Los sistemas de ayuda a la decisión clínica pueden mejorar la adherencia a las guías y reducir la variabilidad. HTE-DLP 3.0, Lipidólogo Virtual, proporciona recomendaciones basadas en evidencia científica, seguridad y criterios de coste-efectividad.
MétodosPrueba de concepto utilizando 10 casos clínicos estandarizados evaluados por 9 clínicos antes y después del uso de HTE-DLP 3.0. La variabilidad terapéutica se analizó mediante el índice de diversidad de Simpson y el coeficiente kappa. La usabilidad y experiencia de usuario se evaluaron con los cuestionarios CSUQ y QoE, junto con una encuesta cualitativa sobre fortalezas y áreas de mejora.
ResultadosEn la evaluación basal se observó una variabilidad interprofesional muy significativa. Se objetiva adhesión uniforme a la recomendación algorítmica común. El CSUQ mostró buenas puntuaciones de eficiencia (6,40) y alta satisfacción (5,42/7), identificándose como áreas de mejora los mensajes de error y la disponibilidad de herramientas de apoyo en el manejo clínico. El QoE mostró altas puntuaciones en seguridad de datos (4,71), utilidad clínica (4,57) e impacto social (4,57), siendo el tiempo de aprendizaje el aspecto peor valorado (2,85/5).
ConclusionesHTE-DLP 3.0 mostró capacidad para actuar como una herramienta de estandarización de la toma de decisiones con base en las guías de práctica clínica. Serán necesarios estudios en práctica clínica real para evaluar su impacto clínico y coste-efectivo.
Clinical decision support systems can improve guideline adherence and reduce variability. HTE-DLP 3.0 (Virtual Lipidologist) provides recommendations based on scientific evidence, safety, and cost-effectiveness criteria.
MethodsA proof-of-concept study was conducted using 10 standardized clinical cases evaluated by 9 clinicians before and after the use of the HTE-DLP 3.0. Therapeutic variability was analyzed using the Simpson Diversity Index and the kappa coefficient. Usability and user experience were assessed using the CSUQ and QoE questionnaires, together with a qualitative survey on strengths and areas for improvement.
ResultsBaseline assessment showed very significant interprofessional variability. Uniform adherence to the shared algorithmic recommendation is observed. The CSUQ showed good efficiency scores (6.40) and high satisfaction (5.42/7), with error messages and the availability of clinical support tools identified as areas for improvement. The QoE showed high scores for data security (4.71), clinical usefulness (4.57), and social impact (4.57), with learning time being the lowest-rated aspect (2.85/5).
ConclusionsHTE-DLP 3.0 demonstrated the ability to act as a decision standardization tool based on clinical practice guidelines. Further studies in real-world clinical practice will be necessary to evaluate its clinical and cost-effectiveness impact.
La hipercolesterolemia es un factor causal de la enfermedad arteriosclerótica, responsable de un tercio de la morbimortalidad global1. El estudio Santorini-España mostró que, al año de seguimiento, solo el 34% de los pacientes de alto o muy alto riesgo vascular alcanzan los objetivos lipídicos recomendados en las guías europeas de 2019, evidenciando además una infrautilización del arsenal terapéutico disponible2. La actualización de las guías clínicas de la Sociedad Europea de Cardiología (ESC) y de la Sociedad Europea de Aterosclerosis (EAS) de 2025 establece un enfoque basado en objetivos (treat-to-target), que prioriza tanto la reducción porcentual como la consecución de valores absolutos de colesterol LDL según el riesgo cardiovascular del paciente3.
Sin embargo, numerosos estudios han documentado una amplia brecha entre las recomendaciones de guías y la práctica clínica real, especialmente en lo que respecta a la adecuación de la potencia del tratamiento prescrito. En un análisis llevado a cabo en atención primaria en España, solo el 13,2% de los pacientes con indicación de tratamiento hipolipidemiante recibían una intensidad adecuada al riesgo cardiovascular determinado por las guías ESC/EAS 2019, y un 74% no alcanzaba los objetivos después de 3 años de seguimiento4. Un estudio realizado en más de 900.000 pacientes reflejó que hasta en un 30% de los casos se utilizan estatinas metabolizadas por la vía CYP3A4 de forma concomitante con fármacos inhibidores potentes de esta enzima, incluyendo aproximadamente un 9% de los pacientes expuestos a un inhibidor con contraindicación explícita en ficha técnica, sin modificar el tratamiento hacia estatinas no metabolizadas por esta vía (como rosuvastatina, pravastatina o fluvastatina). Esta práctica podría aumentar la prevalencia de efectos adversos, reducir la tolerancia al tratamiento y pone de manifiesto la necesidad de personalizar la terapéutica5. Diversos estudios han mostrado la dificultad existente en la práctica clínica para identificar adecuadamente el riesgo vascular, con tasas de acierto en torno al 60%6.
