Pensando en el cuidado bajo una nueva luz.
Conclusiones:
- La inteligencia artificial (IA) es un término general para varias tecnologías y metodologías diferentes que contribuyen a muchos avances en la atención médica actual.
- Las enfermeras deben tener un conocimiento básico de la IA para que puedan ser usuarios informados y contribuir a su desarrollo.
Según Merriam-Webster, la inteligencia artificial (IA) se define como la capacidad de una máquina para imitar comportamientos humanos inteligentes, como el razonamiento y la resolución de problemas. En la atención médica, la IA se refiere con frecuencia a programas de software diseñados para interpretar datos (por ejemplo, registros de pacientes, reclamos administrativos, imágenes médicas y datos de dispositivos móviles), aprender de esos datos e informar la toma de decisiones clínicas y operativas. En 2018, Becker’s Health IT informó que la IA para la atención médica estaba valorada en más de $ 2 mil millones y se proyectaba que superaría los $ 36 mil millones para 2025. La inversión en IA está aumentando a medida que las organizaciones de atención médica buscan mejorar la atención y reducir los costos.
La IA de la salud no es cosa de ciencia ficción; utiliza algoritmos computacionales con la historia clínica electrónica (HCE) como fuente de datos. Aunque se está trabajando para desarrollar «clínicos robóticos» para automatizar las actividades humanas, esta aplicación de inteligencia artificial no es común, ni es el foco principal de investigación y desarrollo. De hecho, la Academia Nacional de Ciencias insta a los investigadores y líderes de la industria a no priorizar el desarrollo de la IA de automatización de tareas; en cambio, la IA debe desarrollarse para respaldar las tareas y reducir la carga del médico.
En este artículo, aclararemos qué significa la IA en el contexto de la atención médica actual y brindaremos ejemplos de cómo la IA se utiliza actualmente para apoyar a las enfermeras y la atención que brindan.
Definiciones y contexto de IA
La IA puede ser difícil de definir. La razón principal de esta ambigüedad es la amplitud de lo que abarca la IA: diferentes industrias se enfocan en aplicaciones muy diferentes y la naturaleza completamente contextual de la tecnología complica su definición. En otras palabras, la IA cambia según la persona u organización que proporciona la definición. Por ejemplo, ¿consideraría una simple calculadora como IA? Probablemente no. Pero, ¿y si le presentamos tal tecnología a alguien hace 100 años? En otras palabras, el contexto importa.
En el sector sanitario, normalmente definimos la IA como herramientas (como el aprendizaje automático, el aprendizaje profundo y otras aplicaciones) que transforman de forma autónoma los datos clínicos en conocimientos utilizados por pacientes, médicos y familiares para tomar decisiones que, de otro modo, no podrían lograrse de forma eficiente. (Ver definiciones de IA ). Definiciones de IA
El aprendizaje automático, el aprendizaje profundo y las redes neuronales están en el corazón de la inteligencia artificial (IA). Estos términos a veces se usan indistintamente, lo que no siempre es correcto. En pocas palabras, el aprendizaje automático, que también incluye el procesamiento del lenguaje natural, fue el primer término acuñado para el aprendizaje informático autónomo, y el aprendizaje profundo y las redes neuronales vendrán más tarde como métodos más avanzados. Para obtener más definiciones, haga clic aquí .
