← Volver al inicio

Detectar la toxicidad de la inmunoterapia en las historias clínicas: la asistencia de IA reduce el tiempo de revisión un 43.5%

Las reacciones adversas de la inmunoterapia contra el cáncer suelen quedar dispersas en las notas clínicas. Un estudio de validación en varias fases muestra que la IA puede ayudar al personal a organizar estos indicios con mayor rapidez y coherencia; sin embargo, la caída del rendimiento en las pruebas prospectivas recuerda que su beneficio clínico aún debe demostrarse.

By SURL BioNews

La vigilancia de la seguridad de la inmunoterapia contra el cáncer a veces exige reconstruir la información página a página en las historias clínicas: ¿se está produciendo una reacción adversa, qué gravedad tiene y está relacionada con el tratamiento? Un estudio publicado el 29 de octubre en «Nature Cancer» aplicó IA a esta laboriosa tarea de revisión y observó que, con su asistencia, la mediana del tiempo que el personal dedicaba a anotar las historias clínicas se reducía un 43.5%, con mejoras también en la exactitud de la interpretación y la concordancia entre revisores.

El estudio se centró en los eventos adversos relacionados con el sistema inmunitario durante el tratamiento con inhibidores de puntos de control inmunitario. El sistema extrae del texto clínico la presencia o ausencia de seis tipos de eventos, su momento de aparición, su gravedad y la atribución al tratamiento y el grado de certeza documentados por los médicos. Esta información ayuda a organizar los datos de seguridad, pero sigue requiriendo comprobación por parte del personal; identificar las descripciones en las historias clínicas tampoco equivale a confirmar de forma independiente la causa.

La validación se dividió en pruebas retrospectivas, un despliegue prospectivo silencioso y un estudio de uso por parte del personal. La prepublicación de marzo del mismo estudio, recogida en PubMed y por la Universidad de Maastricht, ya documentaba 263 historias clínicas para las pruebas retrospectivas y 884 para las prospectivas. En las pruebas retrospectivas, la puntuación F1 fue de 0.92 para la detección de eventos y de 0.66 para la clasificación de su gravedad. F1 combina la precisión y la sensibilidad; la diferencia entre ambas puntuaciones indica que detectar los eventos resulta más fácil que determinar su gravedad.

El estudio con personal de la publicación definitiva utilizó un diseño cruzado aleatorizado, en el que 17 miembros del personal de investigación clínica compararon el proceso manual con el asistido por IA, y obtuvo un total de 316 observaciones de tiempo analizables. La mediana del tiempo de anotación por historia clínica pasó de 428 segundos a 242 segundos. El 43.5% corresponde aquí a la reducción entre las medianas de los dos grupos; el resumen de la prepublicación anterior empleaba la expresión «aproximadamente un 40%», pero al informar debe tomarse como referencia la definición explícita de la versión definitiva.

Además de la mejora en la velocidad, la «tasa de coincidencia completa», que exige que la clasificación de los seis tipos de eventos actuales coincida íntegramente con la respuesta de referencia, aumentó del 19.4% al 25.9%. Los indicadores de concordancia entre revisores pasaron de 0.22–0.51 a 0.82–0.85. No obstante, la tasa de coincidencia completa sigue siendo baja, y una mayor concordancia tampoco demuestra por sí sola que cada evaluación sea correcta.

El despliegue prospectivo silencioso de tres meses, más cercano al flujo real de datos, planteó otra prueba: la puntuación F1 de detección descendió a 0.72–0.79, por debajo de las pruebas retrospectivas. El despliegue silencioso consiste en evaluar el sistema sin intervenir en las decisiones asistenciales. Por tanto, estos resultados respaldan su capacidad para extraer información de las historias clínicas, pero aún no permiten inferir que los pacientes puedan recibir atención antes ni que se reduzcan las hospitalizaciones o las interrupciones del tratamiento.

Por ahora, todas las fases de validación proceden del mismo sistema sanitario, y sigue faltando validación externa para determinar si el rendimiento se mantiene en otros hospitales, formatos de historias clínicas y contextos de atención oncológica. Este estudio ofrece una herramienta concreta y una vía de validación para organizar los datos de seguridad de la inmunoterapia; para convertirse en un apoyo fiable para las decisiones asistenciales, aún debe demostrar que puede identificar errores en distintos entornos y aportar beneficios medibles para los pacientes.

References

  1. Nature Cancer
  2. PubMed / National Library of Medicine
  3. Maastricht University