¿Puede la inteligencia artificial discriminar urgencias?

INTRODUCCIÓN

La hiperfrecuentación en Pediatría es un problema creciente, que puede tener un impacto negativo en la calidad de la atención y en los recursos disponibles. Se define como la asistencia repetida a urgencias por motivos que no requieren atención urgente o podrían ser tratados en otro nivel asistencial.

Los factores que pueden contribuir a la hiperfrecuentación en urgencias de Pediatría son diversos, y pueden incluir factores socioeconómicos, culturales y psicológicos¹. Entre los factores socioeconómicos se incluyen la falta de acceso a la Atención Primaria, la pobreza y la inmigración. Entre los factores culturales destacan las creencias y las prácticas culturales que pueden llevar a la sobreutilización de los servicios de urgencias. Entre los factores psicológicos se incluyen la ansiedad, el estrés y la falta de confianza en la Atención Primaria.

El impacto de la hiperfrecuentación en el sistema de salud es significativo. Los hiperfrecuentadores representan una pequeña proporción de la población pediátrica, pero generan una gran cantidad de consultas². Esto puede sobrecargar los servicios de Atención Primaria y de urgencias, y aumentar los costes sanitarios.

La hiperfrecuentación en Pediatría es un problema complejo que requiere un enfoque multidisciplinario. Las estrategias para abordar este problema incluyen: la educación de los pacientes y los padres, la mejora del acceso a la Atención Primaria y el desarrollo de programas de atención a la hiperfrecuentación.

La inteligencia artificial (IA) está revolucionando el campo de la medicina, con aplicaciones en una amplia gama de áreas, desde el diagnóstico y el tratamiento de enfermedades hasta la investigación y el desarrollo de nuevos fármacos³. Según varios estudios, la IA tiene el potencial de ser una herramienta eficaz para reducir la hiperfrecuentación⁴. La IA puede utilizarse para clasificar a los pacientes en función de su nivel de urgencia, así como para proporcionar información y apoyo a los pacientes y sus padres⁵.

Pese a que se ha demostrado la utilidad de la IA para triar pacientes en urgencias pediátricas, no existe evidencia científica acerca de la utilidad de esta herramienta como asistente en la decisión de los padres de acudir o no a urgencias⁶.

El objetivo de este estudio es la medición del nivel de concordancia entre el resultado mostrado por la inteligencia artificial Gemini (antes Bard) y la mejor bibliografía disponible en 101 patologías frecuentes y relevantes en cuatro variables: reconocimiento de la patología, corrección de los signos de alarma, necesidad de acudir a urgencias y medidas a tomar en el domicilio.

Como objetivos secundarios se establecen estudiar la concordancia entre el resultado mostrado por la inteligencia artificial Gemini y la mejor bibliografía disponible en 101 patologías frecuentes y relevantes en cuatro variables: reconocimiento de la patología, corrección de los signos de alarma, necesidad de acudir a urgencias y medidas a tomar en el domicilio, distribuidas por grupos de patología. Asimismo, se intentan determinar los factores que pueden influir en la inteligencia artificial Gemini a la hora de diagnosticar con mayor o menor precisión y exactitud.

MATERIAL Y MÉTODOS

Se trata de un estudio observacional que compara los resultados obtenidos de preguntar al sistema Gemini con la mejor evidencia científica disponible, entendiéndose como tal los protocolos de la Sociedad Española de Urgencias Pediátricas (SEUP)⁷ y los algoritmos de la Asociación Española de Pediatría de Atención Primaria (AEPap)⁸.

Se utiliza el sistema de inteligencia artificial Gemini, un modelo de aprendizaje automático entrenado en un conjunto de datos masivo de texto y código, que tiene la capacidad de generar texto y responder preguntas de manera informativa en castellano.

Gemini es uno de los modelos de lenguaje más grandes del mundo, con 137 billones de parámetros. Esto le permite aprender patrones y relaciones complejas en el lenguaje. Por otra parte, tiene acceso a un conjunto de datos masivo de texto y código, lo que le permite aprender sobre un amplio espectro de temas. Puede generar texto de alta calidad, que es gramaticalmente correcto y coherente, y responder preguntas de manera informativa, incluso si son abiertas. Se trata de un modelo de lenguaje libre y de uso gratuito, lo que facilita que pueda ser utilizado por cualquier persona con acceso a Internet. Se trata de una herramienta con gran potencial para llegar a una parte importante de la población.

En cuanto al análisis de resultados, si la respuesta que aporta la IA coincide totalmente con la observada en los protocolos, se codifica como “acierto”, si falla o no es completa, se codifica como “fallo”. Se mide el nivel de concordancia, entendido como proporción de aciertos frente al total de preguntas realizadas a la IA.

