Esta herramienta basada en modelos de lenguaje mejora la planificación del cuidado al logra predecir con mayor precisión si un paciente requerirá cuidados en una institución especializada tras su hospitalización.
Investigadores de NYU Langone Health desarrollaron un nuevo enfoque de inteligencia artificial que mejora la predicción temprana de si un paciente hospitalizado será dado de alta a una institución de cuidados especializados, como un centro de enfermería especializada. El avance, publicado en npj Health Systems, busca facilitar la planificación del alta médica y optimizar la coordinación del cuidado desde las primeras horas de hospitalización.
El equipo partió de un problema conocido en los hospitales, la información clave para anticipar el destino del alta suele estar dispersa en notas clínicas extensas, como los historiales médicos y exploraciones físicas de ingreso. Aunque los modelos de lenguaje han demostrado ser útiles para analizar este tipo de textos, enfrentan limitaciones prácticas, entre ellas la longitud de los documentos, el ruido informativo y la baja interpretabilidad de sus resultados.
Para superar estas barreras, los investigadores diseñaron un método denominado Extraction-Based Language Model Classification (ELC). Este enfoque utiliza modelos generativos para extraer primero la información relevante de las notas clínicas y organizarla en categorías estructuradas, como estado funcional, apoyo social o lugar de procedencia del paciente. Posteriormente, estos datos se sintetizan en un resumen narrativo breve llamado “AI Risk Snapshot”, que concentra los factores de riesgo más relevantes para la predicción del alta.
“Nuestro enfoque en dos pasos actúa como un lector rápido y cuidadoso, convirtiendo una nota médica compleja en un resumen sencillo de lo que más importa para planificar el alta”, afirmó el autor principal del estudio, el Dr. Yindalon Aphinyanaphongs, director de ciencia de datos operativos y machine learning de NYU Langone.
El estudio analizó de forma retrospectiva a más de 4 mil pacientes hospitalizados en servicios de medicina interna. Los autores compararon el desempeño de distintos modelos de lenguaje al predecir si los pacientes serían dados de alta a un centro de enfermería especializada, utilizando tanto las notas clínicas originales como los resúmenes generados con ELC. Los resultados mostraron que los modelos que emplearon los AI Risk Snapshots lograron una mayor precisión predictiva, con un desempeño destacado del modelo Bio+Clinical BERT, que alcanzó un área bajo la curva ROC de 0.85.
Además de mejorar la precisión, el nuevo enfoque redujo de forma drástica la cantidad de texto que los modelos debían procesar. Mientras que las notas clínicas originales superaban en promedio los 2 mil tokens, los AI Risk Snapshots se limitaron a alrededor de 140, lo que evita problemas técnicos y pérdida de información. Esta síntesis también permitió que los resultados fueran más comprensibles para el personal clínico.
Para evaluar la utilidad práctica del sistema, los investigadores compararon las predicciones del modelo con las valoraciones realizadas por enfermeras gestoras de casos. Aunque el juicio humano mostró una ligera ventaja en los casos donde existía una predicción temprana documentada, los AI Risk Snapshots mostraron una alta concordancia con la evaluación clínica, lo que sugiere que el sistema podría integrarse como apoyo en la toma de decisiones.
Los autores señalan que la identificación temprana de pacientes con alta probabilidad de requerir cuidados especializados puede acelerar la activación de servicios como trabajo social o fisioterapia, reducir estancias hospitalarias prolongadas y mejorar la experiencia del paciente. También subrayan la necesidad de estudios prospectivos y validaciones externas antes de su implementación a gran escala.
“Nuestro siguiente paso es probar este modelo en un entorno clínico real para ver si ayuda a nuestros equipos de atención médica a planificar las altas de forma más eficaz para todos los pacientes” explicó el primer autor, el Dr. William R. Small, profesor clínico adjunto del Departamento de Medicina. “También supervisaremos el sistema para garantizar que sea justo y seguro y que contribuya a mejorar la atención al paciente”, agregó.
