Investigadores del MIT y del Beth Israel Deaconess Medical Center utilizan el aprendizaje automático y la interacción humano-computadora para crear un historial clínico electrónico (HCE) denominado MedKnowts.
Se trata de un sistema que combina en una única interfaz interactiva el proceso de consulta de historiales médicos y el de documentación de la información de los pacientes.
Se espera que esta tecnología pueda extenderse y desarrollarse más, para mejorar la calidad de la atención a los pacientes.
Los historiales clínicos electrónicos se han adoptado ampliamente con la esperanza de que ahorraran tiempo y mejoraran la calidad de la atención a los pacientes. Sin embargo, debido a interfaces fragmentadas y a procedimientos tediosos de introducción de datos, los médicos suelen dedicar más tiempo a navegar por estos sistemas que a interactuar con los pacientes.
Investigadores del MIT y del Beth Israel Deaconess Medical Center combinan el aprendizaje automático y la interacción humano-computadora para crear un mejor historial clínico electrónico (HCE). Desarrollaron MedKnowts, un sistema que unifica los procesos de consulta de historiales médicos y de documentación de la información de los pacientes en una única interfaz interactiva.
Impulsado por la inteligencia artificial, este HCE “inteligente” muestra automáticamente historiales médicos personalizados y específicos de cada paciente cuando el clínico los necesita. MedKnowts también ofrece autocompletado de términos clínicos y rellena automáticamente los campos con la información del paciente para ayudar a los médicos a trabajar de manera más eficiente.
“En los orígenes de los HCE, existía un enorme entusiasmo por que organizar toda esta información resultara útil para poder llevar registros de facturación, informar estadísticas al gobierno y aportar datos para la investigación científica. Pero pocos se detuvieron a plantearse las preguntas de fondo sobre si serían de utilidad para el clínico. Creo que muchos clínicos sienten que se les ha impuesto esta carga de los HCE en beneficio de la burocracia, los científicos y los contables. Al iniciar este proyecto nos preguntamos cómo podrían beneficiar realmente a los clínicos los HCE”, afirma David Karger, profesor de informática en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y autor principal del artículo.
La investigación fue escrita en coautoría por los estudiantes de posgrado de CSAIL Luke Murray, autor principal, Divya Gopinath y Monica Agrawal. Otros autores son Steven Horng, médico adjunto de medicina de urgencias y responsable clínico de aprendizaje automático en el Center for Healthcare Delivery Science del Beth Israel Deaconess Medical Center, y David Sontag, profesor asociado de ingeniería eléctrica e informática en el MIT, miembro de CSAIL y del Institute for Medical Engineering and Science, e investigador principal en el Abdul Latif Jameel Clinic for Machine Learning in Health. Se presentará en el Simposio de la Association for Computing Machinery sobre Software y Tecnología de Interfaces de Usuario el próximo mes.
Una herramienta orientada a problemas
Para diseñar un HCE que beneficiara a los médicos, los investigadores tuvieron que pensar como médicos.
Crearon un editor de notas con un panel lateral que muestra información relevante del historial médico del paciente. Esa información histórica aparece en forma de tarjetas centradas en problemas o conceptos concretos.
Por ejemplo, si MedKnowts identifica el término clínico “diabetes” en el texto mientras el clínico escribe, el sistema muestra automáticamente una “tarjeta de diabetes” que contiene medicamentos, valores de laboratorio y fragmentos de historiales anteriores relevantes para el tratamiento de la diabetes.
La mayoría de los HCE almacenan la información histórica en páginas separadas y enumeran los medicamentos o los valores de laboratorio por orden alfabético o cronológico, lo que obliga al clínico a buscar entre los datos la información que necesita, explica Murray. MedKnowts solo muestra la información relevante para el concepto concreto sobre el que escribe el clínico.
“Esto se ajusta más a la forma en que los médicos piensan sobre la información. Muchas veces, los médicos lo hacen de forma inconsciente. Revisan una página de medicamentos y se centran solo en los que son relevantes para las afecciones actuales. Estamos ayudando a automatizar ese proceso y, con suerte, a liberar al médico de algunas tareas para que tenga más tiempo para pensar en la parte compleja, que es determinar qué le ocurre al paciente y elaborar un plan de tratamiento”, afirma Murray.
