Introducción

La implementación de modelos de Inteligencia Artificial (IA) en los servicios de urgencias representa un avance significativo hacia la optimización de diagnósticos, el proceso de triaje y la toma de decisiones clínicas. Este artículo se centra en una revisión sistemática publicada en el International Journal of Medical Informatics, Volumen 180 de diciembre de 2023, que destaca la implementación de tecnologías de Machine Learning (ML) y Deep Learning (DL) en servicios de urgencias.

Importancia de la IA en Medicina de Emergencias

La medicina de emergencias enfrenta desafíos únicos, desde la necesidad de diagnósticos rápidos hasta decisiones de triaje que pueden salvar vidas. La IA, con sus subcampos de ML y DL, ofrece soluciones innovadoras para estos retos, permitiendo análisis más rápidos y precisos que los métodos tradicionales.

Papel del Machine Learning y Deep Learning

El Machine Learning y el Deep Learning se presentan como herramientas cruciales en el reconocimiento de patrones y en la toma de decisiones con mínima intervención humana, aplicables en diagnósticos por imagen, análisis de datos multimodales y apoyo a las decisiones clínicas.

A continuación comparto un resumen detallado del artículo y algunas reflexiones sobre los métodos y potencialidades de la implementación de IA en los servicios de urgencias.

Resumen del Artículo “Inteligencia Artificial en Medicina de Emergencias, una revisión sistemática de la literatura”

Datos Generales del Artículo:

1. Título del Artículo: “Artificial intelligence in emergency medicine. A systematic literature review”.
2. DOI del Artículo: https://doi.org/10.1016/j.ijmedinf.2023.105274
3. Fecha de Publicación: Disponible en línea desde 31 de octubre de 2023.
4. Revista de Publicación: International Journal of Medical Informatics. Vol 180 – Diciembre 2023
5. Página Web de la Revista: https://www.sciencedirect.com/journal/international-journal-of-medical-informatics/vol/180/suppl/C

Relevancia del Artículo:

Este estudio es significativo por ser el primer trabajo que compila investigaciones sobre la implementación de modelos de inteligencia artificial, específicamente Machine Learning y Deep Learning, en la atención de emergencias médicas en los servicios de urgencias.

Objetivo del Artículo:

El objetivo del artículo y de la revisión fue documentar y revisar diversas formas en que se aplica la inteligencia artificial para mejorar el desempeño y los resultados en los servicios de urgencias.

Selección de Estudios:

Para recopilar artículos a incluir en la revisión sistemática, se realizó una búsqueda de palabras clave relacionadas con emergencias y tecnologías de la inteligencia artificial, específicamente se buscaron términos como modelos de Machine Learning y Deep Learning, en cinco bases de datos de artículos científicos, incluida la base de artículos de Nature, Springer, y Science Direct, publicados entre los años 2000 y 2023.

Evaluación de la calidad de estudios seleccionados:

La evaluación de la calidad de los estudios se realizó con la lista de verificación CHAMAI, una lista que evalúa específicamente modelos de inteligencia artificial en artículos científicos en seis categorías de evaluación.

Entre las seis categorías de evaluación se encuentran: 1. La comprensión del problema, 2. La comprensión de los datos, 3. La preparación de datos, 4. El modelado de los datos con los que se entrenan los modelos de inteligencia artificial, 5. La validación externa, que consiste en que el modelo se haya probado en una institución distinta o en un entorno distinto al que fue implementado y evaluado, y 6. El despliegue.

Estas seis categorías se evalúan a través de 50 ítems, si un estudio cumple más de 35 de esos 50 ítems, se considera que el artículo es de calidad alta; si el resultado obtenido de la lista de verificaciones está entre 20 y 35, la calidad del estudio se considera moderada; y con un resultado menor a 20, se considera baja.

Con la metodología de selección de estudios, se obtuvieron 380 registros y luego del proceso de exclusión, quedaron 116 estudios que se seleccionaron para revisión completa.

Conceptualización de la Inteligencia Artificial en Medicina

Antes de pasar a los resultados, quiero compartir con ustedes una conceptualización muy general de los modelos de inteligencia artificial encontrados en los estudios que se incluyeron en la revisión sistemática.

Para esto, vamos a hacer una conceptualización desde lo general a lo particular empezando por algunas definiciones:

Inteligencia artificial:

Inteligencia artificial es la simulación de procesos de inteligencia humana por sistemas informáticos que busca mejorar la toma de decisiones, diagnósticas y tratamientos en el ámbito de la salud. Esta explicación la vamos a hacer muy ajustada y muy asentada al ámbito de la salud.

Machine Learning

Es un subcampo de la inteligencia artificial. Es un conjunto de inteligencia artificial que permite a las máquinas aprender de los datos sin haber sido explícitamente programados para obtener un resultado o alimentados con reglas explícitas para generar una respuesta. La importancia es que identifica patrones y toma decisiones con mínima intervención humana.

