Mejorando el acceso a atención especializada con IA

Muchos estadounidenses tienen problemas para acceder a atención médica especializada. Más de 25 millones de personas tienen dificultades para llegar a estos especialistas, lo que puede llevar a peores resultados en salud. Una razón de esto es que los doctores tienen tiempo y recursos limitados. Esto puede dificultar que los pacientes obtengan la ayuda que necesitan rápidamente.

Una forma de acelerar el acceso a la atención especializada es predecir qué pruebas y Procedimientos Médicos se necesitarán durante la primera cita. Si los doctores pueden anticipar estas necesidades desde el principio, podría reducir los retrasos y, a veces, incluso evitar la necesidad de una visita en persona. Los métodos actuales, como las listas de verificación clínicas, se usan para optimizar el proceso de referencia, pero pueden ser difíciles de personalizar para diferentes situaciones de pacientes. A menudo, brindan orientación general que puede no ajustarse a cada caso.

Hay la posibilidad de que usar inteligencia artificial (IA) mejore cómo se brinda la atención especializada. La IA puede analizar grandes cantidades de datos de pacientes y dar recomendaciones más personalizadas basadas en casos anteriores. Al usar registros de salud electrónicos (EHR), que son registros detallados de las historias clínicas de los pacientes, la IA puede ayudar a los doctores a tomar mejores decisiones de manera más eficiente.

Se han hecho varios intentos para crear sistemas que sugieran automáticamente órdenes médicas. Herramientas como OrderRex y varios modelos de aprendizaje automático han demostrado ser prometedores para ayudar a los doctores a decidir qué pruebas y tratamientos ordenar. Sin embargo, estos métodos anteriores suelen tener limitaciones en cómo recopilan y procesan los Datos del paciente.

#Nuestro Enfoque

Para mejorar el proceso de recomendación de procedimientos médicos, proponemos un nuevo método que utiliza un tipo de IA llamada red neuronal gráfica (GNN). Este modelo tiene en cuenta las diversas relaciones entre diferentes partes de la historia médica de un paciente, lo que facilita proporcionar recomendaciones personalizadas antes o durante su primera visita a un especialista.

Nos enfocamos en dos áreas de atención especializada: endocrinología y hematología. Ambos campos a menudo dependen de pruebas diagnósticas detalladas para guiar el tratamiento, lo que los hace ideales para probar nuestro modelo.

#Recolección de Datos

#Datos de Endocrinología

Recopilamos datos de pacientes referidos a una clínica de endocrinología desde 2008 hasta 2018. Incluimos específicamente a pacientes que tuvieron su primera cita dentro de los cuatro meses posteriores a la referencia. El conjunto de datos final consistió en 6,821 pacientes. El registro de cada paciente incluía detalles como sus condiciones médicas, resultados de laboratorio y procedimientos previos a su referencia.

#Datos de Hematología

De manera similar, recopilamos datos de pacientes referidos a una clínica de hematología desde 2008 hasta 2021. Este conjunto de datos incluyó 2,007 nuevos pacientes. Al igual que los datos de endocrinología, cada registro incluía condiciones, resultados de laboratorio y procedimientos.

#Análisis de Datos de Pacientes

Comparamos las características de los pacientes entre las dos especialidades. Ambos grupos eran similares en términos de edad, sexo, raza y etnicidad. Analizamos las condiciones médicas más comunes, pruebas de laboratorio y medicamentos de cada grupo antes de ser referidos a atención especializada.

Para los pacientes de endocrinología, los diagnósticos comunes incluían problemas con la tiroides, y las pruebas más solicitadas eran paneles metabólicos y pruebas de función tiroidea. Los pacientes de hematología a menudo tenían anemia o recuentos bajos de plaquetas, siendo las pruebas de sangre y otras pruebas relacionadas los procedimientos comunes.

