Los investigadores de Stanford Medicine han desarrollado una herramienta de inteligencia artificial que puede leer miles de notas médicas en registros médicos electrónicos e identificar tendencias, proporcionando información que los médicos e investigadores esperan que mejore la atención.
Normalmente, los especialistas que buscan respuestas a preguntas sobre la atención deben examinar cientos de historiales médicos. Pero una nueva investigación muestra que los grandes modelos de lenguaje (herramientas de inteligencia artificial que pueden encontrar patrones en un lenguaje escrito complejo) pueden abordar esta preocupación y poner sus resultados en práctica. Por ejemplo, las herramientas de inteligencia artificial pueden monitorear los historiales de los pacientes para detectar interacciones medicamentosas peligrosas o ayudar a los médicos a identificar pacientes que responderán bien o mal a ciertos tratamientos.
La herramienta de IA descrita en un estudio publicado en línea el 19 de diciembre PediatríaFue diseñado para obtener de los registros médicos si los niños con trastorno por déficit de atención e hiperactividad recibieron atención de seguimiento adecuada después de que se les recetara un nuevo medicamento.
“Este modelo nos permite identificar algunas lagunas en el tratamiento del TDAH”, afirmó el autor principal del estudio, Ear Bennett, MD, profesor asistente de pediatría.
La autora principal del estudio es Heidi Feldman, MD, profesora de pediatría del desarrollo y del comportamiento de Ballinger-Swindells.
El equipo de investigación utilizó los conocimientos de las herramientas para identificar estrategias que podrían mejorar la forma en que los médicos realizan el seguimiento de los pacientes con TDAH y sus familias, y Bennett señaló que el poder de dichas herramientas de inteligencia artificial podría aplicarse a muchos aspectos de la atención médica.
Un trabajo duro para los humanos, una brisa para la IA
Los registros médicos electrónicos contienen información, como resultados de laboratorio o mediciones de la presión arterial, que las computadoras pueden comparar fácilmente entre muchos pacientes. Pero todo lo demás (alrededor del 80 por ciento de la información de cualquier expediente médico) está en las notas que los médicos escriben sobre la atención al paciente.
Aunque estas notas son fáciles de leer para la siguiente persona en el historial del paciente, analizarlas en oraciones simples es un desafío. mucho. Esta información mal organizada debe clasificarse antes de poder usarse para investigaciones, generalmente por parte de una persona que lee las notas en busca de detalles específicos. El nuevo estudio analizó si los investigadores podrían emplear inteligencia artificial para esa tarea.
El estudio utilizó las historias clínicas de 1.201 niños que tenían entre 6 y 11 años, 11 eran pacientes de un consultorio de atención primaria pediátrica de la misma red de atención de salud y tenían al menos una prescripción de medicamento para el TDAH. Estos tipos de medicamentos pueden tener efectos secundarios dañinos, como suprimir el apetito de un niño, por lo que es importante preguntar a los médicos acerca de los efectos secundarios cuando los pacientes usan el medicamento por primera vez y ajustar las dosis si es necesario.
El equipo entrenó un modelo de lenguaje a gran escala existente para leer notas médicas, rastreando si los niños o sus padres preguntaban sobre los efectos secundarios durante los primeros tres meses de tomar un nuevo medicamento. El modelo se entrenó con un conjunto de 501 notas que revisaron los investigadores. Los investigadores contaron cualquier nota que mencionara la presencia o ausencia de efectos secundarios (p. ej., “pérdida de apetito” o “no pérdida de peso”) como una indicación de seguimiento, mientras que las notas que no mencionaron efectos secundarios se contaron. Significa que no hay seguimiento.
Estas notas revisadas por humanos se utilizaron como lo que se conoce como “verdad básica” en IA para el modelo: el equipo de investigación utilizó 411 notas para enseñarle al modelo cómo eran las investigaciones de efectos secundarios, y las 90 notas restantes para verificar que el modelo era encontrar correctamente tales hallazgos podría. Luego revisaron manualmente 363 notas adicionales y volvieron a probar el rendimiento del modelo, descubriendo que clasificaba correctamente alrededor del 90% de las notas.