Los fragmentos de texto interactivo denominados chips funcionan como enlaces a tarjetas relacionadas. Mientras el médico escribe una nota, el sistema de autocompletado reconoce términos clínicos, como medicamentos, valores de laboratorio o afecciones, y los convierte en chips. Cada chip se muestra como una palabra o frase resaltada en un color determinado según su categoría (rojo para una afección médica, verde para un medicamento, amarillo para un procedimiento, etc.).
Gracias al autocompletado, se recopilan datos estructurados sobre las afecciones, los síntomas y el uso de medicamentos del paciente sin esfuerzo adicional por parte del médico.
Sontag afirma que espera que este avance “cambie el paradigma de cómo crear conjuntos de datos sanitarios a gran escala para estudiar la progresión de las enfermedades y evaluar la eficacia real de los tratamientos”.
En la práctica
Tras un proceso de diseño iterativo de un año de duración, los investigadores probaron MedKnowts desplegando el software en el servicio de urgencias del Beth Israel Deaconess Medical Center de Boston. Trabajaron con un médico de urgencias y cuatro escribas hospitalarios que introducen notas en el historial clínico electrónico.
Desplegar el software en un servicio de urgencias, donde los médicos trabajan en un entorno de alta presión, supuso un delicado equilibrio, afirma Agrawal.
“Uno de los mayores desafíos fue conseguir que las personas cambiaran lo que hacen actualmente. Los médicos que han usado el mismo sistema y han realizado tantas veces la misma secuencia de clics adquieren una especie de memoria muscular. Siempre que se va a introducir un cambio, surge la pregunta de si merece la pena. Y comprobamos que algunas funciones tenían un uso mucho mayor que otras”, afirma.
La pandemia de Covid-19 también complicó el despliegue. Los investigadores habían estado visitando el servicio de urgencias para conocer el flujo de trabajo, pero se vieron obligados a suspender esas visitas por la Covid-19 y no pudieron estar en el hospital mientras se desplegaba el sistema.
A pesar de esos desafíos iniciales, MedKnowts se hizo popular entre los escribas a lo largo del despliegue de un mes. Otorgaron al sistema una calificación media de 83,75 (sobre 100) en cuanto a facilidad de uso.
Según los resultados de la encuesta, los escribas consideraron que la función de autocompletado era especialmente útil para agilizar su trabajo. Además, los chips codificados por colores les ayudaron a revisar rápidamente las notas en busca de información relevante.
Estos resultados iniciales son prometedores, pero, mientras los investigadores analizan los comentarios y trabajan en futuras iteraciones de MedKnowts, planean avanzar con cautela.
“Lo que intentamos hacer aquí es allanar el camino a los médicos y permitirles acelerar. Hay cierto riesgo. Parte del propósito de la burocracia es ralentizar las cosas y asegurarse de que todo esté revisado hasta el último detalle. Y si un ordenador se encarga de revisar esos detalles por los médicos, eso podría ir en contra de los objetivos de la burocracia, que es obligar a los médicos a pensárselo dos veces antes de tomar una decisión. Debemos pensar en cómo proteger a los médicos y a los pacientes de las consecuencias de hacer a los médicos más eficientes”, afirma Karger.
Una visión a más largo plazo
Los investigadores planean mejorar los algoritmos de aprendizaje automático que impulsan MedKnowts para que el sistema pueda destacar de forma más eficaz las partes del historial médico más relevantes, afirma Agrawal.
También quieren tener en cuenta las necesidades de distintos usuarios médicos. Los investigadores diseñaron MedKnowts pensando en un servicio de urgencias, un entorno en el que los médicos suelen atender a pacientes por primera vez. Un médico de atención primaria, que conoce mucho mejor a sus pacientes, probablemente tendría necesidades algo diferentes.
A más largo plazo, los investigadores prevén crear un sistema adaptativo al que los clínicos puedan contribuir. Por ejemplo, un médico podría darse cuenta de que falta un determinado término de cardiología en MedKnowts y añadir esa información a una tarjeta, lo que actualizaría el sistema para todos los usuarios.
El equipo está explorando la comercialización como vía para un despliegue más amplio.
“Queremos crear herramientas que permitan a los médicos crear sus propias herramientas. No esperamos que los médicos aprendan a programar, pero con el apoyo adecuado podrían llegar a personalizar radicalmente las aplicaciones médicas que utilizan para adaptarlas realmente a sus propias necesidades y preferencias”, afirma Karger.
Esta investigación fue financiada por el Abdul Latif Jameel Clinic for Machine Learning in Health del MIT.
