La IA puede no diferenciar entre pacientes de alto y bajo riesgo antes de recibir tratamiento, según investigación de la Universidad de Michigan.
Un estudio published in New England Journal of Medicine realizado por la Universidad de Michigan cuestiona la efectividad de una herramienta de inteligencia artificial (IA) diseñada para detectar tempranamente la sepsis en pacientes hospitalizados. La investigación sugiere que la IA puede estar basando sus predicciones en datos médicos que reflejan las sospechas de los médicos de que un paciente tiene sepsis, en lugar de identificar realmente el riesgo de sepsis antes de que se presenten los síntomas.
“La sepsis presenta todos estos síntomas vagos, de modo que cuando un paciente se presenta con una infección, puede ser realmente difícil saber quién puede ser enviado a casa con algunos antibióticos y quién podría necesitar permanecer en la unidad de cuidados intensivos. Seguimos pasando por alto a muchos pacientes con sepsis”, afirmó Tom Valley, profesor asociado de medicina pulmonar y de cuidados intensivos, clínico de la UCI y coautor del estudio.
El estudio examinó el rendimiento del Sepsis Model de la compañía Epic, una herramienta de IA incorporada al software de registros médicos electrónicos de Epic. En este sentido, el estudio examinó el rendimiento del modelo en 77,000 adultos hospitalizados en el Centro de Salud de la Universidad de Michigan. Los autores descubrieron que el modelo tenía una alta precisión cuando se evaluaba utilizando datos recopilados después de que los médicos ya sospechaban de sepsis en el paciente, pero su precisión disminuía cuando se evaluaba utilizando datos recopilados antes de que se sospechara de sepsis.
Según explicó Jenna Wiens profesora asociada de ciencias computacionales e ingeniería y autora del estudio, el modelo de IA podría estar basando sus predicciones en datos médicos que reflejan las sospechas de los médicos de que un paciente tiene sepsis, en lugar de identificar realmente el riesgo de sepsis antes de que se presenten los síntomas. Por ejemplo, el modelo puede estar utilizando datos como la realización de pruebas de cultivo de sangre y el inicio de tratamientos con antibióticos, que ocurren una vez que los médicos ya sospechan de sepsis en el paciente.
Los hallazgos del estudio sugieren que el momento en que la IA tiene acceso a la información en los registros médicos puede influir en su rendimiento. “Evaluar el modelo con datos recogidos después de que el clínico ya haya sospechado la aparición de sepsis puede hacer que el rendimiento del modelo parezca sólido, pero esto no se ajusta a lo que ayudaría a los clínicos en la práctica”, explicó Donna Tjandra, estudiante de doctorado en informática e ingeniería y coautora del estudio.
El estudio destaca la importancia de considerar el contexto clínico al evaluar herramientas de IA en entornos médicos. Si bien la IA puede ser una herramienta prometedora en la detección temprana de sepsis, es necesario abordar las limitaciones identificadas en este estudio para mejorar su eficacia en la práctica clínica.