El Proyecto Cardio Right Care Control del Riesgo Cardiovascular, realizado con la participación de más de 900 profesionales españoles tanto de atención primaria como de cardiología, evidenció una amplia variabilidad en la adherencia a las diferentes guías de práctica clínica y escalas de riesgo vascular, mostrando que el 12% de los participantes no seguía ninguna guía7. Un estudio reciente mostró que se requieren alrededor de 17 años para que la evidencia científica recogida en las guías se incorpore de forma generalizada a la práctica clínica8. En conjunto, estos datos reflejan una necesidad clara y urgente de disponer de herramientas que apoyen el manejo clínico de los factores de riesgo cardiovascular, especialmente en el campo de la dislipidemia.
Los sistemas de ayuda a la decisión clínica (CDSS) se han propuesto como herramientas eficaces para mejorar la adherencia a las guías, facilitar la estratificación del riesgo y recomendar tratamientos personalizados en tiempo real9. Para maximizar su impacto, es fundamental que estén integrados en la historia clínica electrónica, se activen automáticamente y generen recomendaciones accionables, específicas y relevantes para el paciente10. Pese a su potencial, la implementación de CDSS sigue siendo limitada. Estudios recientes demuestran que su eficacia depende críticamente del diseño, la usabilidad y la aceptación por parte de los profesionales sanitarios11.
Una revisión sistemática de CDSS centrados en el tratamiento hipolipidemiante, que incluyó 34 estudios y 87.874 pacientes, mostró una mejora de los valores lipídicos y de los resultados cardiovasculares12.
En este contexto nuestro grupo, en colaboración con la Red de Unidades de Lípidos de Cataluña –XULA–, desarrolló CDSS HTE-DLP 2.0, el primer sistema específico para el tratamiento hipolipidemiante y el abordaje de la hipercolesterolemia familiar (HF) validado a nivel estatal y europeo13. Mostró un aumento por 4 en el número de pacientes que alcanzaban los objetivos lipídicos, un descenso estimado del 6% en la incidencia de enfermedad coronaria, una mayor seguridad en la elección del tratamiento13, un ahorro sanitario estimado de 33 millones de euros a nivel estatal14 y una buena aceptación por parte de los clínicos15. HTE-DLP 2.0 obtuvo el certificado de interés docente de la Sociedad Española de Educación Médica16. Posteriormente se desarrolló la versión HTE-DLP 3.0, en la que se incluyeron diversas herramientas y escalas específicas para el manejo de pacientes con HF. Recientemente, la plataforma ITEMAS, del Instituto de Salud Carlos III, ha incluido HTE-DLP 3.0 en su portafolio de servicios debido a su alto potencial para la transferencia al Sistema Nacional de Salud17.
El presente estudio tiene como objetivo evaluar la capacidad de una recomendación algorítmica para reducir la variabilidad prescriptora entre clínicos expertos, valorar la experiencia del usuario y sentar las bases para la cocreación de una futura versión.
MetodologíaHTE-DLP 3.0 es un CDSS que reproduce, mediante algoritmos booleanos cerrados, la toma de decisiones que llevaría a cabo un especialista en lípidos para personalizar un tratamiento hipolipidemiante con criterios de efectividad, seguridad y coste-eficiencia, e incorpora las guías de práctica clínica que se deben considerar para elegir el tratamiento óptimo18–27 (tabla 1). El sistema tiene capacidad de detección automatizada de pacientes con perfil lipídico indicativo de dislipemia genética y de alertar al profesional sanitario, ofreciendo ayuda para el manejo y la planificación terapéutica. El profesional debe introducir manualmente los valores lipídicos e ir seleccionando entre las diferentes opciones que el sistema ofrece de forma semiautomática.
