Sistema de IA revela patrones de diagnóstico ocultos en historias clínicas electrónicas

Los médicos a menudo deben tomar decisiones médicas cruciales en cuestión de minutos. Sin embargo, la información disponible en las historias clínicas electrónicas (HCE) puede ser incompleta o difícil de interpretar, especialmente para pacientes con enfermedades raras o síntomas complejos. Si bien las HCE contienen una gran cantidad de datos, las herramientas de diagnóstico actuales tienen dificultades para identificar vínculos sutiles entre eventos médicos a lo largo del tiempo. Ahora, un nuevo sistema de inteligencia artificial (IA) puede descubrir patrones de diagnóstico ocultos en estas historias, convirtiendo datos fragmentados en información diagnóstica práctica.

Investigadores de la Escuela de Medicina Icahn del Monte Sinaí (Nueva York, NY, EUA) han desarrollado el sistema de IA InfEHR (Inferencia en Historias Clínicas Electrónicas) para vincular eventos médicos desconectados y revelar relaciones antes no detectadas. A diferencia de la mayoría de los sistemas de IA que aplican modelos de diagnóstico uniformes, InfEHR adapta su análisis a cada paciente mediante la creación de redes individualizadas a partir de visitas médicas, resultados de laboratorio y tratamientos. Esta red diagnóstica específica para cada paciente permite al sistema formular preguntas adaptativas y ofrecer información clínica altamente personalizada.

En un estudio publicado en Nature Communications, el sistema utilizó datos anónimos de HCE para detectar con éxito la sepsis neonatal sin hemocultivos positivos con una precisión hasta 16 veces mayor que los métodos existentes y predijo la lesión renal posoperatoria con una eficacia entre 4 y 7 veces mayor. Sorprendentemente, logró esto sin necesidad de grandes conjuntos de datos de entrenamiento, lo que demuestra su capacidad para aprender directamente de los historiales clínicos de los pacientes y adaptarse a diferentes hospitales y poblaciones.

Además del diagnóstico, InfEHR incorpora una función de seguridad crucial que indica la incertidumbre cuando los datos son insuficientes, garantizando así la fiabilidad en entornos clínicos. Sus desarrolladores planean ampliar su uso hacia la orientación personalizada del tratamiento mediante la integración de datos de ensayos clínicos, ayudando a los médicos a determinar qué resultados de investigación se aplican mejor a cada paciente. Este enfoque probabilístico podría acortar distancias entre los entornos de investigación controlados y la atención al paciente en situaciones reales, mejorando así la prestación de la medicina de precisión.

"La IA tradicional pregunta: ¿Se parece este paciente a otros con la misma enfermedad?. InfEHR adopta un enfoque diferente: ¿Podría la trayectoria clínica única de este paciente ser resultado de una enfermedad subyacente?. Es la diferencia entre simplemente comparar patrones y descubrir la causalidad", afirmó el autor principal, Justin Kauffman, MS. "Los ensayos clínicos suelen centrarse en poblaciones específicas, mientras que los médicos atienden a cada paciente. Nuestro enfoque probabilístico ayuda a superar esa brecha, facilitando que los clínicos identifiquen qué hallazgos de investigación realmente se aplican al paciente que tienen delante".

Enlaces relacionados:
Escuela de Medicina Icahn