'Doctor de IA' predice resultados de pacientes y readmisión hospitalaria

Desde hace ya bastante tiempo, los profesionales han estado trabajando en algoritmos informáticos que podrían mejorar los servicios de atención médica. Algunos de estos algoritmos han demostrado su potencial para proporcionar predicciones clínicas cruciales. Sin embargo, su adopción ha sido limitada ya que son los más adecuados para analizar datos cuidadosamente estructurados, mientras que los proveedores de atención médica a menudo expresan sus observaciones en un lenguaje individualizado y creativo, reflejando los procesos de pensamiento humano. Ahora, un innovador programa de IA puede interpretar las notas de los médicos para calcular de forma confiable el riesgo de mortalidad de los pacientes, la duración de la estadía en el hospital y otros factores de atención importantes. Esta tecnología, que automatiza tareas básicas, podría optimizar los flujos de trabajo y liberar más tiempo para que los médicos se comuniquen con sus pacientes.

Esta herramienta innovadora ha sido desarrollada por un equipo de investigación de la Escuela de Medicina Grossman de la NYU (Nueva York, NY, EUA) y actualmente se usa en los hospitales Langone Health de la NYU para estimar la probabilidad de que un paciente sea readmitido dentro de los 30 días posteriores al alta. En medio de los desafíos que plantea la laboriosa reestructuración de datos, ha surgido un nuevo tipo de IA, conocido como modelos de lenguaje extenso (LLM), que puede "comprender" el texto sin requerir datos especialmente formateados. Los LLM utilizan algoritmos informáticos específicos para predecir la palabra más adecuada para completar una oración en función del uso probable de ese término por parte de los humanos en el contexto dado. A medida que la computadora recibe más datos para "aprender" estos patrones de palabras, su precisión para hacer predicciones mejora con el tiempo. Los investigadores de NYU Langone crearon un LLM, llamado NYUTron, que se puede entrenar utilizando texto sin modificar de registros de salud electrónicos para evaluar las condiciones de salud del paciente de manera efectiva.

En su estudio, los investigadores entrenaron a NYUTron utilizando millones de notas clínicas recopiladas de los registros de salud electrónicos de 336.000 personas que recibieron atención en el sistema hospitalario NYU Langone desde enero de 2011 hasta mayo de 2020. La "nube" de lenguaje resultante de 4.100 millones de palabras incluyó todos tipos de registros escritos por médicos, como informes de radiología, notas de progreso del paciente y pautas para el alta. Curiosamente, el programa fue capaz de manejar el lenguaje no estandarizado utilizado por diferentes médicos, incluso descifrando abreviaturas únicas utilizadas por escritores individuales. El estudio reveló que NYUTron pudo identificar con precisión el 85 % de las muertes en el hospital (una mejora del 7 % en comparación con los métodos tradicionales). La herramienta estimó la duración real de la estancia del 79 % de los pacientes (una mejora del 12 % en comparación con el modelo estándar) y también tuvo éxito en la evaluación de la posibilidad de que otras condiciones acompañen a una enfermedad primaria (índice de comorbilidad), así como la probabilidad de denegación de seguro.

“Estos resultados demuestran que los grandes modelos de lenguaje hacen que el desarrollo de 'hospitales inteligentes' no solo sea una posibilidad, sino una realidad”, dijo el autor principal del estudio y neurocirujano Eric K. Oermann, MD. “Dado que NYUTron lee la información tomada directamente del registro de salud electrónico, sus modelos predictivos pueden construirse fácilmente e implementarse rápidamente a través del sistema de atención médica”.

Enlaces relacionados:
Escuela de Medicina Grossman de la NYU

Visitar la expo >

Miembro Oro

SARS‑CoV‑2/Flu A/Flu B/RSV Sample-To-Answer Test

SARS‑CoV‑2/Flu A/Flu B/RSV Cartridge (CE-IVD)

Miembro Oro

12-Channel ECG

CM1200B

New

Ultrasonic Cleaners

Large-Capacity Ultrasonic Cleaners

New

Vital Signs Monitor

iM3s