Estructura de decisión clínica del Lipidólogo Virtual HTE-DLP 3.0
| Bloque de decisión clínica | Pregunta clave | Guías y documentos incorporados |
|---|---|---|
| 1. Estratificación del riesgo | ¿Qué riesgo cardiovascular tiene este paciente? | Guías ESC/EAS 201918; estándares SEA 202221 |
| 2. Diagnóstico de HF | ¿Presenta perfil lipídico indicativo de HF? ¿Puntuación DLCN? ¿Indicación de estudio genético y cribado en cascada? | Criterios Red de Clínicas de Lípidos Holandesas; ESC/EAS 201918 |
| 3. Objetivos terapéuticos | ¿Qué objetivos de c-LDL corresponden según el riesgo cardiovascular? | ESC/EAS 201918; tablas de planificación terapéutica Masana y Plana19 |
| 4. Estilo de vida | ¿Qué recomendaciones de estilo de vida son más adecuadas para este paciente? | Documento SEA 201820 |
| 5. Intensidad del tratamiento | ¿Qué porcentaje de descenso de c-LDL es necesario? | Tablas de planificación terapéutica Masana y Plana19 |
| 6. Selección farmacológica | ¿Qué tratamiento hipolipidemiante (mono o combinado) permite alcanzar el objetivo? | Guías ESC/EAS 201918 |
| 7. Seguridad e interacciones | ¿Existen interacciones medicamentosas o contraindicaciones relevantes? | Revisión estructurada de interacciones medicamentosas22 |
| 8. Comorbilidades | ¿Hay comorbilidades que limiten opciones o dosis (p. ej., ERC)? | Ajuste de fármacos en ERC23 |
| 9. Coste-efectividad | A igualdad de eficacia y seguridad, ¿qué opción es más coste-efectiva? | Sistema de Precios de Referencia SNS24 |
| 10. Financiación | ¿Existen criterios de financiación o posicionamiento terapéutico? | IPT alirocumab25IPT evolocumab26 |
| 11. Seguimiento | ¿Cada cuánto debe realizarse el seguimiento clínico y analítico? | ESC/EAS 201918 |
| 12. Seguridad a largo plazo | ¿Cómo detectar y manejar efectos adversos del tratamiento? | Revisión efectos adversos de estatinas27 |
Listado de preguntas secuenciales y documentos incorporados en HTE-DLP 3.0. La presente tabla refleja la toma de decisiones secuenciales que teóricamente realiza un experto lipidólogo clínico en la práctica habitual para personalizar un tratamiento hipolipidemiante con criterios de efectividad clínica y seguridad y, a igualdad de condiciones, conforme a criterios de minimización de costes directos. Incluye también las escalas y herramientas que deberían formar parte del «kit del lipidólogo experto».
La versión HTE-DLP 3.0 incluye como opciones terapéuticas estatinas, ezetimiba e inhibidores de la proproteína convertasa subtilisina/kexina tipo 9 (iPCSK9). El acceso a la web multiplataforma se realiza en línea, previa identificación del usuario. El servidor se encuentra alojado dentro del sistema de información hospitalaria y protegido bajo las normas de ciberseguridad estándar para la información sanitaria establecidas por el Departamento de Salud (fig. 1). Enlace a la aplicación: https://hte.salutms.cat:3000/#/patient/fill_patient_data
La versión HTE-DLP 3.0 presenta las siguientes diferencias respecto a la versión previa HTE-DLP 2.0: está basada en las guías ESC/EAS 2019 para el tratamiento de las dislipidemias frente a la versión anterior que estaba basada en las guías EAS/ESC 2011, tiene capacidad de integración en el sistema de información hospitalaria, incluye un módulo específico de manejo de pacientes con HF con detección automatizada de pacientes con fenotipo indicativo de HF, facilita material de apoyo, referencias a páginas web e información validada para profesionales y pacientes, y presenta un sistema de comunicación con las unidades de lípidos de referencia.
El diseño del estudio fue una prueba de concepto, pre-post intervención, utilizando los mismos casos clínicos simulados en ambas rondas de evaluación con la participación de 9 especialistas en lípidos pertenecientes a 6 unidades de lípidos acreditadas por la Sociedad Española de Arteriosclerosis. Este planteamiento, habitual en estudios piloto y de prueba de concepto, permite explorar patrones de variabilidad y convergencia en la toma de decisiones clínicas, así como la usabilidad del sistema, en un entorno controlado que limita su validación externa. No obstante, puede introducir un sesgo de aprendizaje o memoria, que debe tenerse en cuenta en la interpretación de los resultados.
Los expertos resolvieron de forma anónima 10 casos clínicos simulados (prevención primaria en pacientes con HF en niños y adultos, prevención secundaria, pacientes con comorbilidades como insuficiencia renal crónica y pacientes polimedicados con alto riesgo de interacciones farmacológicas) y fueron validados por 2 expertos en riesgo vascular (los casos se recogen en el Anexo 1). Se realizaron 2 rondas consecutivas anónimas separadas una semana con 3 posibles respuestas por caso clínico: R1 sin apoyo del sistema y R2 utilizando HTE-DLP 3.0.
