Autor(es): Jethro C. C. Kwong, Grace C. Nickel, Serena C. Y. Wang, Joseph C. Kvedar
Año: 2024
Referencia bibliográfica:
Kwong, J. C. C., Nickel, G. C., Wang, S. C. Y., & Kvedar, J. C. (2024). Integrating Artificial Intelligence into Healthcare Systems: More Than Just the Algorithm. npj Digital Medicine, 7, 52. https://doi.org/10.1038/s41746-024-01066-z
Categoría asignada: Asistencia sanitaria pública
Resumen:
El artículo Integrating Artificial Intelligence into Healthcare Systems: More Than Just the Algorithm examina los desafíos y consideraciones clave para implementar con éxito la inteligencia artificial (IA) en sistemas de salud. Los autores subrayan que, aunque los algoritmos de IA son fundamentales, su efectividad depende de factores externos, como la infraestructura tecnológica, la interoperabilidad, la capacitación del personal médico, y los procesos de seguimiento y adaptación de la IA en entornos clínicos reales.
El texto comienza destacando que, aunque el desarrollo de algoritmos para la predicción y diagnóstico de enfermedades ha avanzado significativamente, solo una pequeña fracción ha logrado demostrar un impacto clínico tangible. Esto se debe a un fenómeno conocido como el “abismo de la IA”, que describe la dificultad de trasladar los modelos de IA desde ambientes controlados (como pruebas retrospectivas) a entornos clínicos del mundo real. En muchos casos, los modelos entrenados con datos históricos no funcionan adecuadamente cuando se enfrentan a la variabilidad y complejidad de los pacientes en tiempo real.
Un ejemplo relevante discutido es el algoritmo COMPOSER para la predicción de sepsis, que fue implementado en el UC San Diego Health. Durante un período de cinco meses, el uso de COMPOSER se asoció con una reducción del 17% en la mortalidad por sepsis y un incremento del 10% en la adherencia a los protocolos de tratamiento de sepsis. Este modelo fue integrado directamente en el flujo de trabajo clínico y proporcionaba alertas a las enfermeras con un puntaje de riesgo de sepsis, mejorando la comunicación entre enfermeras y médicos, y reduciendo el tiempo para administrar antibióticos.
El éxito de este modelo, según los autores, se debió no solo a la calidad del algoritmo, sino a la infraestructura que lo respaldaba. Entre las medidas clave, se destaca la integración del sistema en la historia clínica electrónica (EHR) y la implementación de un plan de respuesta estandarizado para las alertas generadas. Asimismo, el personal médico recibió capacitaciones continuas, lo que aseguró un alto nivel de confianza en la herramienta, con una tasa de no cumplimiento de alertas del 5.9%.
Otro aspecto importante es la necesidad de contar con sistemas de monitoreo continuo que permitan ajustar o reentrenar los algoritmos si su rendimiento disminuye. Los autores sugieren que esta es una de las principales razones por las que los modelos de IA pueden fallar después de su implementación inicial. Además, enfatizan que las instituciones de salud deben estar preparadas para manejar la carga operativa que estos sistemas conllevan, lo que incluye disponer de infraestructura de computación en la nube y equipos de soporte técnico.
El artículo también aborda las diferencias entre entornos clínicos y cómo estas pueden influir en el rendimiento de los modelos. Por ejemplo, en uno de los dos hospitales donde se implementó COMPOSER, no se observaron mejoras significativas en los resultados, lo que los autores atribuyen a diferencias en las características de los pacientes y en las prácticas médicas locales. Este ejemplo resalta la importancia de realizar validaciones externas y de adaptar los modelos a cada contexto clínico.
En cuanto a las consideraciones éticas, los autores mencionan el riesgo de generar fatiga en el personal médico debido al exceso de alertas o la pérdida de confianza en los modelos si no se comunican claramente los beneficios. Además, recalcan la importancia de realizar evaluaciones de coste-efectividad para asegurar que los beneficios clínicos justifiquen los costos de implementación y mantenimiento de la IA, especialmente en sistemas de salud con recursos limitados.
En conclusión, el éxito de la IA en la atención médica depende de un enfoque holístico que vaya más allá del algoritmo en sí. La infraestructura tecnológica, el apoyo institucional y la capacitación del personal son elementos esenciales para que la IA cumpla con su promesa de mejorar los resultados clínicos. Los autores sugieren que, aunque la IA tiene un gran potencial, su integración efectiva en los sistemas de salud requerirá una inversión continua en recursos y un enfoque adaptativo.
