El Sistema de Apoyo a las Decisiones Clínicas puede ser el mayor reto de la IA y la atención sanitaria

 

El Sistema de Apoyo a las Decisiones Clínicas puede ser el mayor reto de la IA y la atención sanitaria

En la industria de la salud, a medida que la magnitud de los datos se acumula, también lo hace la necesidad de sistemas de apoyo a las decisiones clínicas (CDS). Con la tendencia creciente de la atención sanitaria basada en valores, los clínicos deben tener a su disposición herramientas que les ayuden a cribar montañas de registros que a veces se remontan a décadas.

Según un informe, un tercio de las muertes en los EE.UU. son causadas por errores e inexactitudes médicas. Esto justifica la necesidad de un análisis más profundo y de informar sobre datos accesibles sobre el paciente, con miembros de la comunidad sanitaria. Aunque no se pueden eliminar estos errores del dominio, tener un sistema que minimice estos actúa como una red de seguridad. Por lo tanto, el CDS es una necesidad para un cambio de paradigma en esta industria.

Desde la década de 1980, cuando se utilizó por primera vez, ha evolucionado mucho. Ahora se administra a través de Registros Electrónicos de Salud (EHR) y sistemas computarizados de ingreso de pedidos de proveedores (CPOE). Esto ha sido posible gracias a la creciente adopción global de la HER con capacidades avanzadas, por ejemplo, FitBit. Estos sistemas constan de 3 partes distintas: Base (algoritmos predefinidos), Motores de Inferencia (la salida se genera en base a los datos clínicos del paciente) y Comunicador (donde se realiza la interacción con el usuario/paciente). El único desafío que se puede enfrentar aquí es una implementación deficiente, ya que provocará una fatiga alarmante y el agotamiento del clínico. Si bien los beneficios abarcan la seguridad de los pacientes, el mayor cumplimiento de las directrices y las vías de atención, la prevención de errores en las interacciones medicamentosas, la contención de los costos mediante la sugerencia de alternativas más baratas, el apoyo a la codificación clínica y diagnóstica, el diagnóstico por imágenes, la ordenación de los procedimientos y pruebas, y la selección de pacientes, la documentación cualitativa, etc., los interesados deben abordar ciertas barreras.

Flujos de trabajo perturbadores: Las alertas constantes y la documentación, pueden crear innecesariamente un entorno fragmentado para los profesionales. Esto puede causar que se pongan más esfuerzos cognitivos, y tiempo para completar esas tareas. Incluso si hay tiempo para la interacción cara a cara con los pacientes, es probable que se pueda cortar abruptamente por la misma razón.

Recopilación de datos: Por razones de seguridad y privacidad, los pacientes no pueden permitir el acceso a sus datos de salud o personales necesarios para el diagnóstico. Esto puede ser un obstáculo cuando se trata de rastrear datos o datos que existen en sistemas separados.

Alerta Fatiga: A menudo, la gente en la industria médica se molesta por alertas incorrectas o innecesarias. Esto incluye falsas alarmas sobre los pacientes, demasiada sobrecarga de información, etc. Por lo tanto, es esencial construir un modelo de normas específicas de la especialidad y pertinentes para evitar la mala relación señal-ruido causada por los CDS. Además, el sistema debería ser capaz de distinguir entre los escenarios que requieren atención inmediata y los que no requieren ayuda profesional. Si no, puede conducir a una fatiga de alerta cuando los médicos prestan atención a cada alerta.

Habilidad de usuario: Debido a su naturaleza muy prometedora, es probable que el usuario confíe demasiado en el sistema y lo explote más allá del límite esperado, que no compruebe la corrección de los datos, etc.

Regulación: En caso de que surjan casos de mala praxis relacionados con las aplicaciones del lenguaje de máquina médico, el sistema jurídico debe proporcionar una orientación clara sobre qué entidad tiene responsabilidad, sin embargo, las reglamentaciones en este ámbito todavía están rezagadas. Además, el LD en la atención de la salud plantea un desafío singular a los organismos reguladores porque los modelos pueden evolucionar rápidamente a medida que se recogen más datos y la retroinformación de los usuarios, y no está claro cómo deben evaluarse las actualizaciones (FDA, 2019)

Sesgo vs. Equidad: Incluso una máquina o sistema no puede estar libre de discriminación. Las pruebas demuestran que el CDS puede negarse a adaptarse o aceptar un nuevo entorno (para la recomendación de pruebas, tratamientos, etc.) que difiere de su algoritmo original. Esto puede basarse en el país, la región, o el sexo o la edad.

Mantenimiento del sistema y del contenido: En el ciclo de vida de los CDS, el mantenimiento es la parte más descuidada a pesar de su enorme importancia. Esto incluye el mantenimiento técnico de los sistemas, aplicaciones y bases de datos que alimentan el CDS. Incluso es obligatorio que la base de conocimientos se mantenga al ritmo del mundo médico y las directrices clínicas en constante cambio.

Falta de Interoperabilidad: Comúnmente los CDS existen como sistemas autónomos o en sistemas que no son capaces de comunicarse con otros sistemas, aunque el almacenamiento en la nube puede ayudar a resolver este problema.

Verificación y validación: Para la adaptación y el funcionamiento satisfactorios de las reglas clínicas de los CDS utilizados, es importante probar todas las funciones de los productos de software. La licitación, la elección o la implementación de un nuevo CDS requiere una completa especificación de requisitos del usuario (URS) o una documentación de requisitos del usuario (URD).

Se ha demostrado que los Comandos de Salvamento mejoran a los proveedores de atención médica en una variedad de decisiones y tareas de atención al paciente, y hoy en día apoyan activa y ubicuamente la entrega de atención de calidad. Si logra localizar el problema y comprender datos cualitativos y significativos, sus logros pueden pertenecer a los términos. Por lo tanto, es importante hacer un esfuerzo conjunto y estrechamente integrado para hacer frente a los desafíos especificados anteriormente. En cuanto a los algoritmos propiamente dichos, una gran parte de la investigación debería dedicarse a tratar los datos longitudinales, la mejor manera de describir a un paciente y la forma de relacionar el aprendizaje con la fisiopatología, es decir, cómo podemos conjugar los conocimientos clínicos previos con las conclusiones algorítmicas. También debería estudiarse la integración de los datos y cuál es el mejor enfoque para tratar los datos incompletos y los valores atípicos. También hay que asegurarse de que el uso práctico de esta tecnología no queme un agujero en los bolsillos de la masa común.

Leave a Comment!