Mejorando la Precisión del Diagnóstico y la Atención al Paciente

 Los modelos de IA y los determinantes sociales de la salud

Uno de los descubrimientos más resaltantes del estudio llevado a cabo por científicos de Mass General Brigham, es que los modelos de lenguaje grandes (LLM), una variante de IA constructiva, pueden entrar en funcionamiento para extraer información relevante sobre los determinantes sociales de la salud (SDoH) de las anotaciones de los médicos. Con esta estrategia, los modelos ajustados proporcionalmente pudieron identificar a un 93.8% de los pacientes con SDoH desfavorable, en comparación con los códigos diagnósticos oficiales que solo lo hicieron en un 2% de los casos. Los investigadores revisaron manualmente 800 anotaciones médicas de 770 pacientes con cáncer y capacitaron los LLM existentes para identificar referencias a SDoH, hallando que los LLM refinados, particularmente el LLM Flan T5, lograban identificar consistentemente referencias poco comunes de SDoH en las anotaciones médicas.

 Minimizando el sesgo algorítmico en los modelos de IA para atención médica

También se afrontó el problema del sesgo algorítmico en los modelos de IA aplicados a la salud. Según el estudio, la modificación progresiva de los LLM pueden ser un recurso eficaz para disminuir este tipo de sesgo. Este logro representa un avance trascendental en la búsqueda de una IA ecuánime, ya que la atenuación del sesgo en estos modelos es vital para que las ventajas de esta tecnología sean accesibles y beneficiosas para cada paciente, más allá de sus particularidades demográficas.

 AMIE de Google: exactitud diagnóstica y habilidad conversacional

Los investigadores de Google han lanzado AMIE (Explorador de Inteligencia Médica Articulada), un sistema de IA desarrollado para entablar conversaciones auténticas para recoger datos médicos y emitir sugerencias diagnósticas. AMIE, instruido con repositorios de datos sanitarios reales y un innovador entorno simulado personalizado, tiene como objetivo reproducir la experiencia de un médico en diálogos con los pacientes. En un estudio virtual, AMIE demostró tener mayor exactitud diagnóstica y superó a los médicos generales en la mayoría de las evaluaciones de calidad en las consultas. Sin embargo, la incorporación de AMIE a contextos de salud reales precisará de más investigación, ya que la interfaz de chat de texto utilizada en la investigación no es representativa de la práctica médica estándar.

 LLM en atención clínica e investigación

Una investigación reciente señala el uso de LLM para extraer datos esenciales de registros médicos electrónicos (EMR) para optimizar los resultados de la investigación y proporcionar una mejor atención clínica al identificar pacientes con determinantes sociales adversos de la salud. Los modelos LLM tipo Flan T5 XL y XXL ajustados resultaron ser los más eficientes en la extracción de menciones de SDoH y menciones adversas de SDoH. Se observó una mejora en estos modelos al incorporar datos sintéticos en la fase de entrenamiento, y estos mostraron menor sesgo en sus predicciones. Los modelos lograron clasificar a los pacientes en seis categorías de SDoH, y captaron a casi el 94% de los pacientes con SDoH adverso comparado con el 2% con el método estándar de EMR, utilizando códigos ICD-10.

Estos avances innovadores anticipan un futuro alentador para la IA en la atención médica. A medida que los modelos de IA continúan evolucionando y adquiriendo mayor refinamiento, su papel en mejorar la precisión diagnóstica, optimizando la comunicación, y brindando atención personalizada, se vuelve cada vez más importante. Aunque todavía persiste el desafío de incorporar estos modelos a contextos reales y asegurar su equidad y objetividad para todos los pacientes, los beneficios potenciales son vastos e indudables.