Los sistemas de soporte a la decisión clínica (CDSS) han evolucionado significativamente en las últimas décadas, incorporando inteligencia artificial (IA) y procesamiento de lenguaje natural (PLN), para mejorar la toma de decisiones en el punto de atención. 

Este ateneo tiene como objetivo explorar el estado actual de estas tecnologías, sus aplicaciones clínicas, y los desafíos éticos, técnicos y organizacionales que enfrentan. 

A través de una revisión sistemática y un caso de implementación en EE.UU, se analizan estrategias para mejorar la transparencia y confianza en estos sistemas. Finalmente, se presenta una experiencia local del Hospital Italiano de Buenos Aires, que demuestra el potencial de estas herramientas en contextos reales.

 

Revisión sistemática

El artículo Martínez-García et al., (2024) presenta una revisión sistemática sobre el uso de PLN en CDSS, analizando 26 estudios cualitativos y 2 revisiones sistemáticas. 

Se identificó una gran heterogeneidad en enfoques, fuentes de datos y técnicas utilizadas. Solo una minoría de los sistemas estaba integrada en tiempo real con historias clínicas electrónicas (HCE), y muchos eran sistemas "standalone", independiente o ajeno al resto de sistemas utilizados en cada organización.

Las conclusiones clave de este artículo son:

- Las herramientas de PLN han mejorado significativamente en su capacidad para procesar texto clínico no estructurado.
- Se recomienda el uso de motores de inferencia mixtos (reglas + IA) para lograr una mayor precisión y flexibilidad.
- Se destaca la importancia de las ontologías médicas para una codificación semántica efectiva.
- Se identificaron debilidades en la consideración de aspectos éticos, ciberseguridad y evaluación post-implementación.

 

Implementación de un sistema de soporte clínico basado en PLN

El artículo de 2023 en Journal of Medical Internet Research de la Universidad de Wisconsin describe el diseño, validación e implementación en tiempo real de un CDSS basado en procesamiento de lenguaje natural y aprendizaje profundo, para identificar pacientes hospitalizados en riesgo de uso indebido de opioides. En EE.UU., donde las sobredosis causan 224 muertes diarias, el hospital carecía de un cribado sistemático y dependía de formularios y evaluaciones manuales poco fiables.

La herramienta integró el análisis automático en tiempo real de las notas clínicas de las primeras 24 horas de internación mediante una plataforma especializada en textos clínicos que generaba un puntaje de riesgo. Según este, se activaba una alerta para el equipo tratante cada vez que un profesional abría un nuevo episodio de internación, recomendando contactar al equipo de adicciones. Se aplicaron medidas para mitigar sesgos por edad, género y etnia. Tras validación clínica preliminar y ajustes participativos, se implementó progresivamente. Actualmente se evalúa su impacto en readmisiones hospitalarias y costos asociados.

Las conclusiones de este estudio derivan en que este trabajo representa uno de los primeros ejemplos de implementación en tiempo real de un CDSS basado en PLN en entornos clínicos reales. 

Resalta el valor de la transparencia (uso de herramientas open source y pseudocódigo), el diseño centrado en el usuario, la evaluación continua y el compromiso explícito con la equidad algorítmica como condiciones necesarias para la adopción clínica de IA.

El enfoque en equidad e interpretabilidad es esencial para evitar sesgos y fomentar la confianza.

 

Conclusiones generales del ateneo

- Los CDSS basados en IA y PLN ofrecen ventajas significativas frente a los sistemas basados en reglas, como mayor capacidad predictiva, adaptabilidad y menor necesidad de mantenimiento manual.
- Persisten desafíos importantes: integración con HCE, validación externa, generación de evidencia robusta, y abordaje de aspectos éticos y de ciberseguridad.
- La confianza de los usuarios es un factor crítico, y puede fortalecerse mediante transparencia, documentación clara, y participación activa en el diseño e implementación.
- La combinación de motores de inferencia basados en reglas e IA puede ofrecer un equilibrio entre precisión y flexibilidad.
- La implementación efectiva requiere compromiso institucional, recursos técnicos y una cultura de evaluación continua.

 

Experiencia del Hospital Italiano: una solución con inteligencia artificial

Con el objetivo de cerrar la brecha entre datos clínicos y decisiones médicas, el Hospital Italiano desarrolló una herramienta basada en PLN para identificar pacientes con cáncer de próstata sensible a castración metastásico (mCSPC). 

El sistema, integrado a la plataforma terminológica ARGOT. y desarrollado con tecnologías abiertas como spaCy, MedspaCy y QuickUMLS, analizó historias clínicas electrónicas de 194 pacientes tratados entre 2010 y 2020. 

Validado por especialistas, el modelo mostró una efectividad del 95% en diagnóstico y tratamiento inicial, y del 91% en detección de metástasis.

 

Bibliografía

1. Eguia H, Sánchez-Bocanegra CL, Vinciarelli F, Alvarez-Lopez F, Saigí-Rubió F. Clinical decision support and natural language processing in medicine: systematic literature review. J Med Internet Res. 2024 Sep 30;26:e55315. doi: 10.2196/55315.
2. Afshar M, Joyce C, Xie M, Lindroth H, Rothman M, Deutschman C, et al. Deployment of real-time natural language processing and deep learning clinical decision support in the electronic health record: pipeline implementation for an opioid misuse screener in hospitalized adults. JMIR Med Inform. 2023 Apr 20;11:e44977. doi:10.2196/44977.

 

Para ver la presentación completa, hacé clic en este enlace.