Un algoritmo desarrollado por Mass General Brigham aborda la carencia de información sobre circunstancias sociales en historias clínicas electrónicas.
Los determinantes sociales de la salud (SDoH, en inglés), son las condiciones en las que las personas nacen, crecen. Viven, trabajan y envejecen. Estos factores abarcan múltiples aspectos relacionados con el entorno social, económico y físico, además de los recursos disponibles para las personas. Por ejemplo, un SDoH, es el acceso a la educación, al empleado a la vivienda, a la nutrición o a la atención médica de calidad.
Los determinantes tienen un impacto muy importante en la salud de las personas y además contribuyen negativamente a las disparidades de salud. Por ejemplo, en el acceso a servicios de salud especializados en zonas rurales. En este sentido, los SDoH, dejan de lado factores médicos y biológicos individuales y se enfocan en el contexto social y ambiental en el que se desenvuelven las personas.
Por otra parte, existe un desafío alrededor de los SDoH y su registro. La falta de documentación sobre las circunstancias sociales de los pacientes en registros médicos electrónicos es un problema persistente para los profesionales de la salud, los investigadores e incluso los trabajadores administrativos de centros de salud.
En este sentido, investigadores de Mass General Brigham han desarrollado un algoritmo de inteligencia artificial generativa (IA generativa) que, según un estudio reciente publicado en npj Digital Medicine journal, puede extraer información sobre SDoH de las notas de los médicos. Estos modelos afinados podrían mejorar la identificación de pacientes que podrían beneficiarse de apoyo adicional.
El estudio detalla que los grandes modelos de lenguaje (LLM, en inglés) pueden ser entrenados para extraer automáticamente información sobre SDoH de las notas de los médicos. A través del modelo desarrollado, los investigadores identificaron el 93.8% de pacientes con SDoH adversos, en comparación con solo el 2% registrado mediante códigos de diagnóstico oficiales. Además, el estudio encontró que estos modelos especializados eran menos propensos a sesgos que los modelos generalistas como GPT-4.
La Dra. Danielle Bitterman, autora principal del estudio, destaca la relevancia clínica de los algoritmos que pueden identificar aspectos sociales relevantes. “Nuestro objetivo es identificar a pacientes que podrían beneficiarse del apoyo social y de trabajo, y llamar la atención sobre el impacto subdocumentado de los factores sociales en los resultados de salud”, explicó.
Como se mencionó anteriormente, los SDoH, como empleo, vivienda y otros aspectos no médicos, están vinculados a disparidades de salud. Sin embargo, los médicos pueden resumir SDoH relevantes en sus notas, esta información es clave y no suele organizarse de manera sistemática en los registros de salud electrónicos.
Por otra parte, la investigación refleja el potencial transformador de las herramientas de IA en el ámbito de la salud. Mass General Brigham, ha desarrollado diversos estudios relacionados con el uso de LLMs, IA generativa y otras tecnologías emergentes.
Finalmente, el estudio detalla que es necesario continuar investigando para comprender y mitigar los sesgos relacionados con el uso de LLM e IA generativa, para poderlos implementar en entornos clínicos, especialmente cuando utiliza información sensible y personal de los pacientes.
