Inteligencia artificial médica · us
¿La IA médica es más precisa cuanto más lee? Un estudio revela que el beneficio de integrar datos depende de la tarea
Integrar historias clínicas, informes radiológicos y radiografías de tórax ayuda a predecir los diagnósticos al alta y la medicación; pero, para estimar el riesgo de muerte y la duración de la estancia hospitalaria, las historias clínicas estructuradas por sí solas ya ofrecen un rendimiento similar o incluso mejor.
Tras el ingreso de un paciente, se van acumulando constantes vitales, resultados de laboratorio, imágenes e informes médicos. Para la inteligencia artificial que ayuda a formular juicios clínicos, ¿procesar todos estos datos permite hacer predicciones más precisas? Un equipo de la Universidad de Florida descubrió que la respuesta depende de la pregunta: integrar datos puede mejorar la predicción de diagnósticos y medicamentos, pero no necesariamente hace más fiable la evaluación del riesgo y, en algunas tareas, incluso empeora el rendimiento.
La universidad presentó el estudio el 26 de octubre, y el artículo correspondiente se publicó en el Journal of the American Medical Informatics Association (JAMIA). La investigación integró datos de MIMIC-IV, MIMIC-IV-Note y MIMIC-CXR-JPG para crear una cohorte de análisis que abarcó 22,254 hospitalizaciones. Comparó el rendimiento de modelos de lenguaje y de visión y lenguaje, tanto de propósito general como adaptados al ámbito médico, utilizando uno, dos o tres tipos de datos.
Según explicó la universidad, los modelos solo utilizaron información de las primeras 24 horas de hospitalización para abordar cuatro tareas: predecir la mortalidad intrahospitalaria y la duración de la estancia, identificar los diagnósticos al alta y predecir qué medicamentos recibirían los pacientes. Esta última tarea evalúa la capacidad de predecir la medicación realmente administrada; no puede interpretarse directamente como prueba de que el modelo ya sabe elegir el tratamiento más adecuado.
En las tareas de diagnóstico y medicación, los mejores modelos que integraron los tres tipos de datos alcanzaron puntuaciones F1 de 0.589 y 0.405, respectivamente, lo que supone mejoras relativas del 21.4% y el 18.4% frente a los mejores modelos que utilizaron un solo tipo de datos. La puntuación F1 combina la precisión y la sensibilidad de las predicciones; estos incrementos no equivalen a aumentos de la exactitud en el mismo número de puntos porcentuales ni significan que hayan mejorado los resultados del tratamiento de los pacientes.
La predicción del riesgo mostró un panorama distinto. Utilizando únicamente historias clínicas estructuradas, los mejores valores de AUROC para predecir la mortalidad y la duración de la estancia fueron de 0.849 y 0.868, respectivamente, y ya alcanzaban el mejor rendimiento o uno similar. El modelo con tres tipos de datos presentado por la universidad obtuvo un AUROC de 0.861 para la duración de la estancia, ligeramente inferior al obtenido utilizando solo historias clínicas. El AUROC refleja la capacidad del modelo para distinguir entre distintos resultados; no puede interpretarse directamente como la proporción de pacientes para los que la predicción fue correcta.
La forma de incorporar las imágenes también influyó en los resultados. El resumen del artículo señala que, como información complementaria, los informes radiológicos en texto aportaron sistemáticamente más que las radiografías de tórax de una sola proyección; el uso de varias proyecciones, a su vez, superó al de una sola en todas las tareas. Esto indica que el formato y la cobertura de los datos también deben evaluarse según el uso previsto, sin limitarse a contabilizar cuánta información recibe el modelo.
Por ahora, este estudio aporta una base para el diseño de la IA clínica. La universidad señaló que el análisis se limita a un conjunto de datos de un solo hospital y a información de la fase inicial de la hospitalización, y que el rendimiento en diagnóstico y medicación sigue siendo insuficiente para respaldar su uso a pie de cama. Para incorporarlos a la atención clínica, aún es necesario confirmar si los modelos son fiables en otros hospitales y en los flujos de trabajo reales, y si sus predicciones pueden mejorar realmente las decisiones médicas.