Cualquier persona que no esté en la profesión médica y que haya entrado en una sala de emergencias puede verse desconcertada por las horas de espera y el misterioso proceso por el cual las enfermeras y los médicos mueven a los pacientes a través de las etapas de la sala de emergencias.
Investigadores de la Facultad de Medicina de Yale y la Universidad Johns Hopkins escribieron recientemente que un programa de inteligencia synthetic que han creado puede mejorar el proceso de la sala de emergencias al hacer que la tarea de triaje sea más eficiente y precisa. El triaje es cuando las enfermeras evalúan la gravedad de las afecciones en la ingesta de pacientes.
También: Cómo la IA podría sobrealimentar su monitor de glucosa y atrapar otros problemas de salud
“Triage es un primer paso crítico en la atención de emergencia con profundas implicaciones para la asignación de recursos y, en última instancia, los resultados del paciente, incluida la morbilidad y la mortalidad”, escribieron los académicos en un estudio publicado en el New England Journal of Drugs.
Usando AI en triaje
Es el primer estudio de su tipo en mostrar efectos reales del uso de IA en el triaje, afirman los autores.
El autor principal R. Andrew Taylor y sus colegas describen un experimento de tres años que abarca 2020 hasta 2023, en el que las enfermeras de la sala de emergencias en tres ER en el noreste de los Estados Unidos utilizaron el programa AI para 176,648 pacientes para ayudar a las enfermeras a clasificar la gravedad de los casos en la ingesta.
También: Esta herramienta de IA estudió revistas médicas para responder a sus consultas de salud
Los autores encontraron que las enfermeras que usaban la herramienta pudieron trasladar a los pacientes a través del proceso de la sala de emergencias más rápidamente, desde cuánto tiempo llevó brindar atención inicial a cuánto tiempo llevó asignar una cama a cuánto tiempo tardó en alta a los pacientes. Todo lo cual resultó en una disminución del tiempo en la sala de emergencias en common.
El programa de “triaje informado de IA”, una “herramienta de soporte de decisiones clínicas” (CDS), dio como resultado un “rendimiento de triaje mejorado y ED [emergency department] Flujo del paciente “, escribieron, para que” la IA pueda conducir a la disminución de los tiempos de espera y la longitud de la estadía de la DE.
Pero también encontraron que las enfermeras con la herramienta estaban más atentos cuando los pacientes necesitaban intervenciones críticas, como hospitalización, cirugía o ingreso a la unidad de cuidados intensivos.
Un ‘árbol’ de posibles decisiones
En el estudio, Impacto del apoyo a la decisión de clasificación de inteligencia artificial en el cuidado del departamento de emergenciasTaylor y su equipo describen una interfaz de usuario de la computadora que muestra la recomendación de los CD a la enfermera.
El programa AI no es un modelo de lenguaje grande como el GPT de OpenAi. Es una técnica de IA mucho más antigua y más tradicional conocida como “bosque al azar“que se basa en redes neuronales como GPT pero no genera salidas de texto. En cambio, navega por un” árbol “de posibles decisiones y elige lo mejor entre ellos.
El CDS se aportó con la edad, el sexo, el modo de llegada, los signos vitales, la “queja principal”, las comorbilidades (historial de condición médica que podrían indicar áreas de riesgo como la presión arterial alta) y “problemas médicos activos” de cada paciente en la ingesta. (Curiosamente, en todos los casos, las tres quejas principales más comunes fueron el dolor belly, el dolor en el pecho y la falta de aliento).
Una vez que se ingresaron los datos, la interfaz de usuario mostró a la enfermera una calificación de la gravedad del paciente generado por el CDS de acuerdo con una escala estándar llamada ESI, o índice de gravedad de emergencia. El ESI califica a los pacientes de 1 a 5 en términos de gravedad, o “agudeza”, de la afección, siendo 1 la más grave. También se mostró un resumen del lenguaje pure de la justificación para la puntuación de la máquina.
También: Este espejo de IA podría rastrear su peso, presión arterial, sueño y más
Se les preguntó a las enfermeras si estuvieron de acuerdo o en desacuerdo con el puntaje ESI de la computadora y se les pidió que asignaran su propio puntaje como lo hacen normalmente en la sala de emergencias. Su acuerdo o desacuerdo con la computadora fue una variable importante en el experimento porque el estudio midió lo que sucedió cuando las enfermeras estaban de acuerdo o no con la recomendación de la IA.
Resultados del flujo del paciente
Lo que sucedió con el “flujo del paciente” se comparó para los pacientes seis meses antes de que se implementara el CDS y seis meses después.
El resultado principal es que el número de personas agrupadas por una agudeza alta o baja cambió, y también lo hizo el perfil de quién se clasificó alto o bajo. El número de personas puso en agudeza “baja” (ESI 4 o 5) aumentó en casi un 50%, mientras que el whole en la categoría “alta” disminuyó en casi un 9%, y el whole en el medio, el nivel 3, también disminuyó en casi un 20%. En otras palabras, más personas se redujeron a un menor riesgo con los CD.