Deep Learning

Es a su vez un subcampo del Machine Learning y está conformado por un conjunto de algoritmos basados en la arquitectura de redes neuronales, específicamente redes neuronales multicapa. Se usa para el reconocimiento de imágenes, procesamiento de lenguaje natural o la predicción de eventos en salud.

Modelos Específicos Identificados en la Revisión

En la revisión sistemática se documentan varios modelos de Machine Learning y Deep Learning, específicamente siete tipos de modelos que vamos a caracterizar a continuación.

I. BERT

Uno de los modelos es BERT (Bidirectional Encoder Representation from Transformer). Es un modelo de inteligencia artificial de tipo Deep Learning, específicamente de procesamiento de lenguaje natural, y sirve para extraer información de historias clínicas, entiende consultas médicas complejas. Es específicamente un modelo de interpretación de texto.

II. Redes Neuronales Convolucionales

Las redes neuronales convolucionales son modelos de Machine Learning que pueden leer imágenes de cualquier tipo. En medicina, se usan para análisis de imágenes médicas para diagnóstico automatizado. Es un tipo de modelo de Deep Learning y tiene un subtipo que mencionan también en los estudios, llamado redes neuronales totalmente convolucionales, estas ultimas también segmentan imágenes para identificar y delimitar regiones de interés, y lo característico es que lo hacen pixel por pixel, por lo que pueden clasificar imágenes de una forma muy específica. Son útil para delimitar regiones de interés como tumores en radiografías y facilita diagnósticos y planificación de tratamientos más precisos.

III. Redes Neuronales Recurrentes:

Las redes neuronales recurrentes son otro tipo de modelos de deep learning que aparece en la revisión sistemática. Son modelos de procesamiento de secuencias de datos útiles para analizar series temporales, como por ejemplo los electrocardiogramas, los electroencefalogramas, las oximetrías o las capnografías.

IV. Máquinas de Vectores de Soporte (SVM)

También aparecen en el estudio otros modelos como las máquinas de vectores de soporte, que son modelos de clasificación que encuentran el hiperplano óptimo para separar diferentes clases de datos. En medicina se usan para clasificar pacientes en categorías, ya sea categorías de riesgo, estadios clínicos o categorías de gravedad de una condición.

V. Regresión Lineal y Regresión Logística

Estos modelos, son modelos estadísticos para predecir valores contiguos (regresión lineal), o probabilidades de pertenencia a clases (regresión logística). Son técnicas estadísticas que se han incluido dentro del machine learning y se usan para la predicción y el análisis de la evolución de enfermedades.

VI. Árboles de Decisión y Random Forest

Árboles de decisión y random forest son otro tipo de modelos que se encontraron en los artículos incluidos en la revisión; los árboles de decisión son modelos que usan una estructura de árbol muy parecido a los algoritmos clínicos que conocemos y se usan para tomar decisiones basadas en las características de los datos.

Los Random Forests son conjuntos de árboles de decisión que toman parámetros aleatorios de las entradas que se le dan al modelo para mejorar la precisión de la clasificación o la regresión de los datos que se le estén introduciendo.

VII. Gradient Boosting

Finalmente, el Gradient Boosting es una técnica más que un modelo que aparece en algunos de los artículos de la revisión sistemática, sirve para mejorar progresivamente los resultados de los modelos, como los árboles de decisión, mediante la minimización de los errores. Esta técnica se usa para generar una predicción precisa de resultados como la probabilidad de ingreso a un área hospitalaria o la respuesta a tratamientos, y las mejores decisiones clínicas basadas en la agregación de múltiples modelos predictivos.

Principales métricas y Resultados de la Revisión

Se incluyeron 116 estudios dentro de la revisión sistemática. Esos estudios tenían dos focos principales: el diagnóstico y el triaje.

Dentro del foco diagnóstico, se documentó que los estudios seleccionados buscaron hacer predicción de enfermedades a través de análisis de TACs, predicción de electrocardiogramas o a través del análisis con datos multimodales; también se encontraron modelos que estaban dedicados al apoyo a las decisiones clínicas.

En la rama de triaje, se encontró que los modelos utilizados hacían predicción de mortalidad, predicción de resultados de intervenciones, predicción de la admisión a otras áreas como hospitalización o UCI, o predicción de la necesidad de cuidados urgentes.

En cuanto a la calidad de los estudios incluidos, 14 eran de alta calidad, 98 de calidad moderada y 4 de baja calidad.

Sólo 13% de los estudios tuvieron validación externa, 100 de los 116 se enfocaban en diagnósticos específicos y 10 utilizaron datos públicos.

Sólo 16 de los 116 estudios se concentraron en condiciones generales del paciente para predecir la necesidad de servicios.