Se analizó la variabilidad entre prescriptores y la concordancia con las recomendaciones del sistema mediante el coeficiente κ de Cohen28. Se analizaron un total de 270 respuestas por ronda. Los datos cuantitativos se analizaron con R v4.3.2.
Los participantes completaron los cuestionarios estandarizados: el Cuestionario de Usabilidad de Sistemas Informáticos (CSUQ)29 y el Cuestionario de Calidad de la Experiencia para aplicaciones mHealth (QoE)30. Los datos cualitativos se obtuvieron mediante un cuestionario abierto sobre fortalezas, limitaciones y recomendaciones de mejora.
El estudio se realizó conforme al código ético de la OMS (Declaración de Helsinki) para experimentos y se basó exclusivamente en casos simulados, sin participación de pacientes reales.
ResultadosLos participantes fueron 4 mujeres, con una edad media de 40,28 años (DE 23,78), y 5 hombres, con una edad media de 54,20 años (DE 14,20). La media de práctica profesional fue de 24 años (DE 4,69) en mujeres y de 25,4 años (DE 14,4) en hombres.
El coeficiente de concordancia interprofesional en la selección del tratamiento hipolipidemiante fue de κ=0,25. El rango de κ osciló entre 0,00 y 0,33, sin que ningún par alcanzara el umbral de concordancia moderada. Estos valores se consideran pobres o bajos (fig. 2). Los casos 3, 4, 7 y 9, con pi=0,0556, mostraron la máxima dispersión en la selección del fármaco. En todos ellos era necesario elegir el tratamiento hipolipidemiante con menor riesgo de interacciones farmacológicas, dado que se trataba de pacientes polimedicados o con riesgo elevado por insuficiencia renal. La mayor concordancia se observó en el caso clínico 2, correspondiente a una mujer de 35 años con HF heterocigota y valores basales de colesterol LDL de 120mg/dL, bajo tratamiento con atorvastatina 20mg y ezetimiba 10mg (tabla 2). El uso de HTE-DLP 3.0 redujo la variabilidad en un 53%.
Resultados detallados del Cuestionario de Usabilidad de Sistemas Informáticos
| Ítem CSUQ | Dominio | Media (DE) | Interpretación |
|---|---|---|---|
| Estoy satisfecho con la facilidad de uso de la plataforma | Usabilidad | 5,28 (1,11) | Buena satisfacción global con la facilidad de uso |
| Ha sido sencillo utilizar la plataforma | Usabilidad | 5,00 (1,41) | Uso percibido como fácil por la mayoría |
| Puedo completar mi trabajo rápidamente | Eficiencia | 6,40 (1,14) | Excelente eficiencia y rapidez |
| Me siento cómodo usando la plataforma | Experiencia de usuario | 5,00 (1,41) | Uso cómodo y experiencia positiva |
| Ha sido fácil aprender a usar la plataforma | Aprendizaje | 5,00 (1,00) | Buena accesibilidad y curva de aprendizaje adecuada |
| He mejorado mis competencias clínicas | Utilidad clínica | 4,71 (1,38) | Contribuye a mejorar competencias en dislipidemia |
| Los mensajes de error indican claramente cómo resolver problemas | Retroalimentación | 4,14 (1,46) | Necesita mejorar la claridad de los mensajes de error |
| Cuando he cometido un error, he podido solucionarlo rápidamente | Retroalimentación | 4,57 (1,60) | Capacidad adecuada para resolver errores |
| La información proporcionada es clara | Información | 5,00 (1,41) | Información percibida como clara y útil |
| Es fácil encontrar la información que necesito | Información | 4,85 (1,34) | Buena accesibilidad a la información |
| La información ha sido efectiva para completar tareas | Información | 4,85 (1,21) | Información eficaz para la práctica |
| La organización de la información es clara | Diseño | 4,85 (1,21) | Organización visual adecuada |
| La interfaz es agradable | Diseño | 4,71 (1,70) | Interfaz bien valorada |
| Me ha gustado usar la plataforma | Satisfacción general | 5,42 (1,39) | Alta satisfacción general |
| La plataforma tiene todas las herramientas que esperaba | Funcionalidad | 4,00 (1,53) | Faltan algunas herramientas esperadas |
| Estoy satisfecho con la plataforma | Satisfacción general | 4,85 (1,34) | Buena satisfacción global |
| Recomendaría la plataforma a otros profesionales | Satisfacción general | 5,00 (1,26) | Alta probabilidad de recomendación |
Se muestran los resultados obtenidos (media±DE) en el Cuestionario de Usabilidad de Sistemas Informáticos (CSUQ) y su interpretación. Este cuestionario evalúa la satisfacción subjetiva del usuario con un sistema informático, analizando aspectos como la facilidad de uso, la eficiencia y la efectividad en la realización de tareas. Su finalidad es obtener información directa de los usuarios sobre sus impresiones y experiencia con el sistema. La puntuación máxima para cada ítem es de 7.
