Investigadores de la UCLA desarrollan un sistema que convierte registros médicos en texto para mejorar el diagnóstico y la toma de decisiones médicas en tiempo real.
Un nuevo modelo con inteligencia artificial (IA) mejora el apoyo clínico en salas de urgencias al convertir registros electrónicos de salud (EHR, en inglés), en texto para favorecer la mejor toma de decisiones. Un equipo de científicos del Departamento de Medicina Computacional de UCLA ha desarrollado un nuevo sistema basado en IA llamado Multiple Embedding Model for EHR o MEME, diseñado para mejorar el apoyo a la toma de decisiones clínicas en servicios de urgencias. El estudio fue publicado en npj Digital Medicine. Utilizando una técnica que transforma datos médicos estructurados en texto, este modelo demostró un rendimiento superior frente a otros enfoques tradicionales y modernos en predicciones como el destino del paciente después de ser atendido, la necesidad de cuidados intensivos y la mortalidad.
Los EHR contienen información valiosa pero dispersa, como diagnósticos, signos vitales y medicamentos. Sin embargo, integrar estos datos diversos en un solo modelo de IA es un gran desafío técnico. Para resolverlo, el equipo liderado por Jeffrey Chiang y Simon Lee introdujo el concepto de “pseudo-notas clínicas”, que convierten los registros tabulares en texto utilizando plantillas predefinidas. Esto permite usar modelos de lenguaje entrenados con grandes cantidades de texto médico para analizar información clínica como si se tratara de una narrativa.
MEME no solo traduce estos datos a texto, sino que procesa por separado diferentes tipos de información médica, como signos vitales, medicamentos y antecedentes del paciente. Luego los combina usando un mecanismo de atención, una técnica que ayuda a identificar qué partes de la información son más relevantes para cada decisión clínica.
Lee, estudiante de doctorado en Medicina Computacional de la UCLA, explicó: “Esto salva una brecha crítica entre los modelos de IA más potentes disponibles en la actualidad y la compleja realidad de los datos sanitarios”. Asimismo, detalló que al convertir los registros hospitalarios a un formato que los modelos lingüísticos avanzados pueden entender, se desbloquean capacidades que antes eran inaccesibles para los profesionales de la salud. “El hecho de que este enfoque sea más portátil y adaptable que los sistemas de IA sanitaria existentes podría hacerlo especialmente valioso para las instituciones que trabajan con diferentes estándares de datos”, agregó.
El modelo fue entrenado y evaluado con registros de dos grandes bases de datos hospitalarias en Estados Unidos, MIMIC y UCLA Health, que contienen información de más de un millón de visitas a salas de urgencias. En tareas como predecir si un paciente necesitará hospitalización o si corre riesgo de fallecer, MEME superó a modelos tradicionales como la regresión logística o redes neuronales, así como a modelos más recientes como GPT-4 ajustado para tareas médicas. Por ejemplo, MEME alcanzó un AUC de 0.900, superando a modelos tradicionales como la regresión logística (AUC ~0.857) y a modelos de deep learning multimodal como Med-BERT o TabTransformer.
A diferencia de otras soluciones que requieren estandarizar los datos hospitalarios, MEME es compatible con cualquier sistema que pueda convertir sus datos a texto. Esto lo hace más flexible y fácil de adaptar a distintos hospitales. Además, se demostró que el modelo puede mantener una alta precisión usando pocos ejemplos nuevos cuando se aplica en instituciones diferentes a aquellas en las que fue entrenado, una capacidad conocida como aprendizaje con pocos datos o few-shot learning.
El estudio detalla que los resultados subrayan que MEME no solo supera a modelos tradicionales, sino que también rivaliza con tecnologías de vanguardia, manteniendo su precisión con menos datos y en distintos contextos clínicos.
Ahora, el equipo de investigación tiene previsto probar la eficacia de MEME en otros entornos clínicos, además de los servicios de urgencias, para validar su mayor aplicabilidad. De igual forma, buscan abordar las limitaciones observadas en la generalización de modelos entre centros, trabajando para garantizar que el sistema funcione de forma coherente en diferentes instituciones y sistemas de salud. El trabajo a futuro ampliará su enfoque para añadir nuevos conceptos médicos y de IA avanzada en sistemas sanitarios.
