Una nueva herramienta de inteligencia artificial, desarrollada en EE. UU: demostró su capacidad predictiva sobre la evolución de pacientes en hospitales de la ciudad de Nueva York.
El programa, que fue diseñado en la Escuela Grossman de Medicina de la NYU, se usa en todos los hospitales afiliados a esta universidad en Nueva York, con la esperanza de que se vuelva estándar en la salud. Ahora, un estudio sobre su valor predictivo fue publicado por la revista Nature.
El autor principal del estudio, Eric Oermann, neurocirujano de la NYU y científico computacional, dijo que mientras los modelos predictivos sin inteligencia artificial estuvieron alrededor de la medicina por varios años, se usaron muy poco en la práctica, porque los datos que necesita requieren una incómoda reorganización y adaptación de formato.
Sin embargo, "una cosa que es común en la medicina en todas partes, es que los médicos escriben notas sobre lo que ven en clínica, lo que han hablado con pacientes", dijo. "Entonces, nuestra revelación básica fue: ¿Podemos comenzar con las notas médicas como fuente de datos y después construir modelos predictivos sobre ellas?", continuó en declaraciones citadas por la agencia AFP.
El enorme modelo de lenguaje, llamado NYUTron, fue entrenado con millones de notas médicas extraídas de historias clínicas de 387.000 personas que recibieron atención médica en los hospitales NYU Langone, entre enero de 2011 y mayo de 2020.
Estos registros incluían los escritos de médicos, notas de evolución de pacientes, informes de radiología e instrucciones para dar de alta. En total se acumularon 4.100 millones de palabras.
Uno de los retos clave para el programa fue interpretar el lenguaje natural que los médicos escriben, que varía ampliamente entre individuos, incluso por las abreviaciones que cada uno usa. Al mirar los registros de lo que obtuvieron, los investigadores fueron capaces de calcular cada cuánto las predicciones del programa fueron acertadas.
Además probaron la herramienta en ambientes vivos, y la entrenaron a partir de registros de un hospital en Manhattan, para luego ver cómo se comportaba en uno de Brooklyn, con distintos datos demográficos de pacientes.
En general, NYUTron identificó un 95% de personas que murieron en el hospital antes de ser dadas de alta, y 80% de pacientes que serían readmitidos en 30 días.
La herramienta superó el rendimiento de la mayoría de predicciones de doctores, y también el de modelos actuales que no usan inteligencia artificial.
Sin embargo, para sorpresa del equipo, "el más experimentado de los doctores, quien es de hecho muy famoso, tuvo un rendimiento superhumano, mejor que el modelo", dijo Oermann.
"El punto perfecto entre tecnología y medicina no es que ésta siempre deba entregar necesariamente resultados superhumanos, sino que realmente ofrezca ese punto de partida", agregó.
NYUTron también estimó de manera correcta el tiempo de estancia del 79% de los pacientes, el 89% de casos en los que a los pacientes se le negó cobertura por su seguro y el 89% en los que la enfermedad principal estaba acompañada por condiciones adicionales.
La inteligencia artificial nunca será un sustituto para la relación médico-paciente, dice Oermann. En su lugar, ésta ayudará a "proveer más información a los médicos al momento de la atención para que puedan tomar decisiones más informadas".
Resumen del artículo original
Los médicos toman decisiones críticas con limitaciones de tiempo todos los días. Los modelos predictivos clínicos pueden ayudar a los médicos y administradores a tomar decisiones al pronosticar eventos clínicos y operativos. Los modelos predictivos clínicos basados en datos estructurados existentes tienen un uso limitado en la práctica diaria debido a la complejidad del procesamiento de datos, así como al desarrollo y despliegue del modelo. Aquí mostramos que las notas clínicas no estructuradas de la historia clínica electrónica pueden permitir el entrenamiento de modelos de lenguaje clínico, que se pueden utilizar como motores de predicción clínica multiusos con desarrollo y despliegue de baja resistencia. Nuestro enfoque aprovecha los avances recientes en el procesamiento del lenguaje natural para entrenar un gran modelo de lenguaje para el lenguaje médico (NYUTron) y, posteriormente, ajustarlo en una amplia gama de tareas predictivas clínicas y operativas. Evaluamos nuestro enfoque dentro de nuestro sistema de salud para cinco tareas de este tipo: predicción de reingreso por todas las causas a los 30 días, predicción de mortalidad hospitalaria, predicción del índice de comorbilidad, predicción de la duración de la estadía y predicción de denegación del seguro. Mostramos que NYUTron tiene un área bajo la curva (AUC) de 78,7 a 94,9 %, con una mejora de 5,36 a 14,7 % en el AUC en comparación con los modelos tradicionales. Además, demostramos los beneficios del entrenamiento previo con texto clínico, el potencial para aumentar la generalización a diferentes sitios a través del ajuste fino y el despliegue completo de nuestro sistema en un ensayo prospectivo de un solo brazo. Estos resultados muestran el potencial del uso de modelos de lenguaje clínico en medicina para leer junto con los médicos y brindar orientación en el punto de atención.
No hay comentarios:
Publicar un comentario
Nota: solo los miembros de este blog pueden publicar comentarios.