Investigadores médicos de Stanford Medicine entrenaron un modelo de lenguaje para que leer historiales médicos y encontrar signos para mejorar el tratamiento de niños con TDAH.
Investigadores de Stanford contribuyeron una nueva herramienta de inteligencia artificial (IA), capaz de leer miles de notas médicas en registros médicos electrónicos y detectar tendencias o patrones que muestran información que podrían mejorar la atención de niños con trastorno de déficit de atención con hiperactividad (TDAH).
Los médicos suelen encontrar respuestas acerca de la atención médica requerida por sus pacientes luego de revisar cientos de notas médicas, lo cual es un proceso tardado que puede interferir en la calidad de la atención de los pacientes. Un nuevo estudio publicado en Pediatrics, describe una herramienta de IA, específicamente del gran modelo de lenguaje (LLM) de código abierto de Meta, LLaMA. El modelo fue entrenado para tener la capacidad de identificar lagunas en la atención médica, permitiendo que los médicos mejoren sus procesos y los pacientes reciban un mejor tratamiento.
Los LLMs son capaces de encontrar patrones en lenguaje escrito, esto significa que pueden realizar este trabajo y no solo reducir la carga de trabajo de los médicos, sino también mejorar el tratamiento de los pacientes. Por ejemplo, puede utilizarse para supervisar los historiales médicos y encontrar menciones en las notas de interacciones peligrosas entre fármacos o ayudar a los médicos a identificar pacientes que responderán de determinada manera a tratamientos específicos.
El objetivo del estudio fue evaluar la precisión del LLM en la medición de la adherencia de los médicos a las guías de práctica para la monitorización de los efectos secundarios luego de la prescripción de medicamentos para niños con TDAH. Para ello utilizaron un método de estudio de cohorte poblacional retrospectivos de registros médicos electrónicos. La cohorte incluyó niños de 6 a 11 años con diagnóstico de TDAH y dos o más encuentros de medicación para este trastorno.
Para identificar la documentación de la consulta sobre efectos secundarios, los investigadores entrenaron, probaron y desplegaron LLaMA en todas las notas clínicas de los encuentros relacionados con el TDAH, incluidos los encuentros en la clínica, vía telesalud o vía telefónica para un total de 15,628 notas. El rendimiento del modelo se evaluó mediante conjuntos de pruebas de retención y despliegue, en comparación con la revisión manual de historias clínicas.
Los resultados fueron alentadores, pues el modelo LLaMA clasificó con precisión las notas que contenían una consulta sobre efectos secundarios. Además, los análisis no revelaron ningún sesgo del modelo en relación con el sexo o el seguro del paciente. La edad media en el momento de la primera prescripción fue de 8,8 años; las características fueron similares en los pacientes con y sin consulta de efectos secundarios documentados.
Los autores concluyeron que la implementación de un LLM en un conjunto variable de notas clínicas, incluidas las notas de consultas telefónicas, ofreció una medición escalable de la calidad de la atención y descubrió oportunidades para mejorar la gestión de la medicación psicofarmacológica en la atención primaria.