| Término | Definición | Ejemplos de aplicación |
| Aprendizaje automático | El aprendizaje automático es un tipo de inteligencia artificial que utiliza algoritmos para analizar datos sin procesar y desarrollar instrucciones informáticas para lograr objetivos como hacer predicciones, reconocer discursos, traducir texto y jugar. | • Predicción de enfermedades (p. Ej., Diabetes, enfermedades cardíacas) • Detección temprana de sepsis • Diagnóstico automatizado a partir de imágenes médicas (p. Ej., Reconocimiento y estadificación de tumores) • Descubrimiento de medicamento • Detección de brotes de enfermedades • Atención médica personalizada a través de la genómica (p. Ej., Terapia con medicamentos) |
| Aprendizaje profundo | El aprendizaje profundo es un subcampo del aprendizaje automático. Un modelo de aprendizaje profundo está diseñado para llegar a las mismas conclusiones que un algoritmo de aprendizaje automático tradicional, pero lo hace con mucha menos participación humana. Para lograr esto, las aplicaciones de aprendizaje profundo utilizan una estructura en capas de elementos del modelo llamada red neuronal artificial. | |
| Redes neuronales | Las redes neuronales están compuestas por algoritmos modelados a partir de procesos de pensamiento humanos. Estas redes se utilizan para reconocer patrones de grandes cantidades de datos, ya sean alfanuméricos o imágenes. | • Confirmación de diagnóstico • Desarrollo de ontología clínica / terminología • Contenido automatizado / análisis cualitativo • Uso de datos de Twitter para detectar brotes de gripe |
| Procesamiento natural del lenguaje | Este campo de aprendizaje automático se centra en el desarrollo de algoritmos informáticos que procesan y analizan texto no estructurado o datos de voz. |
Enfermeras e IA
Las enfermeras brindan la mejor atención posible al participar en prácticas básicas como la evaluación, la planificación y la evaluación de resultados. Sin embargo, pocas enfermeras conocen las aplicaciones de la IA, incluido el aprendizaje automático, el aprendizaje profundo y el procesamiento del lenguaje natural (PNL), y sus implicaciones para la investigación y la práctica de enfermería, así como su posible función en la mejora de la atención del paciente y los resultados de salud. (Consulte Seguridad y ética de la IA ).
Aprendizaje automático
Gran parte del revuelo en torno a la IA en la atención médica se debe al potencial del aprendizaje automático. En pocas palabras, el aprendizaje automático se refiere al uso de un programa informático para aprender de forma autónoma a partir de los datos para realizar una determinada tarea. El «aprendizaje» se refiere al autoajuste del software que afina un algoritmo con el tiempo para aumentar la precisión. El desarrollador determina el objetivo de la herramienta de aprendizaje automático y los datos a los que tiene acceso, pero no se sabe cómo utiliza el programa los datos. Esta incertidumbre inherente se denomina «caja negra».
Al igual que cualquier herramienta dependiente de datos, la función y el uso de una herramienta de aprendizaje automático son tan buenos como sus fuentes de datos. Aquí es donde se necesitan enfermeras. Las enfermeras con una perspectiva práctica comprenden la atención al paciente y la información necesaria para tomar decisiones clínicas informadas. La información de la enfermera mejora la aplicabilidad y la precisión de las herramientas de aprendizaje automático.
Por ejemplo, Wang y sus colegas desarrollaron una herramienta para predecir la gravedad de las caídas para ayudar a prevenir lesiones en pacientes de alto riesgo. Este algoritmo utilizó puntos de datos como edad, sexo, raza, densidad ósea, datos de procedimientos y diagnósticos para desarrollar una puntuación de riesgo para la probabilidad de sufrir una caída con una lesión grave. Los investigadores utilizaron datos retrospectivos para entrenar el modelo, lo que le permitió aprender y crear una puntuación de predicción precisa. Las próximas fases de la investigación requieren que las enfermeras evalúen el uso práctico de la herramienta. Este ejemplo de aprendizaje automático muestra el potencial para crear puntajes de predicción de riesgo que no serían factibles con cálculos manuales o diagramas de flujo integrados con EHR.
Las enfermeras que utilizan datos de IA y HCE también han adquirido una capacidad sofisticada para leer y traducir señales en una monitorización precisa del paciente. Por ejemplo, SuperAlarm, una aplicación desarrollada por Hu, usa patrones de co-ocurrencia de alarmas individuales (como alertas de arritmia y monitoreo hemodinámico) para predecir paros cardiopulmonares inminentes. Hu demostró la capacidad de lograr una sensibilidad del 90% para predecir cuándo los pacientes de cuidados críticos necesitarían reanimación. Esta aplicación de aprendizaje automático es relevante para la enfermería porque, además de mejorar los resultados de los pacientes, también reduce la fatiga de las alertas al combinar las señales de alarma en información menos frecuente pero utilizable.