En el análisis de los 10 casos clínicos simulados, el grado de concordancia con las recomendaciones del sistema alcanzó el 68%. El uso de combinaciones con ezetimiba y/o iPCSK9 aumentó del 42 al 71% tras utilizar HTE-DLP 3.0. Tras la utilización de HTE-DLP 3.0 (R2), todos los expertos adoptaron la recomendación terapéutica generada por el sistema para cada caso clínico, lo que se tradujo en una convergencia completa hacia una única opción terapéutica por escenario. Este acuerdo refleja una adhesión uniforme a una recomendación algorítmica común, y no debe interpretarse como un consenso clínico independiente entre expertos. En este contexto, el coeficiente kappa pierde capacidad interpretativa, ya que la ausencia de variabilidad entre observadores impide estimar concordancia más allá del azar.
La puntuación media global del CSUQ fue 4,91/7 (DE 0,5) y la del QoE 4,13/5 (DE 0,4). Los resultados desglosados se muestran en las tablas 2 y 3.
Resultados del Cuestionario de Calidad de la Experiencia para aplicaciones mHealth
| Ítem QoE (traducción) | Dominio | Media (DE) | Interpretación |
|---|---|---|---|
| Los cálculos de la aplicación son correctos | Fiabilidad técnica | 4,00 (0,58) | Buena confianza en la precisión de los cálculos |
| El método tradicional es más difícil | Usabilidad comparada | 3,28 (0,95) | Ligera preferencia por la aplicación sobre el método clásico |
| He encontrado lo que necesitaba | Acceso a la información | 3,14 (0,90) | Accesibilidad moderada; margen de mejora |
| La aplicación es útil para monitorizar la enfermedad | Utilidad clínica | 3,85 (0,69) | Aporta apoyo real al seguimiento clínico |
| Proporciona las funciones que esperaba | Funcionalidad | 3,28 (0,95) | Faltan algunas funciones esperadas |
| Los datos proporcionados son fiables | Fiabilidad | 4,57 (0,49) | Alta percepción de fiabilidad |
| Recibe actualizaciones periódicas | Mantenimiento | 3,28 (0,90) | Se percibe poco mantenimiento visible |
| Permite enviar información al médico | Conectividad | 3,00 (1,00) | Función poco utilizada o difícil de encontrar |
| Mi calidad de trabajo mejora con la aplicación | Impacto laboral | 3,42 (0,79) | Mejora moderada del rendimiento profesional |
| Me identifico con los problemas de salud abordados | Relevancia clínica | 3,85 (0,69) | Adecuada relevancia clínica de los contenidos |
| El tiempo para aprender a usarla es adecuado | Usabilidad/aprendizaje | 3,42 (0,79) | Curva de aprendizaje mejorable |
| Tengo acceso garantizado a mis datos en todo momento | Seguridad/accesibilidad | 3,57 (0,79) | Nivel aceptable, pero no máximo |
| Posee métodos de seguridad adecuados | Seguridad | 4,00 (0,58) | Buena percepción de seguridad técnica |
| Los datos están suficientemente protegidos | Seguridad | 4,00 (0,58) | Protección percibida como adecuada |
| El diseño es adecuado | Diseño | 3,85 (0,35) | Diseño bien valorado |
| Cambiaría o añadiría algo | Funcionalidad | 3,71 (0,49) | Los usuarios demandan mejoras funcionales |
| El rendimiento podría optimizarse más | Rendimiento técnico | 2,85 (1,07) | Se percibe margen claro de optimización |
| He encontrado errores al usar la aplicación | Estabilidad | 3,00 (0,58) | Errores detectados ocasionalmente |
| Usaría la aplicación si se desarrollara | Aceptabilidad | 4,42 (0,53) | Alta intención de uso futuro |
| Ayudaría al tratamiento de enfermedades | Valor clínico | 4,57 (0,49) | Alto valor clínico percibido |
| Sería útil para la sociedad | Impacto social | 4,57 (0,49) | Alto potencial de impacto social |
| Mejoraría la calidad de vida del usuario | Impacto en salud | 4,71 (0,49) | Muy alto potencial de mejorar la vida del paciente |
Se muestran los resultados obtenidos (media±DE) en el Cuestionario de Calidad de la Experiencia para aplicaciones mHealth (QoE). Esta escala mide la percepción subjetiva del usuario respecto a la calidad de una aplicación móvil de salud, considerando la satisfacción general, la usabilidad y otros factores que influyen en la experiencia global. La puntuación máxima para cada ítem es de 5.
