IA en Oftalmología: Equilibrando Eficiencia y Precisión

En el campo médico, los profesionales de la salud a menudo usan herramientas llamadas Sistemas de Soporte a Decisiones Clínicas (CDSS) para ayudar con el diagnóstico y tratamiento de pacientes. Recientemente, ha habido un impulso por usar Inteligencia Artificial (IA) en estos sistemas, especialmente en oftalmología, que se centra en el cuidado de los ojos. El objetivo es hacer que el proceso de diagnóstico sea más rápido y preciso.

Sin embargo, el uso de IA también puede llevar a problemas. Un gran problema es el Sesgo Cognitivo. El sesgo cognitivo es un error en el pensamiento que puede afectar la toma de decisiones. Por ejemplo, cuando los doctores se apoyan demasiado en la primera pieza de información que reciben, conocido como Sesgo de anclaje, pueden pasar por alto otros detalles importantes. Esto puede afectar mucho el cuidado del paciente.

En este estudio, queríamos entender cómo los oftalmólogos usan sistemas de soporte a decisiones impulsados por IA y los sesgos potenciales que pueden surgir de ese uso. También examinamos diferentes estrategias para contrarrestar estos sesgos y cuán útiles podrían ser para los doctores en la práctica.

#Contexto del Estudio

Los oftalmólogos en Dinamarca están enfrentando una carga de trabajo pesada. Cada uno de los 383 oftalmólogos es responsable de casi 700,000 pacientes, lo que lleva a desafíos para mantenerse al día con el cuidado de los pacientes. Para ayudar a aligerar esta carga, los sistemas de soporte a decisiones con IA se han integrado cada vez más en el proceso de diagnóstico de pacientes.

Una área específica de preocupación es la Retinopatía Diabética (RD), una enfermedad ocular causada por altos niveles de azúcar en sangre que puede llevar a la ceguera. Detectar la RD implica analizar imágenes de la retina. Aquí es donde los sistemas de IA pueden ayudar al identificar rápidamente posibles problemas en estas imágenes.

#Entendiendo el Sesgo

El sesgo cognitivo es una tendencia humana natural que puede afectar la forma en que tomamos decisiones. Esto es especialmente relevante en la práctica médica, donde los clínicos deben analizar una gran cantidad de información en poco tiempo. Tales sesgos pueden llevar a errores significativos en el diagnóstico de pacientes.

El sesgo de anclaje ocurre cuando un médico se enfoca demasiado en la primera información que recibe, lo que potencialmente les lleva a pasar por alto otros datos importantes. Por ejemplo, si un médico ve que un sistema de IA etiqueta una imagen como "verde" (indicando que no hay problemas), podría asumir erróneamente que todo está bien y no mirar de cerca la imagen.

La investigación ha mostrado que los sesgos cognitivos, como el sesgo de anclaje, son comunes y pueden contribuir a errores de diagnóstico. De hecho, muchos estudios indican que un gran número de errores médicos se pueden rastrear hasta estos sesgos.

#Investigando el Uso de IA por Parte de los Oftalmólogos

Para explorar el uso de IA en oftalmología, realizamos entrevistas y observaciones con oftalmólogos. Queríamos descubrir cómo interactúan con los sistemas de IA, el impacto en su flujo de trabajo y sus opiniones sobre la efectividad y fiabilidad de estos sistemas.

A través de nuestras entrevistas, observamos que mientras la IA puede ayudar a los clínicos a trabajar más rápido, también puede crear una falsa sensación de seguridad. Algunos médicos informaron que confían demasiado en la salida de la IA, saltándose revisiones exhaustivas de las imágenes. Esto podría llevar a pasar por alto detalles cruciales en el diagnóstico de un paciente.

También aprendimos que los médicos a menudo no están seguros sobre la precisión de las evaluaciones de la IA. Muchos expresaron preocupaciones sobre la IA identificando incorrectamente características inofensivas en las imágenes como problemas significativos, lo que lleva a diagnósticos erróneos.

#Diseñando Estrategias de Mitigación de Sesgos

Basado en nuestros hallazgos, nuestro objetivo fue diseñar estrategias para ayudar a reducir sesgos cognitivos al usar CDSS apoyados por IA. Nos enfocamos en tres técnicas principales:

1. Escuchar la Historia Primero: Este enfoque implica que los clínicos revisen los datos del paciente y las imágenes sin ninguna evaluación de IA primero. De esta manera, pueden formar sus propias opiniones antes de mirar la entrada de la IA, reduciendo así la influencia del sesgo de anclaje.

