Investigadores de Mayo Clinic se encuentran explorando como la IA puede utilizarse para que los profesionales de la salud reciban alertas menos intrusivas sobre los medicamentos de los pacientes.
Algunos sistemas de expedientes clínicos electrónicos comienzan a incluir predicciones guiadas por algoritmos sobre cómo los pacientes responderían a fármacos específicos. Estas alertas son conocidas como alertas farmacogenómicas, las cuales permiten que los profesionales conozcan con antelación si un medicamento será efectivo para un paciente, además ayuda a determinar las dosis adecuadas de cada medicamento para evitar reacciones negativas, entre otros beneficios.
No obstante, los profesionales de la salud pueden experimentar una sobrecarga de este tipo de alertas, por ello, dos investigadores de Mayo Clinic, se encuentran explorando cómo la inteligencia artificial (IA) puede mejorar las alertas farmacogenómicas y hacerlas menos intrusivas para los médicos.
The study published in Clinical and Translational Science, detalla que los profesionales de la salud prefieren alertas concisas e individualizadas que utilizan datos genómicos específicos de los pacientes para personalizar los cuidados, antes que alertas genéticas.
“La IA tiene el potencial de mejorar enormemente la forma en que brindamos atención médica al proporcionar apoyo vital con información mejorada a los clínicos e investigadores, pero necesitamos conocer las barreras del uso de la tecnología y los factores que pueden mejorar la interacción humano-tecnología”, indicó el Dr. Arjun Athreya, informático del Departamento de Farmacología Molecular y Terapéutica Experimental de Mayo Clinic. “Nuestro objetivo es desarrollar herramientas digitales que sean técnicamente robustas, altamente utilizables y que aumenten la experiencia de los clínicos para asegurar que los pacientes reciban la atención más eficaz y personalizada”, agregó.
Para el estudio el equipo realizó encuestas a 305 médicos de diversos entornos en diferentes estados de Estados Unidos donde hay hospitales del sistema de salud de Mayo Clinic. Los profesionales de la salud encuestados se desempeñan en diversas especialidades como psiquiatría, medicina interna y medicina familiar, en hospitales en zonas urbanas y clínicas rurales. Esta diversidad permitió que los investigadores entendieran cómo los diversos factores influencian las decisiones sobre qué es más útil para cada profesional.
Posteriormente, para analizar las preferencias de los médicos, el equipo de investigación utilizó técnicas de IA, como procesamiento de lenguaje natural (PLN), que es clave para la interpretación del lenguaje humano para las computadoras y machine learning, que permite que las computadoras aprendan de los datos. Ambas técnicas facilitaron el procesamiento de grandes volúmenes de datos de la encuesta y encontraron nuevas perspectivas.
El estudio se centró en las alertas farmacogenómicas en el contexto del tratamiento del trastorno depresivo mayor con el antidepresivo citalopram. A los médicos se les presentaron tres tipos de alertas: La alerta genérica, que proporciona recomendaciones de dosificación estándar sin datos específicos del paciente; la alerta individualizada y concisa, la cual muestra predicciones de la IA sobre la eficacia del fármaco basadas en los marcadores clínicos y genómicos del paciente; y la alerta detallada e individualizada que incluye información detallada sobre los genes y marcadores específicos implicados en las predicciones de eficacia de fármacos derivadas de la IA.
Los médicos prefirieron las alertas concisas e individualizadas, además suspendieron las alertas genéricas, que se asemejan a las alertas actuales de las historias clínicas electrónicas para el citalopram.
“Al diseñar alertas de medicamentos basadas en las preferencias de los médicos, no sólo apoyamos la medicina personalizada para los pacientes, sino que también mejoramos potencialmente el bienestar de los médicos”, expresó Jean Marrero-Polanco, coautor del estudio. Asimismo, Caroline Grant, primera autora del estudio, expresó que encontrar el balance correcto en los detalles es crucial. “Nuestro estudio indica que un planteamiento único de las alertas no es eficaz. Hay que tener en cuenta quién lee la alerta y qué necesita en ese momento”.
El siguiente paso de los investigadores involucra tareas de prueba para refinar las alertas en un entorno clínico.