La evaluación cualitativa de la herramienta evidenció fortalezas, destacando la adherencia a guías clínicas, la priorización coste-efectiva, la automatización del cálculo del riesgo y la percepción de seguridad y utilidad clínica. No obstante, se identificaron áreas claras de mejora, especialmente en la entrada automatizada de datos clínicos relevantes, la detección de interacciones farmacológicas, la integración total de escalas diagnósticas, la optimización de la experiencia en dispositivos móviles y el conjunto de herramientas disponibles. Los profesionales remarcaron la necesidad de ajustar la plataforma a directrices administrativas territoriales, mejorar los mensajes de error y reforzar los elementos de aprendizaje y navegación. Asimismo, se recomienda incorporar sistemas de inteligencia artificial para agilizar y automatizar diversas funciones (tabla 4).
Comentarios cualitativos de valoración de HTE-DLP 3.0. Fortalezas, debilidades y sugerencias de mejora
| Fortalezas | Debilidades | Sugerencias de mejora |
|---|---|---|
| Rigor metodológicoPriorización coste-efectivaAutomatización del cálculo del riesgoPercepción de seguridad y utilidad clínicaTransparencia en hallazgosAdherencia a guías clínicasAlta eficiencia y rapidez en el proceso asistencialBuena utilidad clínica percibidaPercepción de seguridad y fiabilidad de la información. | Falta de detección automatizada de interacciones farmacológicasIntegración incompleta de escalas diagnósticasLimitaciones en la optimización para dispositivos móvilesFalta de evaluación de la fatiga por alertasFalta de captura totalmente automatizada de parámetrosFaltan herramientas esperadas por los profesionales (p. ej., directrices administrativas locales)Mensajes de error y retroalimentación insuficientesCurva de aprendizaje considerada elevadaDificultad puntual para introducir datos específicos del paciente | Añadir nuevas funciones solicitadas por el equipo clínico (p. ej., automatismo en la captura de interacciones farmacológicas)Optimizar el sistema de alertas y mensajes de errorMejorar los tutoriales, el onboarding y las guías dentro de la plataformaAmpliar los campos de entrada (triglicéridos, colesterol total, c-HDL, Lp(a), contraindicaciones, filtrado glomerular, etc.)Actualizar el sistema con todo el espectro de fármacos hipolipidemiantes actualmente comercializadosOrdenar las opciones terapéuticas por intervalo de c-LDL más que por valor absolutoPriorizar las opciones según criterios de costeIncluir recomendaciones administrativas estatales y autonómicas de forma específicaImplementar sistemas de IA |
Se muestran los comentarios subjetivos sobre HTE-DLP 3.0, evaluando sus fortalezas (atributos positivos internos), debilidades (limitaciones internas) y las sugerencias de mejora expresadas por los participantes para guiar el diseño y desarrollo de futuras versiones de HTE-DLP Lipidólogo Virtual.
La presente evaluación del sistema HTE-DLP 3.0 demuestra que un CDSS especializado en dislipidemia, basado en algoritmos deterministas y reglas explícitas, puede mejorar de forma relevante la adherencia a las guías de práctica clínica, homogeneizar las decisiones clínicas y facilitar la intensificación del tratamiento conforme a las recomendaciones vigentes.
La variabilidad basal observada entre expertos, incluso ante casos estandarizados, coincide con estudios previos que describen inconsistencias significativas en la elección de tratamientos hipolipidemiantes, tanto en atención primaria como en ámbitos especializados31,32. Estas discrepancias se relacionan con múltiples factores, como la diversidad de las guías disponibles, las diferencias en la percepción individual del riesgo y la presión asistencial, que dificultan una valoración integral. HTE-DLP 3.0 mostró capacidad para reducir más del 50% de esta variabilidad, proporcionando recomendaciones homogéneas basadas en criterios explícitos de eficacia, seguridad y coste-efectividad. Esta reducción es consistente con los resultados de otros CDSS cardiovasculares, que han demostrado mejorar la adherencia a guías y favorecer estrategias de intensificación apropiadas33. La aparente discrepancia entre la convergencia completa observada tras la intervención y los valores bajos del coeficiente kappa pone de manifiesto una limitación inherente a las métricas de concordancia cuando se aplican a escenarios de decisión forzada. El uso de un CDSS que ofrece una única recomendación por caso elimina la variabilidad interobservador, lo que limita la aplicabilidad del kappa como medida de acuerdo. Por este motivo, los resultados deben interpretarse como una reducción marcada de la variabilidad interprofesional mediante homogeneización algorítmica, y no como una demostración de concordancia clínica espontánea.