2. Justificación de Decisiones: Este método anima a los clínicos a explicar su razonamiento detrás de sus diagnósticos antes de ver la evaluación de la IA. Al reflexionar sobre sus procesos de pensamiento, pueden mejorar sus habilidades analíticas y reducir sesgos.

3. Considerar lo Opuesto: Esta estrategia invita a los clínicos a pensar en lo que la IA podría identificar como anormalidades, incluso si no ven nada ellos mismos. Esto puede ayudarles a mantenerse abiertos a nueva información y evitar pasar por alto detalles importantes.

#Evaluando las Estrategias

Una vez que desarrollamos estas estrategias, las evaluamos con un grupo de oftalmólogos. Queríamos entender sus percepciones sobre estas técnicas y si creían que estos métodos podrían mejorar sus procesos de diagnóstico.

En general, las respuestas fueron mixtas. Algunos participantes vieron valor en las estrategias, especialmente en la técnica de "Considerar lo Opuesto", que sentían que podría ayudar a asegurar que no se perdieran anormalidades significativas. Sin embargo, muchos médicos expresaron preocupaciones sobre la posible pérdida de eficiencia que estas técnicas podrían causar.

Por ejemplo, con "Escuchar la Historia Primero", algunos clínicos afirmaron que eliminar las evaluaciones de IA inicialmente podría agregar tiempo a sus flujos de trabajo. Sentían que esto podría ser perjudicial dado su alto volumen de pacientes y horarios ajustados. Además, el enfoque de "Justificación de Decisiones" parecía para algunos como una carga adicional a sus ya ocupadas rutinas.

A pesar de estas preocupaciones, muchos participantes reconocieron la importancia de reducir sesgos cognitivos y estaban abiertos a explorar métodos que pudieran ayudar a lograr este equilibrio.

#La Necesidad de Eficiencia

La eficiencia es una preocupación significativa para los clínicos. A medida que aumenta el número de pacientes, también lo hace la demanda de diagnósticos rápidos y precisos. Muchos médicos expresaron la necesidad de soluciones que les permitan procesar casos rápidamente mientras aseguran un cuidado de calidad.

Este énfasis en la eficiencia a menudo entra en conflicto con la necesidad de mitigar sesgos cognitivos. Por ejemplo, mientras que la estrategia de "Escuchar la Historia Primero" podría mejorar la precisión, también podría ralentizar el proceso, haciendo que sea un desafío para los doctores ver a tantos pacientes como necesitan.

#Confianza y Apertura a las Perspectivas de IA

La confianza juega un papel vital en cómo los clínicos interactúan con los sistemas de IA. Muchos médicos mencionaron que su confianza en las capacidades de la IA a menudo dependía de sus experiencias previas. Si la IA había cometido errores en el pasado, eran menos propensos a confiar en sus evaluaciones en el futuro.

Algunos participantes expresaron que veían la IA como una herramienta útil, mientras que otros se mantenían escépticos sobre su precisión. Creían que el sistema de IA necesitaba mejorar significativamente antes de que pudieran confiar plenamente en él para guiar sus decisiones.

#Conclusión

Nuestra investigación destaca el creciente papel de la IA en la toma de decisiones médicas, particularmente en oftalmología. La integración de CDSS impulsados por IA tiene el potencial de ayudar a aliviar la carga de trabajo de los clínicos y mejorar las prácticas de diagnóstico. Sin embargo, también plantea preocupaciones sobre los sesgos cognitivos que pueden surgir al depender de la IA.

Para abordar estos problemas, exploramos varias estrategias de mitigación de sesgos. Si bien algunos oftalmólogos estaban abiertos a usar estas técnicas, muchos expresaron preocupaciones sobre la eficiencia y la implementación práctica en sus entornos de trabajo ocupados.

De cara al futuro, es crucial encontrar un equilibrio entre mantener la eficiencia en los entornos clínicos y asegurar evaluaciones precisas de los pacientes. Entender estas dinámicas puede ayudar a dar forma al futuro de la integración de IA en la atención médica y, en última instancia, llevar a mejores resultados para los pacientes.