Investigadores de Stanford Medicine han desarrollado una herramienta de inteligencia artificial capaz de analizar miles de notas de médicos en registros médicos electrónicos, identificando tendencias que podrían mejorar la atención médica. Este avance representa un paso hacia la optimización del trabajo de los profesionales de la salud, quienes tradicionalmente deben revisar manualmente cientos de gráficos médicos en busca de respuestas específicas.
La investigación, publicada en la revista Pediatrics, se centra en la capacidad de los modelos de lenguaje de gran tamaño para encontrar patrones en el lenguaje escrito complejo. Estas herramientas de IA no solo tienen el potencial de reducir la carga de trabajo de los médicos, sino también de proporcionar información útil para la toma de decisiones clínicas. Por ejemplo, podrían monitorizar interacciones peligrosas entre medicamentos o ayudar a los médicos a identificar qué pacientes responderán mejor a tratamientos específicos.
Un análisis eficiente y revelador
El estudio analizó registros médicos de 1,201 niños de entre 6 y 11 años, pacientes de 11 prácticas de atención primaria pediátrica dentro de la misma red de salud, que habían recibido al menos una prescripción de medicamento para el déficit de atención e hiperactividad (TDAH). La investigación se centró en determinar si los niños recibían el seguimiento adecuado tras la prescripción de nuevos medicamentos, teniendo en cuenta que estos pueden presentar efectos secundarios disruptivos, como la supresión del apetito.
Los investigadores entrenaron un modelo de lenguaje existente para leer las notas de los médicos, buscando menciones sobre efectos secundarios en los primeros tres meses de tratamiento. La precisión del modelo fue notable, logrando clasificar correctamente aproximadamente el 90% de las notas analizadas. Este desempeño permitió a los investigadores evaluar rápidamente más de 15,000 notas, una tarea que habría requerido más de siete meses de trabajo a tiempo completo sin la ayuda de la IA.
Los resultados de la IA revelaron información que podría haber pasado desapercibida en un análisis manual. Por ejemplo, se observó que algunas prácticas pediátricas preguntaban con frecuencia sobre los efectos secundarios durante las conversaciones telefónicas con los padres, mientras que otras no lo hacían. Además, se identificó que los pediatras eran menos propensos a hacer preguntas de seguimiento sobre ciertos medicamentos, lo que sugiere una posible falta de atención hacia alternativas menos comunes.
Sin embargo, el modelo de IA también presenta limitaciones. Aunque detectó patrones en los registros, no fue capaz de explicar las razones detrás de estos, lo que requiere una interpretación humana. Bannett, autor principal del estudio, destacó la importancia de la comunicación con los pediatras para comprender las prácticas clínicas subyacentes a los datos recopilados.
A medida que se desarrollan más herramientas de IA para la investigación médica, es fundamental considerar no solo las capacidades de estas tecnologías, sino también sus limitaciones. Algunos análisis, como revisar grandes volúmenes de registros médicos, son ideales para la IA, mientras que otros, que implican una comprensión ética del paisaje médico, requieren un enfoque cuidadoso por parte de los profesionales de la salud.
Bannett subrayó que los modelos de IA son entrenados con datos existentes del sistema de salud, que históricamente han mostrado disparidades. Por ello, los investigadores deben ser conscientes de cómo mitigar estos sesgos al diseñar y aplicar herramientas de IA. Con precauciones adecuadas, la IA tiene el potencial de mejorar la práctica médica, ofreciendo a los médicos acceso a conocimientos derivados de grandes poblaciones, lo que podría facilitar decisiones más personalizadas y efectivas en el manejo de la salud de los pacientes.