El uso de HTE-DLP 3.0 se asoció con una mayor prescripción de terapia combinada con ezetimiba e iPCSK9, pasando del 42 al 71% y, por tanto, con una mayor intensidad del tratamiento hipolipidemiante. La reducción intensiva del colesterol LDL combinando estatinas y terapias no estatínicas es un pilar fundamental en pacientes de alto o muy alto riesgo cardiovascular, ya que detiene la progresión y favorece la regresión de las placas ateroscleróticas; por ello debería considerarse un enfoque terapéutico estándar desde el inicio del tratamiento34. El aumento en el uso de terapias combinadas con el uso de HTE-DLP 3.0 refleja la aplicación estricta de las guías clínicas integradas en el algoritmo del sistema, especialmente en escenarios de muy alto riesgo cardiovascular o HF. No obstante, este hallazgo debe interpretarse con cautela, ya que una intensificación terapéutica homogénea puede conllevar un riesgo potencial de sobretratamiento en determinados perfiles clínicos, especialmente en prevención primaria. Estos resultados subrayan la necesidad de que los CDSS actúen como herramientas de apoyo y no como sustitutos del juicio clínico individual, como marca la normativa legal.
Diversos estudios han mostrado la utilidad de los CDSS específicos para el manejo lipídico, tanto en pacientes dislipidémicos en general35 como en pacientes con HF36, entre los que destaca HTE-DLP 2.0, que logró multiplicar por 4 el número de pacientes que alcanzaban objetivos lipídicos13. Otro elemento destacado es la mejora en la percepción de utilidad clínica, eficiencia y seguridad, reflejada en las puntuaciones globales de los cuestionarios CSUQ y QoE. Estos hallazgos son coherentes con estudios previos que enfatizan que la adopción de CDSS depende críticamente de la usabilidad, la claridad de la interfaz, la carga cognitiva y la disponibilidad de información relevante en tiempo real37. A diferencia de otros CDSS existentes, con frecuencia limitados a recomendaciones monofocales o basadas únicamente en riesgo, HTE-DLP 3.0 adopta un enfoque holístico al integrar guías, seguridad farmacológica, criterios territoriales de financiación y priorización coste-efectiva, alineándose con las tendencias actuales en sistemas inteligentes centrados en valor y equidad.
No obstante, se identificaron áreas claramente mejorables. Los profesionales señalaron limitaciones centradas principalmente en el aprendizaje de uso, la retroalimentación del sistema y la integración de datos. El aspecto peor valorado en el QoE fue el tiempo necesario para aprender a utilizar la aplicación, lo que subraya la necesidad de mejorar las guías de apoyo y ayudas visuales. Asimismo, la insuficiente claridad de los mensajes de error evidenció la necesidad de optimizar las alertas para facilitar la resolución de incidencias. En cuanto a funcionalidad, los clínicos destacaron carencias como la ausencia de herramientas esperadas en la automatización de la entrada de datos relevantes (perfil lipídico completo, tratamientos concomitantes, función renal), así como la necesidad de integrar plenamente escalas diagnósticas automatizadas y actualizar las opciones terapéuticas incorporando ácido bempedoico e inclisirán. Aunque el diseño fue bien valorado, se recomendó mejorar el rendimiento técnico y corregir errores puntuales. Finalmente, el aspecto más crítico identificado fue la integración y automatización total en la captura de datos, señalada reiteradamente como el principal reto para optimizar la usabilidad y el impacto clínico de CDSS, una limitación también descrita en evaluaciones recientes de herramientas digitales en cardiometabolismo38.
A pesar del potencial de los CDSS para mejorar la atención al paciente y los resultados en salud cardiovascular, persisten diversas barreras que dificultan su implementación efectiva, limitando su capacidad para alcanzar los objetivos de salud. Entre las principales barreras se encuentran las limitaciones de tiempo y recursos, la fatiga derivada de las alertas, las dificultades técnicas del sistema, la falta de confianza en las recomendaciones y la complejidad inherente al manejo clínico de la enfermedad cardiovascular en la práctica real39. La cocreación de los CDSS con participación de los clínicos y los pacientes desde la fase de diseño y en todo el ciclo de mejora continua es clave para lograr una implementación exitosa en la práctica clínica. Las sociedades científicas pueden y deben desempeñar un papel fundamental en el liderazgo del desarrollo, validación, implementación y monitorización de estas herramientas en los entornos asistenciales.
