridad máxima, mientras que el 23% no tiene ningún plan para monitorearlo. ¿Qué falta notablemente? IA que resuelve el problema real de coordinación, la brecha en el flujo de trabajo entre la derivación enviada y el paciente tratado.
Lo que realmente hay que construir
Una innovación de recomendación eficaz trataría las recomendaciones como problemas de optimización restringidos. Implica conectar a pacientes con necesidades clínicas específicas, requisitos de seguro y limitaciones geográficas con proveedores disponibles que puedan atenderlos en tiempo real y con confirmación bidireccional.
Así lo demuestra un análisis de mercado actual. El 40% de las organizaciones sanitarias han adoptado el análisis predictivo para comparar proveedores y Los paneles de seguimiento de recomendaciones en tiempo real mejoraron la eficiencia del procesamiento en un 45 % Al mismo tiempo, las fugas del paciente se reducen en un 30%.
Comparación inicial que preserva la protección de datos
Actualmente, coordinar una derivación significa que se deben enviar registros médicos completos antes de que alguien confirme la capacidad. Esto crea fricciones regulatorias y ralentiza todo. Un enfoque más inteligente sería primero hacer coincidencias basándose en criterios anónimos: “El paciente con accidente cerebrovascular necesita PT, seguro de Medicaid, dentro de 10 millas” y solo compartir información personal después de confirmar el interés mutuo. Las soluciones impulsadas por IA pueden consolidar datos aislados manteniendo la privacidad durante la fase de emparejamiento.
Transparencia de estado en tiempo real
El agujero negro de las recomendaciones existe porque nadie sabe qué sucede después de que se envía una recomendación. Una coordinación de recomendaciones mejorada debería funcionar como el seguimiento de paquetes, donde tanto el remitente como el destinatario ven el mismo cronograma. Este seguimiento en tiempo real ayudará a las organizaciones sanitarias a mejorar la eficiencia del procesamiento. Esto no es técnicamente complejo; Hacemos esto para la entrega de alimentos, pero requiere romper los silos de información.
Aprendizaje orientado a resultados
Los sistemas de remesas actuales no tienen retención de memoria. Si un centro acepta transferencias pero los pacientes son readmitidos dentro de los 30 días, ese centro debería tener una clasificación inferior en juegos futuros. Los estudios sugieren una reducción de las pérdidas por referencias hasta en un 60% con flujos de trabajo impulsados por IA que incluyen seguimiento de resultados. Los sistemas inteligentes rastrearían las tasas de reingreso, los tiempos de espera y la satisfacción del paciente y luego ajustarían las recomendaciones en consecuencia.
Infraestructura neutral, sin dependencia de proveedores
El problema de la fragmentación no puede resolverse con herramientas que sólo funcionan dentro de Epic o que sólo cubren a los pacientes de Medicare. Lo que necesitamos es una infraestructura de referencia eficaz con accesibilidad universal independientemente del proveedor o pagador de EHR, intercambio de datos en tiempo real, barreras de entrada mínimas y métricas de calidad transparentes.
La verdad incómoda
La visión contraria: las recomendaciones permanecen incumplidas, no por incompetencia técnica, sino porque las personas que tienen el poder de arreglarlas se benefician de mantenerlas incumplidas. Los sistemas de salud ganan dinero previniendo las fugas, no solucionando el agujero negro de derivación. Los proveedores de EHR venden módulos costosos que retienen a los clientes, y los pagadores negocian la exclusividad de la red que limita las opciones. La tasa de pérdida de referencias del 55-65% resulta en honorarios de consultores, licencias de software e iniciativas internas. Todos optimizan sus propias métricas mientras los pacientes y los coordinadores de primera línea sufren las consecuencias.
¿Qué pasa después?
La tecnología para resolver remesas está actualmente en uso. La tecnología para resolver derivaciones está actualmente en uso, pero la mayoría de las implementaciones aún se encuentran en la etapa piloto. Los sistemas de recomendación impulsados por IA reducen significativamente el tiempo de procesamiento, aceleran el procesamiento de aprobación y reducen de manera mensurable la pérdida de datos de recomendación.
El enrutamiento de recetas se automatizó en la década de 2000. Los pedidos de laboratorio se automatizaron en la década de 2010. Hemos automatizado todo excepto el flujo de trabajo que determina más directamente si los pacientes realmente reciben la atención que necesitan. La brecha entre saber qué funciona e implementarlo a escala resalta el verdadero problema: la atención médica trata las derivaciones como una carga administrativa que hay que gestionar en lugar de un flujo de trabajo crítico que hay que optimizar.
Cada día que esperamos, los pacientes pagan el precio de camas de cuidados intensivos ocupadas innecesariamente, de citas con especialistas que nunca se realizan, de familias que tienen que navegar por redes telefónicas con impresiones de los nombres de las instalaciones. Los datos han sido claros durante más de una década. La tecnología está lista. La pregunta es si finalmente estamos listos para arreglar las tuberías en lugar de ponerles otra curita.
Foto: porcorex, Getty Images
Naheem Noah es estudiante de doctorado en ciencias de la computación en la Escuela de Ingeniería y Ciencias de la Computación Ritchie de la Universidad de Denver, donde su investigación incluye sistemas de privacidad, seguridad, inteligencia artificial y coordinación de la salud.
Como cofundador y director ejecutivo de CarenectorNaheem pone la investigación en práctica mediante la construcción de una infraestructura de derivación basada en inteligencia artificial para pacientes y centros de atención. Carenector opera una plataforma de consumidores en vivo que ayuda a las familias a encontrar opciones de atención posterior mientras construye una plataforma de coordinación institucional con centros de atención para abordar las fallas de derivación en todo el proceso. La plataforma utiliza coincidencias que preservan la privacidad, seguimiento del estado en tiempo real y aprendizaje orientado a resultados para cerrar las brechas de coordinación.
Este artículo aparece en el Influencer de MedCity Programa. A través de MedCity Influencer, cualquiera puede publicar sus puntos de vista sobre negocios e innovación en la atención médica en MedCity News. Haga clic aquí para descubrir cómo.
