Autor(es): Tao Tu, Anil Palepu, Mike Schaekermann, Khaled Saab, Jan Freyberg, Ryutaro Tanno, Amy Wang, Brenna Li, Mohamed Amin, Nenad Tomasev, Shekoofeh Azizi, Karan Singhal, Yong Cheng, Le Hou, Albert Webson, Kavita Kulkarni, S. Sara Mahdavi, Christopher Semturs, Juraj Gottweis, Joelle Barral, Katherine Chou, Greg S. Corrado, Yossi Matias, Alan Karthikesalingam, Vivek Natarajan
Año: 2024
Referencia bibliográfica:
Tu, T., Palepu, A., Schaekermann, M., Saab, K., Freyberg, J., Tanno, R., Wang, A., Li, B., Amin, M., Tomasev, N., Azizi, S., Singhal, K., Cheng, Y., Hou, L., Webson, A., Kulkarni, K., Mahdavi, S. S., Semturs, C., Gottweis, J., Barral, J., Chou, K., Corrado, G. S., Matias, Y., Karthikesalingam, A., & Natarajan, V. (2024). Towards Conversational Diagnostic AI. Google Research, Google DeepMind. https://doi.org/10.12345/arXiv.2401.05654v1
Categoría asignada: Asistencia sanitaria pública
Resumen:
El artículo Towards Conversational Diagnostic AI presenta el desarrollo de AMIE (Articulate Medical Intelligence Explorer), un sistema de inteligencia artificial basado en modelos de lenguaje grande (LLM) diseñado para optimizar el diálogo clínico y mejorar la precisión diagnóstica mediante interacciones conversacionales. Los autores explican cómo este modelo ha sido entrenado para realizar entrevistas médicas, tomar historiales clínicos, y ofrecer diagnósticos y planes de tratamiento, emulando la interacción entre un médico y un paciente.
El estudio parte de la premisa de que una gran parte de los diagnósticos médicos se deriva de la toma de historial clínico, y que una IA capaz de sostener diálogos clínicos precisos podría aumentar la accesibilidad, consistencia y calidad de la atención sanitaria a nivel global. AMIE es entrenado utilizando tanto datos reales como diálogos simulados en un entorno de autoaprendizaje iterativo (self-play), lo que permite al sistema mejorar continuamente sus capacidades diagnósticas a través de la retroalimentación automatizada.
Para evaluar el rendimiento de AMIE, se diseñó un Ensayo Clínico Estructurado Objetivo (OSCE), en el cual se compararon sus consultas con las de médicos de atención primaria (PCP) en 149 escenarios clínicos que abarcan diversas especialidades médicas, incluyendo enfermedades cardiovasculares, respiratorias y gastrointestinales. Los escenarios incluyeron actores que representaban a pacientes, evaluados por médicos especialistas. AMIE superó a los PCP en 28 de 32 criterios de evaluación por parte de los médicos especialistas y en 24 de 26 criterios desde la perspectiva de los actores pacientes. Estos criterios incluían la precisión diagnóstica, habilidades de comunicación y empatía.
AMIE emplea un novedoso enfoque de razonamiento encadenado para refinar sus respuestas durante la conversación. Este proceso involucra una serie de pasos en los que el modelo analiza la información proporcionada por el paciente, genera preguntas adicionales para mejorar su comprensión y ajusta sus respuestas en función de nuevos datos. Esto permite que el sistema ofrezca diagnósticos más precisos y apropiados. En las pruebas, AMIE mostró un mayor acierto en el diagnóstico diferencial en comparación con los médicos, logrando mayor precisión en el top 3 de diagnósticos en múltiples escenarios clínicos.
A nivel de la calidad de la conversación, AMIE fue calificado como más empático y eficaz en la comunicación en comparación con los médicos. Los actores pacientes reportaron sentirse más confiados en la atención proporcionada por AMIE, destacando su habilidad para generar confianza y explicar condiciones médicas de manera clara y accesible.
Sin embargo, los autores subrayan varias limitaciones. Una de las principales es que los médicos participantes no estaban familiarizados con el formato de chat de texto utilizado en el estudio, lo que podría haber afectado su rendimiento. Además, aunque AMIE demostró ser superior en varios aspectos, los resultados no pueden extrapolarse directamente a la práctica clínica del mundo real sin más investigación. Es necesario realizar estudios adicionales para integrar AMIE en escenarios médicos reales, y abordar cuestiones relacionadas con la seguridad, privacidad, y la equidad en la atención.
El artículo concluye destacando el potencial transformador de las IA conversacionales en la atención médica, particularmente en áreas donde el acceso a médicos especialistas es limitado. A medida que se superen las barreras técnicas y éticas, AMIE y sistemas similares podrían desempeñar un papel clave en la democratización de la atención sanitaria, proporcionando diagnósticos y recomendaciones de tratamiento precisas y oportunas a una población más amplia.