Aprendizaje profundo
El aprendizaje profundo, un subcampo del aprendizaje automático, promueve la enfermería mediante el uso de redes neuronales para el reconocimiento de patrones avanzado, lo que ha ayudado al aprendizaje automático a extenderse a nuevas fuentes de datos, incluido el reconocimiento de voz y el análisis de imágenes. Al integrar datos de muchas fuentes, la IA se puede utilizar para adaptar los tratamientos con precisión a los genes, estilos de vida y preferencias de tratamiento específicos de los pacientes.
Las aplicaciones de aprendizaje profundo pueden ayudar a las enfermeras a identificar a los pacientes en riesgo que se beneficiarían de las intervenciones clínicas para prevenir eventos adversos para la salud, como la sepsis o la readmisión hospitalaria. Por ejemplo, los investigadores de la Universidad de Duke, Theiling y sus colegas, crearon Sepsis Watch, que está capacitado a través del aprendizaje profundo para analizar más de 32 millones de puntos de datos para crear el riesgo de un paciente de desarrollar sepsis. Si los hallazgos requieren acción, el equipo de respuesta rápida del hospital recibe una alerta y guía automáticamente durante las primeras 3 horas de administración de la atención.
Es posible que las enfermeras no sean los principales usuarios de la tecnología de imágenes, pero tiene un impacto significativo en el tratamiento del paciente. Los avances en imágenes que utilizan el aprendizaje profundo incluyen la detección (como la detección temprana o automatizada de anomalías neurológicas o cáncer), la caracterización (estadificación o diagnóstico) y el seguimiento (cambios tumorales a lo largo del tiempo). Muchas de estas herramientas son tan precisas (oa veces incluso más precisas que) como las de los humanos y tienen potencial de crecimiento y mayor adopción.
PNL
La PNL es el análisis de datos de texto de HCE, en lugar de números u otros elementos contables. Puede usarse solo o junto con métodos de aprendizaje automático y puede contribuir a otras áreas de IA; por ejemplo, el análisis de sentimientos podría usarse para determinar qué tan positivo o negativo se siente un médico o un paciente con respecto a un pronóstico. De todas las aplicaciones de IA, la PNL generalmente se cita como la más difícil de adoptar debido a la falta de información y entrada de datos formales. Sin embargo, varias aplicaciones prometedoras actualmente en uso afectan la atención del paciente y los resultados de salud. En enfermería, una fuente valiosa de datos textuales proviene de las notas de enfermería, que frecuentemente son ricas en información clínica. Se ha desarrollado una amplia variedad de aplicaciones utilizando notas de enfermería, incluida la predicción de la disposición de los pacientes del departamento de emergencias (Sterling y colegas),descubrir las barreras económicas de los pacientes (Skaljic y colegas) y predecir caídas (Nakatani y colegas).
Además de las aplicaciones de investigación y el apoyo a las decisiones posteriores, NLP también puede referirse al reconocimiento de voz, como el que se encuentra en Siri o Alexa. En la atención médica, el reconocimiento de voz puede ayudar con la escritura de notas, la recuperación de información y la navegación de gráficos. Los programas de reconocimiento de voz convierten el lenguaje en texto, pero el avance de la PNL puede proporcionar opciones más sofisticadas.
Dar forma al futuro de la atención
La IA tiene el potencial de ayudar a las enfermeras a mejorar la calidad y eficiencia de la atención, beneficiando a los pacientes y a los médicos. Sentir algo de angustia durante la expansión de la IA es natural y razonable, pero a medida que la IA continúa madurando, las enfermeras deberán participar en un diálogo abierto continuo sobre su desarrollo y uso en la atención médica. Las enfermeras serán la clave para ayudar a las organizaciones a implementar y adaptarse a las transformaciones de la tecnología de la IA a medida que participan en el desarrollo y la evaluación de nuevas aplicaciones que darán forma al futuro de la atención al paciente.
Los autores trabajan en la Universidad de Duke en Durham, Carolina del Norte. Brian J. Douthit es un estudiante de doctorado en la Escuela de Enfermería de la Universidad de Duke. Xiao Hu es profesor en los departamentos de neurología y cirugía en la facultad de medicina y en los departamentos de ingeniería eléctrica e informática y bioestadística y bioinformática. Rachel L. Richesson es profesora asociada en la escuela de enfermería y el departamento de bioestadística y bioinformática. Hyeoneui Kim es profesora asociada en la escuela de enfermería. Michael P. Cary, Jr., es profesor asociado en la escuela de enfermería y miembro del Centro Duke para el Estudio del Envejecimiento y el Desarrollo Humano.