Además, más pacientes mayores fueron trasladados al grupo de alta precidad, mientras que más jóvenes fueron trasladados al grupo de baja precidad. También hubo cambios en la forma en que los vitales, las quejas y las comorbilidades aparecieron, con, por ejemplo, el dolor en el pecho cada vez más frecuente en los asignados de baja precisión y falta de respiración que aparecen más entre los asignados de alta precisión.
En otras palabras, la IA llevó a que las quejas se usaron de manera diferente para “estratificar” a los pacientes.
También: Cómo el ‘chatgpt de la atención médica’ podría acelerar el tratamiento con artritis reumatoide
La recompensa inmediata, escribió Taylor y su equipo, fue que los pacientes “fluyeron” a través de las cosas más rápido. “Hubo una disminución observada en el tiempo desde la llegada al área de atención inicial”, escribieron. También hubo un cambio en la rapidez con que las personas se descargaron de la sala de emergencias, hasta 82 minutos en promedio.
El mayor cambio es que aquellos en la categoría de alta precisión pasaban menos tiempo esperando antes de ser enviados a cuidados críticos, una reducción de más de dos horas. “Los cambios más notables fueron experimentados por los enfermos críticos o los que cumplieron con los criterios de resultados de la cirugía de emergencia o cuidados críticos”, escribieron.
La eficiencia no es el único resultado
Sin embargo, no period solo eficiencia. El número de pacientes asignados adecuadamente a “cuidados críticos” aumentó al usar los CD, lo que significa que los pacientes que finalmente terminaron muriendo en el hospital o ingresados en la unidad de cuidados intensivos se identificaron con mayor precisión de antemano durante el triaje. Con la IA, las enfermeras se estaban volviendo más “sensibles” a los casos que requerían cuidados críticos, como lo expresaron Taylor y su equipo.
También: El co-científico de AI de Google es ‘escalado de tiempo de prueba’ en esteroides. Lo que eso significa para la investigación
“Los resultados demuestran un cambio marcado en el proceso de clasificación”, escribió Taylor y su equipo, “con una alineación de distribución mejorada, una mayor precisión en la identificación de pacientes de alto y bajo riesgo por parte de enfermeras asistidas por AII y un mejor flujo de pacientes”.
Agregaron: “Los CD de triaje de IA se asociaron con un mejor rendimiento de las enfermeras de triaje en la identificación temprana de pacientes en riesgo de enfermedades críticas; este es un objetivo primario importante de Triage ED”.
Y las enfermeras que estuvieron de acuerdo con más a menudo con los CD terminó teniendo una sensibilidad aún mejor a la criticidad de la atención urgente, la cirugía, la UCI, and so forth.
Aquí, Taylor y su equipo no pueden estar seguros de que fue la máquina la que guió a las enfermeras a mejores decisiones; Podría haber sido mejores enfermeras. Como escribieron:
El subgrupo de la enfermera con altas tasas de acuerdo generalmente superó a la IA sola; Por el contrario, el subgrupo de la enfermera con bajas tasas de acuerdo universalmente se desempeñó peor que la IA sola. Si bien nuestros hallazgos sugieren que un mayor acuerdo puede estar vinculado a un mejor rendimiento del triaje, es posible que el grupo de enfermeras de alto rendimiento poseía una mayor perspicacia clínica independiente de los CD, lo que les permite discernir mejor cuándo alinearse con las recomendaciones basadas en IA.
Su conclusión es que “la retención de la toma de decisiones humanas es crítica y está alineada con estudios previos que resalten un potencial sinérgico para integrar la IA con el juicio humano”.
Limitaciones
La incertidumbre sobre el papel de la perspicacia particular person de las enfermeras humanas no es la única limitación del estudio. Además, diferentes ER pueden tener tendencias estacionales que son “factores de confusión”, factores que hacen que los hallazgos del estudio sean problemáticos.
Otra limitación es que los CD se basaron en registros electrónicos de salud, que tienen sus propias limitaciones, como la falta de especificidad sobre los pacientes.
También: 10 razones clave por las que la IA fue la corriente principal durante la noche, y lo que sucede después
La limitación más profunda es que el estudio no siguió lo que le sucedió a los pacientes después de la sala de emergencias. ¿Mejor triaje condujo a mejores resultados del paciente? No está claro, escribió Taylor y su equipo.
“La investigación futura debería considerar estos factores a más largo plazo para comprender completamente las implicaciones del apoyo de IA en la toma de decisiones clínicas en entornos de emergencia”, escribieron.
Una conclusión muy intrigante, y probablemente sea relevante para todas las implementaciones de IA, es que la IA debe ajustarse a la configuración specific. El experimento se realizó en tres ER en una región specific de los Estados Unidos, y eso claramente juega un papel en los resultados.
Como escribieron Taylor y su equipo:
Nuestros datos sugieren que las herramientas de IA en la atención médica pueden alcanzar su máximo potencial a través de estrategias de implementación específicas del sitio. Este enfoque marca una desviación del énfasis prevaleciente en la generalización amplia y señala un cambio hacia una aplicación de IA más matizada y smart al contexto en la atención médica.
