Mejorando la Alfabetización en Salud con Asistencia de IA
Usando IA para simplificar las instrucciones de alta en el hospital para que los pacientes entiendan mejor.
― 6 minilectura
Tabla de contenidos
La Alfabetización en salud es lo bien que la gente puede encontrar, entender y usar la información de salud para tomar decisiones sobre su salud. Muchos adultos en los Estados Unidos tienen dificultades en este tema. Aproximadamente el 90% de los adultos luchan por entender la información de salud, lo que puede llevar a problemas de salud graves. Cuando la gente no puede entender sus instrucciones o consejos de salud, puede terminar en el hospital más a menudo, lo que puede ser costoso y peligroso.
El Problema con la Información de Salud
A menudo, la información de salud que se da a los pacientes, como las instrucciones después de salir del hospital, está escrita en un lenguaje complicado. Esto puede hacer que sea difícil para los pacientes entender detalles importantes como cómo tomar sus medicamentos o cuándo programar citas de seguimiento. Si los pacientes no entienden esta información, pueden ser readmitidos en el hospital, lo que le cuesta más dinero al sistema de salud y aumenta el riesgo de problemas de salud.
Un estudio mostró que cuando los resúmenes de alta se escribían de manera más clara y simple, los pacientes eran menos propensos a regresar al hospital en 30 días. Esto señala la necesidad de una comunicación de salud más clara.
Los Objetivos de Nuestro Estudio
Este estudio busca mejorar cómo se escriben las instrucciones de alta del hospital. Queremos usar inteligencia artificial (IA) para hacer estas instrucciones más fáciles de leer. Aunque hay herramientas de IA que ayudan a coordinar la atención, pocas se centran en simplificar las instrucciones para los pacientes cuando salen del hospital.
El objetivo es ver si un sistema de IA puede aprender a hacer que las instrucciones de alta del hospital sean más claras y fáciles de entender.
Cómo se Realizó el Estudio
Primero, obtuvimos permiso para llevar a cabo el estudio. Recopilamos una lista de personas que fueron tratadas por insuficiencia cardíaca en el hospital entre 2016 y 2021. La insuficiencia cardíaca a menudo conduce a readmisiones, así que fue un buen tema para centrarse. Reunimos 423 conjuntos de instrucciones de alta manualmente de registros electrónicos.
Para analizar estas instrucciones, convertimos listas con viñetas en oraciones completas. Este cambio facilitó que nuestras pruebas de legibilidad puntuaran correctamente los textos. Luego medimos cuán difíciles eran de leer las instrucciones utilizando dos pruebas de legibilidad diferentes.
A continuación, profesionales médicos reescribieron las instrucciones para hacerlas más simples. Se enfocaron en acortar oraciones largas y reemplazar palabras complejas con lenguaje cotidiano. Este proceso creó dos conjuntos de instrucciones: las versiones originales y las simplificadas.
De las 423 instrucciones que reunimos, 343 se usaron para entrenar a nuestro sistema de IA. La tarea de la IA era aprender a simplificar las instrucciones de alta del hospital en función de lo que habían hecho los expertos humanos.
Una vez que la IA fue entrenada, la probamos con las 80 instrucciones de alta restantes que no había visto antes. Medimos la salida de la IA para ver qué tan bien simplificó el texto utilizando las mismas pruebas de legibilidad.
Resultados del Estudio
Las instrucciones de alta originales tenían un nivel de lectura alto, lo que las hacía difíciles para muchos pacientes. Sin embargo, después de que los simplificadores humanos trabajaron en los textos, el nivel de lectura bajó significativamente. La IA mostró la capacidad de simplificar las instrucciones, reduciendo el nivel de lectura, aunque no tan efectivamente como los simplificadores humanos.
En el conjunto de pruebas, tanto las instrucciones simplificadas por humanos como las simplificadas por IA fueron más fáciles de leer en comparación con las instrucciones originales. La IA pudo reducir el nivel de lectura, mostrando que hizo cambios significativos, pero a veces mantuvo partes del texto que podrían haberse simplificado aún más.
La IA también cometió algunos errores, donde agregó texto que no encajaba bien con el significado de la oración original. Encontramos que el sistema mejoró a medida que le dimos más datos para aprender, lo que muestra que hay esperanza para futuros trabajos.