Este estudio presenta varias limitaciones. En primer lugar, el diseño pre-post consecutivos con los mismos casos clínicos puede introducir un sesgo de aprendizaje, aunque limitado dado el número pequeño de casos. En segundo lugar, el número reducido de participantes y la inclusión exclusiva de expertos en lípidos limitan la validez en práctica clínica habitual de los resultados, aunque es esperable que sea de utilidad si es usado por profesionales no expertos. En tercer lugar, el uso de casos simulados impide evaluar resultados clínicos reales, aunque estos sí fueron analizados en la versión previa (HTE-DLP 2.0). Los resultados son útiles con patrones de decisión en escenarios controlados, lo que limita su validez en escenarios externos. Por último, la convergencia observada refleja una homogeneización algorítmica y no permite inferir una mejora directa en la adecuación clínica individual.
Las próximas versiones deberían evolucionar hacia un CDSS con captura automática de datos, basado en inteligencia artificial, y con capacidad de actualización periódica y autónoma40. La incorporación de esta arquitectura podría permitir integrar el eje lipídico con otros dominios del riesgo vascular favoreciendo un enfoque más global, proactivo y personalizado del riesgo cardiovascular.
ConclusionesHTE-DLP 3.0 demostró su capacidad para estandarizar la toma de decisiones y mejorar la adherencia a guías de práctica clínica en entornos controlados y bajo supervisión clínica. La intensificación terapéutica observada refleja la aplicación estricta de las recomendaciones basadas en guías, pero subraya la necesidad de mantener el juicio clínico individual. Estudios futuros con nuevas versiones que incorporen las mejoras detectadas, con mayor tamaño muestral, con participación de perfiles clínicos diversos y evaluando en práctica clínica real serán necesarios para determinar el impacto clínico y coste-efectivo de estas herramientas.
AutoríaAZ es el investigador principal del estudio. Concibió la idea original, lideró el diseño conceptual del proyecto y el codesarrollo de la herramienta de ayuda a la decisión clínica HTE-DLP 3.0, en estrecha colaboración con el equipo técnico. Asimismo, participó de forma activa en la definición del protocolo del estudio, la supervisión de la recogida de datos, el análisis e interpretación de los resultados y la redacción del manuscrito.
LM, junto con AZ, coordinó el diseño metodológico del estudio, contribuyó al análisis de los datos y participó de manera relevante en la redacción y revisión crítica del manuscrito.
El resto de los autores contribuyeron a la implementación del estudio y a la validación clínica de la herramienta en sus respectivos centros, participando en el cumplimiento de las encuestas, la evaluación clínica de los resultados y la interpretación de los hallazgos. Asimismo, realizaron una revisión crítica del manuscrito, aportando comentarios sustanciales desde el punto de vista clínico y científico.
Todos los autores aprobaron la versión final del manuscrito y aceptan la responsabilidad de la integridad y exactitud del trabajo presentado.
Declaración sobre el uso de la IA generativa y de las tecnologías asistidas por la IA en el proceso de redacciónDurante la preparación de este trabajo, los autores utilizaron ChatGPT 5.0 en el proceso de redacción con el fin de mejorar la legibilidad y el lenguaje escrito. Tras utilizar dicha herramienta, los autores revisaron y editaron el contenido según necesidad, asumiendo la plena responsabilidad del contenido de la publicación.
FinanciaciónEl presente trabajo ha sido financiado por la Beca Clínico-epidemiológica en Arteriosclerosis de la Sociedad Española de Arteriosclerosis, 2022; Beca de investigación de la Fundación Española de Medicina Interna, Sociedad Española de Medicina Interna, 2024; Beca Rubiés Prat 2024, Xarxa d’Unitats de Lípids i Arterioesclerosi de Catalunya; Beca Fundación Sociedad Española de Directivos en Salud (SEDISA) a la investigación, 2024.
Conflicto de interesesLos autores no presentan conflictos financieros o personales con otras personas u organizaciones en relación con el artículo que se remite para publicación.
Al Departamento TIC de la Corporació de Salut del Maresme i la Selva, en especial a Óscar Rivas, por su implicación en el desarrollo tecnológico del proyecto.
A Laura Muñoz, de la empresa Datexbio, por el soporte en el análisis estadístico.
