Aprovechando la IA en psiquiatría para la prevención del suicidio

La inteligencia artificial (IA) y el aprendizaje automático se están usando para ayudar con trastornos psiquiátricos, pero los resultados han sido variados. Una razón de esto es la complejidad de los datos involucrados. En psiquiatría, mucha información importante está en texto libre, que se refiere a Notas Clínicas no estructuradas escritas por proveedores de salud. Esta info es clave para entender la salud mental de un paciente, pero puede ser difícil de analizar de manera efectiva. Como resultado, se pueden perder valiosos insights en la práctica clínica y en la investigación.

#El rol de la tecnología

Los avances recientes en tecnología han demostrado que es posible manejar datos médicos no estructurados de manera más efectiva. Uno de los desarrollos emocionantes en este ámbito es el uso de Modelos de Lenguaje Grande (LLMs). A diferencia de los métodos más antiguos de procesar texto, que a menudo requerían descomponer el texto en partes más pequeñas y mucho trabajo manual, los LLMs están diseñados para entender y crear texto por su cuenta. Aprenden de enormes cantidades de datos textuales, lo que les permite reconocer patrones y relaciones dentro del lenguaje.

#Abordando el suicidio en psiquiatría

El suicidio es una gran preocupación en la atención psiquiátrica y a menudo resulta de luchas con la salud mental. De hecho, el suicidio representa casi la mitad de todas las admisiones psiquiátricas de emergencia. Con el apoyo adecuado, muchos Suicidios se pueden prevenir. La investigación muestra que los esfuerzos consistentes pueden reducir significativamente el número de suicidios en pacientes internos. Esto ha llevado a la idea de que herramientas automatizadas podrían identificar a pacientes en riesgo de suicidio analizando registros clínicos que no se han utilizado plenamente hasta ahora.

#Metodología de investigación

Para explorar esto, se realizó un estudio usando 100 notas de admisión seleccionadas al azar de pacientes tratados en una sala psiquiátrica aguda durante un año. El grupo incluía tanto hombres como mujeres con una edad promedio de 50 años. Los diagnósticos más comunes entre estos pacientes incluían trastorno depresivo mayor, trastornos psicóticos y demencia, entre otros.

Para analizar estas notas, se utilizó un modelo de lenguaje grande llamado Llama-2. Este modelo se instaló en una computadora del hospital local para asegurar que los datos del paciente se mantuvieran privados. El estado de suicidabilidad se identificó a partir de las notas usando tres versiones diferentes del modelo Llama-2, incluyendo dos que estaban ajustadas para el idioma alemán. Los resultados de estos modelos se compararon con un consenso alcanzado por un psiquiatra entrenado y un residente.

#Ingeniería de Prompts

El rendimiento de los LLMs puede mejorarse a través de una técnica llamada ingeniería de prompts, que implica diseñar cuidadosamente las preguntas planteadas al modelo. El estudio usó varias estrategias de prompts, comenzando con preguntas simples sobre suicidabilidad y agregando ejemplos gradualmente para mayor claridad. Después de refinar los prompts, también se probó un método de cadena de pensamiento, donde el modelo procesaba sus propias salidas.

Para asegurar que los hallazgos fueran confiables, se aplicó un método estadístico conocido como bootstrapping, que involucraba re-muestrear los datos muchas veces para generar una estimación más precisa.

#Consideraciones Éticas

El estudio se llevó a cabo siguiendo pautas éticas para proteger la privacidad del paciente. Un comité de ética otorgó aprobación, asegurando que la investigación se realizara de manera responsable y ética.

#Resultados

Llama-2 pudo extraer información sobre suicidabilidad de los informes psiquiátricos de manera precisa. Los mejores resultados vinieron de uno de los modelos en alemán, que identificó la suicidabilidad correctamente en el 87.5% de los casos. Este modelo también demostró buena sensibilidad y especificidad, lo que indica que fue efectivo tanto en identificar correctamente a quienes están en riesgo como en evitar falsos positivos.

#Análisis del rendimiento

Se probaron diferentes estrategias de prompts para encontrar cuál era la más efectiva. Los prompts simples produjeron la mayor sensibilidad en uno de los modelos alemanes, mientras que otros modelos mostraron estabilidad en el rendimiento sin importar el número de ejemplos proporcionados. La adición de más ejemplos mejoró el rendimiento para algunos modelos, mientras que otros se mantuvieron estables.

Sin embargo, el enfoque de cadena de pensamiento no mejoró los resultados para todos los modelos y, en algunos casos, llevó a una disminución en el rendimiento. Esto sugiere que los prompts más simples pueden ser más beneficiosos para ciertas tareas.

#Implicaciones para la práctica clínica

Los hallazgos de este estudio muestran que los modelos de lenguaje grande pueden ser herramientas poderosas para identificar riesgos de suicidabilidad a partir de notas psiquiátricas. Su rendimiento en sensibilidad y especificidad indica que estos modelos tienen potencial para mejorar las evaluaciones de salud mental. Esto es especialmente importante en entornos clínicos donde identificar pacientes de alto riesgo es crucial.

#Direcciones futuras

Si bien el estudio se centra en identificar la suicidabilidad como un resultado binario, investigaciones futuras deberían analizar evaluaciones más matizadas, diferenciando entre varios niveles de riesgo. Se necesitarán estudios adicionales que incluyan un etiquetado más extenso de casos para mejorar la precisión de los modelos. También es importante examinar el rendimiento de los LLMs en muestras de validación externas más grandes para confirmar su efectividad.

Abordar desafíos como sesgos y consideraciones éticas es vital a medida que estas tecnologías se integren más en la atención médica. Los desarrolladores deben considerar pautas para el uso seguro y equitativo de la IA en contextos médicos.

#Conclusión

Esta investigación destaca el potencial de usar herramientas automatizadas para analizar notas psiquiátricas en busca de indicadores de suicidabilidad. Con los avances continuos en tecnología, especialmente en modelos de lenguaje grande, hay esperanza de desarrollar sistemas de alerta temprana efectivos para emergencias psiquiátricas. Estos sistemas podrían promover mejores resultados para los pacientes, mejorar la calidad de la atención y potenciar las capacidades de investigación en salud mental.

Los resultados fomentan una mayor exploración sobre cómo se puede aplicar la IA en entornos clínicos, enfatizando la importancia de equilibrar la innovación con prácticas éticas. Al seguir refinando estos modelos y estrategias, podemos esperar avanzar en la identificación y prevención del suicidio dentro de la atención psiquiátrica.