Tipo de Intervención con Inteligencia Artificial:

Los tipos de intervención que se realizaron con inteligencia artificial fueron:

• Predicción de diagnósticos en 44 estudios
• Apoyo a las decisiones clínicas en 14 estudios
• Predicción de mortalidad en 30 estudios
• Predicción de resultados de intervenciones en 9 estudios
• 4 estudios se enfocaron en la predicción de necesidad de admisión a otras áreas como la unidad de cuidado intensivo o hospitalización general
• 6 estudios se concentraron en la predicción de la necesidad de atención urgente, y
• 9 estudios se concentraron en la clasificación de la gravedad de la condición del paciente.

Discusión y Conclusiones

El estudio concluye que hay unos desafíos clave para la implementación de modelos de inteligencia artificial en los servicios de urgencias.

Alta Especialización y Falta de Generalización

El primer desafío que se documenta en la revisión es la alta especialización y la falta de generalización. Como ya ha sido mencionado, 100 de los 116 estudios se enfocaban en patologías específicas y sólo 16 estudios estaban enfocados en condiciones clínicas generales.

Escasez de Estándares de datos y de Medición

Se encontró una escasez de referencias de medición de resultados y se evidenciaron restricciones legales en el uso de datos en salud. Frente a la calidad de los datos, se encontraron datos heterogéneos que limitaron las técnicas de meta-análisis y se evidenció que la mayoría de los estudios requerían limpieza y preparación de datos muy elaborada.

Interpretabilidad de los modelos

Se notó una preferencia por modelos de Machine Learning más que de Deep Learning por temas específicos como la explicabilidad y la interpretabilidad de los modelos; es evidente que se prefieren implementar modelos en los que se entiende la toma de decisiones que realiza el modelo, y eso se ve más en los modelos de Machine Learning.

En los modelos de Deep Learning, siendo modelos multicapa, es complicado realizar una interpretación o una explicación detallada de lo que hace el modelo con la información y cómo obtiene los resultados.

Conclusiones desde la Gestión Clínica

Como conclusiones, dentro de la gestión clínica, con base en el estudio, podemos resaltar las siguientes:

I. Hay diversidad de patologías y de procesos susceptibles de la implementación de herramientas o de modelos de inteligencia artificial en los servicios de urgencias.

II. No hay un estándar, sino que hay diversidad de modelos que se pueden implementar según el momento del ciclo de atención que se quiere optimizar o potenciar.

III. En el ingreso al triaje, se prefieren modelos para clasificar riesgos de mortalidad o predicción de necesidades de servicios urgentes.

IV. En la etapa post triaje, en atención de urgencias, se pueden implementar modelos para diagnósticos de patología cardiovascular o pulmonar, predicción de enfermedad coronaria o deterioro clínico, o apoyo a las decisiones clínicas basadas en resultados de exámenes de laboratorio o de imágenes.

V. Finalmente, escoger el modelo adecuado depende de la necesidad que tenga la institución. Hay una disponibilidad relativamente amplia de modelos de Deep Learning y Machine Learning para apoyo clínico.

Como comentario dejamos registro que esta revisión sistemática incluyó sólo modelos cuantitativos de Machine Learning y Deep Learning, no incluyó modelos de inteligencia artificial generativa como los modelos GPT, estos modleos de IA generativa amplían el abanico de opciones para los servicios de urgencias; no sólo contamos con modelos como Machine Learning y Deep Learning para la implementación y mejora de los desempeños y los resultados en servicios de urgencia, sino que ahora también existe la posibilidad de considerar la implementación de modelos de inteligencia artificial generativa en los servicios de urgencia.

Esto es todo lo que les quería compartir acerca de esta revisión sistemática. Creo que es útil para los que tenemos la inquietud de empezar a revisar cómo implementar modelos en los diferentes procesos de atención en las instituciones de salud.

---

Te invitamos a explorar más sobre cómo la tecnología está remodelando la medicina de emergencias y la gestión en salud visitando otros apartados de nuestro sitio web. ¡Descubre el futuro de la atención médica hoy!

Puedes Acceder a las últimas publicaciones de esta web:

• Inteligencia Artificial en Medicina, Perspectivas desde diversos roles.
• ChatDoctor vs. ChatGPT: Una Innovación en Asesoramiento Médico con IA
• Chatbots en Salud: Potencial, Limitaciones y Recomendaciones para su Implementación
• Gestión clínica y Equipos de Análisis de Datos en salud: Integración para mejorar los resultados
• Predicción del Riesgo Cardiovascular: Inteligencia Artificial vs Enfoques Tradicionales
• Anticolinérgicos y riesgo de neumonía en adultos mayores: un metaanálisis y revisión sistemática
• ChatGPT en la Práctica Clínica, Investigación y Educación Médica: Una Revisión Sistemática
• Aplicación de la Ciencia de Datos en Medicina: Innovando en la Era Digital – Tipos de Datos
• Inteligencia Artificial y gestión de Medicamentos en Atención Primaria

---

Te interesó este contenido?

Déjame tu nombre y correo en el formulario de contacto para notificarte sobre contenido relacionado que publique en este blog.

Accede a otras publicaciones sobre gestión clínica y administrativa en salud y cómo la IA está remodelando estos campos aquí.

Oscar Efrem García Fernández

---