Una vez que el modelo de lenguaje grande funcionó bien, los investigadores lo utilizaron para evaluar rápidamente las 15.628 notas en los historiales de los pacientes, una tarea que requeriría un trabajo de tiempo completo más de siete meses sin IA.
Mejor atención que análisis
A partir del análisis de la IA, los investigadores han obtenido información que de otro modo no habrían detectado. Por ejemplo, AI descubrió que algunos consultorios pediátricos preguntaban con frecuencia a los pacientes sobre los efectos secundarios de los medicamentos durante las conversaciones telefónicas con sus padres, mientras que otros consultorios no lo hacían.
“Es algo que nunca detectarías si no implementaras este modelo en 16.000 billetes como lo hicimos nosotros, porque ningún humano se sentaría y haría eso”, dijo Bennett.
AI también encontró que los pediatras hacían preguntas de seguimiento sobre ciertos medicamentos con menos frecuencia. A los niños con TDAH se les pueden recetar estimulantes o, con menos frecuencia, medicamentos no estimulantes, como algunos tipos de ansiolíticos. Era menos probable que los médicos preguntaran sobre esta última clase de medicamentos.
El hallazgo proporciona un ejemplo de los límites de lo que la IA puede hacer, dijo Bennett: puede identificar un patrón en los registros de los pacientes pero no explicar por qué existe el patrón.
“Realmente tuvimos que hablar con los pediatras para entender esto”, dijo, y agregó que los pediatras le dijeron que tenían más experiencia en el manejo de los efectos secundarios de los estimulantes.
La herramienta de inteligencia artificial puede haber omitido algunos hallazgos sobre los efectos secundarios de los medicamentos en su análisis, dijeron los investigadores, porque algunas conversaciones sobre los efectos secundarios no se registraron en los registros médicos electrónicos de los pacientes y porque algunos pacientes recibieron atención especializada, como psiquiatras. – que fueron rastreados en los registros médicos utilizados en este estudio, no. La herramienta de inteligencia artificial también clasificó erróneamente algunas notas médicas sobre los efectos secundarios de prescripción médica para otras afecciones, como los medicamentos para el acné.
Guía la IA
A medida que los científicos desarrollan más herramientas de inteligencia artificial para la investigación médica, deben considerar qué funcionan bien y qué hacen mal, dijo Bennett. Algunas tareas, como clasificar miles de registros médicos, son ideales para herramientas de IA debidamente entrenadas.
Otros, como el panorama médico, requerirán un pensamiento humano cuidadoso para comprender los peligros éticos, afirmó. En un editorial publicado recientemente por Bennett y sus colegas Pediatría Hospitalaria Explica algunos problemas potenciales y cómo se pueden resolver.
“Estos modelos de IA se basan en datos de atención médica existentes, y sabemos por muchos estudios realizados a lo largo de los años que existen disparidades en la atención médica”, dijo Bennett. Los investigadores deben pensar en cómo desarrollan herramientas de IA y cómo mitigar esos sesgos cuando las usan, dijo. Con las precauciones adecuadas, está entusiasmado con el potencial de la IA para ayudar a los médicos a hacer su trabajo. Bueno
“Cada paciente tiene su propia experiencia y el médico tiene su base de conocimientos, pero con la IA puedo poner al alcance de la mano el conocimiento de una gran población”, afirmó. Por ejemplo, la IA puede ayudar a los médicos a predecir si es probable que una persona sufra efectos secundarios negativos con un medicamento en particular basándose en una combinación de la edad, la raza o el origen étnico, el perfil genético y el diagnóstico del paciente, dijo. “Esto puede ayudar a los médicos a tomar decisiones personalizadas sobre el tratamiento médico”.
La investigación fue apoyada por el Instituto de Investigación de Salud Materna e Infantil de Stanford y el Instituto Nacional de Salud Mental (subvención K23MH128455).