Bretos Azcona, Pablo Evaristo
Loading...
Email Address
person.page.identifierURI
Birth Date
Job Title
Last Name
Bretos Azcona
First Name
Pablo Evaristo
person.page.departamento
Economía
person.page.instituteName
ORCID
person.page.observainves
person.page.upna
Name
- Publications
- item.page.relationships.isAdvisorOfPublication
- item.page.relationships.isAdvisorTFEOfPublication
- item.page.relationships.isAuthorMDOfPublication
2 results
Search Results
Now showing 1 - 2 of 2
Publication Open Access Tailoring integrated care services for high-risk patients with multiple chronic conditions: a risk stratification approach using cluster analysis(BioMed Central, 2020) Bretos Azcona, Pablo Evaristo; Sánchez Iriso, Eduardo; Cabasés Hita, Juan Manuel; Economía; Ekonomia; Gobierno de Navarra / Nafarroako GobernuaBackground: The purpose of this study was to produce a risk stratification within a population of high-risk patients with multiple chronic conditions who are currently treated under a case management program and to explore the existence of different risk subgroups. Different care strategies were then suggested for healthcare reform according to the characteristics of each subgroup. Methods: All high-risk multimorbid patients from a case management program in the Navarra region of Spain were included in the study (n = 885). A 1-year mortality risk score was estimated for each patient by logistic regression. The population was then divided into subgroups according to the patients' estimated risk scores. We used cluster analysis to produce the stratification with Ward's linkage hierarchical algorithm. The characteristics of the resulting subgroups were analyzed, and post hoc pairwise tests were performed. Results: Three distinct risk strata were found, containing 45, 38 and 17% of patients. Age increased from cluster to cluster, and functional status, clinical severity, nursing needs and nutritional values deteriorated. Patients in cluster 1 had lower renal deterioration values, and patients in cluster 3 had higher rates of pressure skin ulcers, higher rates of cerebrovascular disease and dementia, and lower prevalence rates of chronic obstructive pulmonary disease. Conclusions: This study demonstrates the existence of distinct subgroups within a population of high-risk patients with multiple chronic conditions. Current case management integrated care programs use a uniform treatment strategy for patients who have diverse needs. Alternative treatment strategies should be considered to fit the needs of each patient subgroup.Publication Open Access A risk stratification using machine learning techniques to identify types of high-risk multiple chronic conditions patients, their needs and subsequent organization of integrated care services(2021) Bretos Azcona, Pablo Evaristo; Cabasés Hita, Juan Manuel; Sánchez Iriso, Eduardo; Economía; EkonomiaEsta tesis tiene como objetivo responder a la pregunta clave de si la población de pacientes con MEC de alto riesgo incluida en los programas de gestión de casos es heterogénea en términos de riesgo. Para ello, se presenta una estratificación de riesgo que determina si y cuántas subpoblaciones de pacientes existen, así como sus características particulares. Posteriormente, se presentan diferentes opciones para organizar y planificar los cuidados para cada subpoblación resultante. Esta estratificación ayudará a identificar aquellos subgrupos de pacientes que no se benefician de su atención actual y a adaptar las estrategias de atención para ellos, dirigiendo la atención adecuada a los pacientes adecuados. También ayuda a mejorar la eficiencia de los cuidados de los pacientes con MEC de alto riesgo. Finalmente, se exploraron los patrones de supervivencia de los subgrupos de pacientes resultantes, con el objeto de estimar el tiempo hasta la muerte para cada tipo de paciente. Estos datos ayudan a planificar los cuidados de final de vida para la población de interés. Una de las novedades que se presentan en esta tesis es que se utilizaron métodos de Inteligencia Artificial (IA) para estratificar la población en diferentes subgrupos. En particular, se utilizaron algoritmos de aprendizaje automático ('machine learning'). Esta tesis busca mejorar los resultados de salud y la atención brindada a los pacientes con MEC de alto riesgo incluidos actualmente en el programa de gestión de casos del SNS-O. La estratificación del riesgo presentada aquí consigue este propósito, identificando tipos de pacientes y ayudando a una organización y planificación de la atención que se adapte mejor a las necesidades de cada uno de ellos.