La Inteligencia Artificial (IA), requiere entrenamiento para su aplicación, especialmente en el campo médico, la realización de entrevistas simuladas y el procesamiento de lenguaje natural (PLN), es útil para esta tarea.
Investigadores publicaron un artículo en Scientific Data de Nature, que detalla la creación de datasets para el entrenamiento de IA a través de conversaciones médicas con un formato de Exámenes Clínico Estructurados Objetivos (OSCE, en inglés). La investigación se enfocó en casos respiratorios y su objetivo fue proporcionar un conjunto completo de datos o dataset sobre conversaciones médicas a la comunidad de la investigación médica.
Generalmente existen limitaciones en la investigación y aplicación de IA utilizando datos de conversaciones médicas, ya que estas requieren entrenamiento que puede interferir con la privacidad del paciente y regulaciones sobre el intercambio de datos.
De esta forma, los autores del artículo mencionado anteriormente, desarrollaron un método para la simulación de conversaciones médicas que sirve para entrenar IA aplicada en salud. Para ello un equipo de residentes en medicina interna, medicina física, patología anatómica, y medicina familiar, así como estudiantes de medicina, crearon este conjunto de datos simulando entrevistas médicas utilizando el formato OSCE.
Las entrevistas fueron grabadas y transcritas. Más de 272 conversaciones simuladas entre médicos y pacientes fueron registradas y categorizadas en categorías, sin embargo, la mayor parte de ellas fueron casos simulados de casos respiratorios.
Las transcripciones de las entrevistas son útiles para entrenar diversos modelos de PLN, para medir la precisión de las herramientas de transcripción, entre otros usos. En este sentido, el dataset presentado por esta investigación pudo corregir errores usuales en la transcripción de conversaciones médicas, en la grabación de audio, volviéndolo útil y aplicable para entrenar cualquier modelo de PLN.
“Y lo que es más importante, el acceso a datos de este calibre es un reto importante para muchos investigadores debido a la naturaleza confidencial de los datos, a las regulaciones gubernamentales que limitan el intercambio de datos en la investigación y a la cuestión de la monetización de los datos. Por lo tanto, el conjunto de datos presentado de conversaciones médicas completas en formato de audio y texto es un activo valioso para el mundo académico y la industria médica”, explican los autores.
Sin embargo, una de las principales limitaciones de este dataset es la reducida cantidad de casos simulados de enfermedades no respiratorias. De hecho, de las 272 conversaciones simuladas, 214 correspondieron a casos respiratorios y el resto a casos cardiacos, dermatológicos, gastrointestinales y musculoesqueléticos.
Puedes leer el estudio a detalle en el siguiente enlace: https://www.nature.com/articles/s41597-022-01423-1