Por Qué Esto Importa
Mejorar la forma en que se presenta la información de salud ayuda a los pacientes a tomar mejores decisiones sobre su salud. Cuando los pacientes entienden sus instrucciones de alta, tienen menos probabilidades de ser readmitidos en los hospitales, lo cual es bueno para su salud y ahorra dinero al sistema de salud. Este estudio mostró que la IA podría ayudar a hacer que los textos médicos sean más simples y accesibles.
Una mejor alfabetización en salud puede ayudar a las personas a manejar mejor su salud. También puede reducir las disparidades en la atención médica, ya que algunos grupos de personas enfrentan más dificultades para entender la información de salud que otros.
Limitaciones del Estudio
Este estudio tuvo algunas limitaciones. El número de instrucciones de alta analizadas fue relativamente pequeño y nos enfocamos específicamente en la insuficiencia cardíaca. Otras condiciones médicas podrían tener diferentes desafíos y requerir diferentes enfoques para simplificar la información.
Tener conjuntos de datos más diversos en estudios futuros será importante para ver cómo la IA puede ayudar en varios contextos médicos. También necesitamos probar qué tan bien entienden los pacientes realmente las instrucciones simplificadas en comparación con las originales.
Direcciones Futuras
El potencial de la IA para mejorar la forma en que se comunica la información de salud es enorme. Este estudio muestra solo el comienzo de cómo la IA puede ayudar a mejorar la comprensión de los pacientes sobre los materiales de salud. La investigación futura debería continuar enfocándose en crear mensajes de salud más claros para todos los pacientes, especialmente aquellos de poblaciones que luchan con la alfabetización en salud.
Los hospitales deberían considerar evaluar a los pacientes para conocer sus niveles de alfabetización en salud. Identificar quién necesita más apoyo puede llevar a educación personalizada, lo que puede ayudar a las personas a manejar mejor sus condiciones de salud.
Al usar IA para simplificar la información de salud y enfocarse en estrategias de comunicación que aborden la alfabetización en salud, podemos ayudar a mejorar los resultados de salud para muchas personas. El objetivo final es asegurar que todos los pacientes reciban información de salud clara y comprensible que puedan poner en práctica.
Este enfoque podría llevar a individuos más saludables y potencialmente reducir los costos de atención médica con el tiempo. Con un enfoque continuo en simplificar las comunicaciones de salud, podemos trabajar hacia un sistema de salud que sea efectivo y accesible para todos.
Título: Using machine learning to improve the readability of hospital discharge instructions for heart failure
Resumen: BackgroundLow health literacy is associated with poor health outcomes. Hospital discharge instructions are often written at advanced reading levels, limiting patients with low health literacy ability to follow medication instructions or complete other necessary care. Previous research demonstrates that improving the readability of discharge instructions reduces hospital readmissions and decreases healthcare costs. We aimed to use artificial intelligence (AI) to improve the readability of discharge instructions. Methodology/Principal FindingsWe collected a series of discharge instructions for adults hospitalized for heart failure (n=423), which were then manually simplified to a lower reading level to create two parallel sets of discharge instructions. Only 343 sets were then processed via AI-based machine learning to create a trained algorithm. We then tested the algorithm on the remaining 80 discharge instructions. Output was evaluated quantitatively using Simple Measure of Gobbledygook (SMOG) and Flesch-Kincaid readability scores and cross-entropy analysis and qualitatively. Using this test dataset (n=80), the average reading levels were: original discharge instructions (SMOG: 10.5669{+/-}1.2634, Flesch-Kincaid: 8.6038{+/-}1.5509), human-simplified instructions (SMOG: 9.4406{+/-}1.0791, Flesch-Kincaid: 7.2221{+/-}1.3794), and AI-simplified instructions (SMOG: 9.3045{+/-}0.9531, Flesch-Kincaid: 7.0464{+/-}1.1308). AI-simplified instructions were significantly different from original instructions (p
Autores: Nathan Cannon, A. W. Tuan, D. Foley, N. Gupta, C. Park, K. Chester-Paul, J. Bhasker, C. Pearson, A. Amarnani, Z. High, J. Kraschnewski, R. Shah
Última actualización: 2023-06-20 00:00:00
Idioma: English
Fuente URL: https://www.medrxiv.org/content/10.1101/2023.06.18.23291568
Fuente PDF: https://www.medrxiv.org/content/10.1101/2023.06.18.23291568.full.pdf
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a medrxiv por el uso de su interoperabilidad de acceso abierto.