#Usando una Red Neuronal Gráfica

Nuestro modelo de IA se basa en la idea de un gráfico, que ayuda a visualizar y entender las conexiones entre diferentes elementos de los datos del paciente. En nuestro gráfico, un tipo de nodo representa al paciente, mientras que otro tipo representa los procedimientos que podrían necesitar. Al usar conexiones (o bordes) entre estos nodos, la GNN puede analizar los datos y hacer predicciones sobre qué procedimientos serán necesarios.

Por ejemplo, si los datos de un paciente indican que tiene problemas con la tiroides, la GNN puede sugerir pruebas y tratamientos específicos. El modelo aprende de los registros de pacientes anteriores, observando qué procedimientos se ordenaron en casos similares para hacer sus recomendaciones.

#Pruebas del Modelo

Probamos nuestro modelo GNN en pacientes de endocrinología y hematología. El objetivo era determinar si este nuevo enfoque podría predecir procedimientos médicos con mayor precisión que los métodos tradicionales, como listas de verificación clínicas o algoritmos de recomendación más antiguos.

#Resultados de Endocrinología

En nuestras pruebas para endocrinología, el modelo GNN hizo predicciones precisas sobre los procedimientos necesarios para nuevas referencias de pacientes. Superó a los métodos tradicionales, logrando una puntuación que indica alta precisión en sus predicciones. Esto sugiere que nuestro modelo puede proporcionar recomendaciones más efectivas que las listas existentes que los doctores suelen usar.

#Resultados de Hematología

De manera similar, para hematología, nuestro modelo mostró un rendimiento sólido. Predijo los procedimientos necesarios con mayor precisión en comparación con modelos tradicionales. También proporcionó recomendaciones que estaban alineadas con lo que los especialistas normalmente ordenarían.

#Comparación con Listas de Verificación Clínicas

Uno de los hallazgos clave de nuestro estudio es que el modelo GNN superó las listas de verificación clínicas estándar utilizadas en ambos campos. Estas listas son útiles, pero a menudo son limitadas, ya que solo cubren condiciones específicas y pueden no aplicarse a cada paciente. Sin embargo, nuestro modelo puede adaptarse a una gama más amplia de historias clínicas y necesidades del paciente, lo que lo convierte en una herramienta más flexible para los doctores.

Cuando analizamos casos específicos, como pacientes con anemia en hematología, las recomendaciones hechas por el modelo GNN a menudo coincidían con las de la lista de verificación clínica. Esta superposición muestra que nuestro modelo no solo está proporcionando predicciones precisas, sino que también es consistente con las pautas establecidas.

#Implicaciones para la Atención Médica

El uso de IA en recomendaciones médicas tiene el potencial de mejorar significativamente el acceso a la atención. Al proporcionar sugerencias de procedimientos más rápidas y personalizadas, los doctores pueden pasar menos tiempo decidiendo sobre pruebas y más tiempo tratando a los pacientes. Esto podría ser particularmente valioso para los pacientes que enfrentan retrasos en recibir atención especializada.

Además, los proveedores de atención primaria pueden beneficiarse de usar estas herramientas de IA mientras piensan en lo que podrían ordenar los especialistas. Al anticipar las necesidades de los pacientes desde el principio, se reducen los tiempos de espera y se mejora la atención general del paciente.

#Limitaciones y Direcciones Futuras

Aunque el modelo GNN muestra gran promesa, hay algunas limitaciones. El estudio se centró en la atención ambulatoria, lo que significa que podría no cubrir todos los escenarios, especialmente para casos hospitalarios donde los datos pueden diferir. Además, el modelo depende de la precisión de los registros históricos, que a veces pueden contener errores.

La investigación futura debería seguir probando y refinando este modelo, observando su rendimiento en diferentes entornos de atención médica. También hay espacio para explorar cómo el modelo puede integrar fuentes de datos más variadas o cómo puede ajustarse para diferentes especialidades médicas.

En general, fusionar IA con enfoques tradicionales en la atención médica puede llevar a una mejor y más eficiente atención al paciente. A medida que la tecnología continúa avanzando, estas herramientas pueden ayudar a los doctores a tomar decisiones informadas mientras aseguran que los pacientes reciban la atención oportuna que necesitan.