Referencias
Haz AL, Kohane IS. Traducir la inteligencia artificial en atención clínica. JAMA . 2016; 316 (22): 2368-9.
Bi WL, Hosny A, Schabath MB y col. Inteligencia artificial en la imagenología del cáncer: desafíos clínicos y aplicaciones. CA Cancer J Clin . 2019; 69 (2): 127-57.
Grady PA. Comentario del Instituto Nacional de Investigaciones en Enfermería sobre el Festival Idea para la Educación en Ciencias de la Enfermería. Nurs Outlook. 2015; 63 (4): 432-5.
Hermansson J, Kahan T. Revisión sistemática de las evaluaciones de validez de los resultados de la puntuación de riesgo de Framingham en el modelado económico de la salud de las terapias modificadoras de lípidos en Europa. Farmacoeconomía. 2018; 36 (2): 205-13.
Hu X. Una estrategia de algoritmo para la monitorización precisa de pacientes en una empresa de atención médica conectada. npj Medicina digital. 2019; 2 (30). nature.com/articles/s41746-019-0107-z
Kumah-Crystal YA, Pirtle CJ, Whyte HM, Goode ES, Anders SH, Lehmann CU. Interacciones de registros de salud electrónicos a través de la voz: una revisión. Appl Clin Inform. 2018; 9 (3): 541-52.
Matheny M, Israni ST, Ahmed M, Whicher D, eds. Inteligencia artificial en el cuidado de la salud: la esperanza, el bombo, la promesa, el peligro . Publicación especial de NAM. Washington, DC: Academia Nacional de Medicina; 2019. nam.edu/wp-content/uploads/2019/12/AI-in-Health-Care-PREPUB-FINAL.pdf
Nakatani H, Nakao M, Uchiyama H, Toyoshiba H, Ochiai C.Predicción de caídas de pacientes hospitalizados mediante el procesamiento del lenguaje natural de registros de enfermería obtenidos de registros médicos electrónicos japoneses: estudio de casos y controles. JMIR Med Inform. 2020; 8 (4): e16970.
Sendak M, Elish MC, Gao M y col. “El cuerpo humano es una caja negra”: apoyo a la toma de decisiones clínicas con aprendizaje profundo. Documento presentado en: Actas de la Conferencia 2020 sobre Equidad, Responsabilidad y Transparencia; Enero de 2020; Barcelona, España. doi.org/10.1145/3351095.3372827
Skaljic M, Patel IH, Pellegrini AM, Castro VM, Perlis RH, Gordon DD. Prevalencia de consideraciones financieras documentadas en encuentros de atención primaria identificadas por métodos de procesamiento del lenguaje natural. JAMA Netw Open. 2019; 2 (8): e1910399.
Sterling NW, Patzer RE, Di M, Schrager JD. Predicción de la disposición de los pacientes en el departamento de emergencias basada en el procesamiento del lenguaje natural de las notas de clasificación. Int J Med Inform. 2019; 129: 184-8.
Theiling BJ, Donohoe R, Sendak MP, et al. 2 Sepsis Watch: implementación exitosa de una plataforma de tratamiento y detección de sepsis de aprendizaje profundo. Ann Emerg Med. 2019; 74 (suplemento 4): S1-2.
Velupillai S, Suominen H, Liakata M, et al. Uso del procesamiento clínico del lenguaje natural para la investigación de resultados de salud: descripción general y sugerencias prácticas para avances futuros. J Biomed Inform. 2018; 88: 11-19.
Wang L, Xue Z, Ezeana CF y col. Prevención de caídas con lesiones en pacientes hospitalizados mediante la predicción integradora de aprendizaje automático: un estudio de cohorte. NPJ Digit Med . 2019; 2: 127 . nature.com/articles/s41746-019-0200-3
Fuente : myamericannurse.com