La respuesta de la inteligencia artificial “es necesario que acuda a urgencias inmediatamente” o “necesita una valoración médica inmediata” se valora como necesidad de urgencia, mientras que la respuesta “debe acudir al médico” o “lleve a su hijo al médico” se valora como ausencia de necesidad de acudir a urgencias.

Se pregunta a la IA por 101 patologías, seleccionadas por gravedad y frecuencia entre los meses de diciembre de 2023 y enero de 2024. Se realiza el estudio partiendo de un paciente sano que no precisa medicación crónica.

Los síntomas por los que se pregunta a la inteligencia artificial para cada patología se encuentran en la Tabla 1. Para cada síntoma, salvo que solo sea aplicable a un determinado grupo de edad (en cuyo caso se muestra), se pregunta por dos edades: 3 meses para un lactante y 4 años para un preescolar/escolar. En el caso de patologías en las que se especifica la edad (cojera en el escolar de 6-8 años, cojera en el adolescente) se pregunta por la edad especificada.

Se pregunta a la IA en cinco de las patologías para los supuestos de todas las edades (por meses, entre 1 y 24 meses, y por años, de los 2 a los 14 años), sin objetivarse diferencias en lo que la inteligencia artificial contesta en función de la edad. Por ese motivo, se decide tomar solo la referencia de 3 meses para el lactante y de 4 años para el preescolar/escolar.

Se utiliza el coeficiente de correlación kappa de Cohen para medir el nivel de concordancia, ajustando el efecto del azar sobre las mediciones dicotómicas (acudir o no a urgencias). En las mediciones no dicotómicas (reconocimiento de la patología, corrección de los signos de alarma y medidas a tomar), por ausencia de datos previos, se calcula el coeficiente de correlación sin ajustar por azar, considerando una probabilidad de acierto por azar de 0,10 para calcular los intervalos de confianza, aunque probablemente esta concordancia por azar sea menor. Para las patologías en que no existen medidas a tomar en el domicilio, por precisar siempre atención médica urgente, no se han valorado las variables “corrección de los signos de alarma” y “medidas a tomar”. Se calculan los coeficientes de correlación y los intervalos de confianza utilizando el programa SPSS versión 28.

Se considera correlación muy buena si es mayor de 0,8, buena si está entre 0,6 y 0,8, moderada si está entre 0,4 y 0,6, débil si está entre 0,2 y 0,4 y pobre si es menor de 0,2. En caso de encontrarse el intervalo de confianza entre dos rangos de correlación, se incluyen los dos en resultados.

RESULTADOS

Se analizaron 101 patologías, seleccionadas por frecuencia y gravedad. Para cada patología se analizaron las variables: reconocimiento de la patología por los síntomas dados (Tabla 1), corrección de los signos de alarma aportados por la inteligencia artificial, valoración (correcta o incorrecta) de la necesidad de acudir a un servicio de urgencias y medidas a tomar en el domicilio.

Para todos los síntomas aportados, la IA determinó la necesidad de acudir a una consulta médica.

Los resultados globales se muestran en la Tabla 2, los signos de alarma por grupos de edad, en la Tabla 3, y los resultados por grupos de patología, en la Tabla 4.

DISCUSIÓN

Pese a que la correlación entre la IA en el reconocimiento de patologías es de 0,86, la IA ha demostrado su mayor eficacia a la hora de aportar signos de alarma, con un coeficiente de correlación de 0,89, y de determinar la necesidad o no de acudir a un servicio de urgencias, con un coeficiente de correlación kappa de Cohen de 0,88 a nivel global, así como su utilidad a la hora de dar consejos a los padres, con un coeficiente de correlación de 0,91.

Aunque la correlación global es buena, existen grandes diferencias en los análisis de los subgrupos. Mientras que a la hora de diagnosticar y determinar el grado de urgencia de patologías comunes (patología respiratoria, patología digestiva, patología oftalmológica y otorrinolaringológica y traumatismos) la correlación es muy buena, en las patologías menos prevalentes o con síntomas más inespecíficos (patología endocrinológica y metabolopatías, patología cardiológica, patología oncológica, patología reumatológica, patología psiquiátrica y sospecha de maltrato) se obtienen coeficientes de correlación que, sin ser bajos, son peores que los de enfermedades más frecuentes.

Mención aparte merece la patología dermatológica que, por su propia naturaleza, es difícil de describir con palabras. Pese a todo, la IA logra un coeficiente de correlación bueno a la hora de valorar los signos de alarma y la necesidad de acudir a un servicio de urgencias. Se podría valorar la posibilidad de aportar fotografías a la IA como forma de aumentar su rentabilidad diagnóstica.

En cuanto a los signos de alarma, la IA presenta una correlación muy buena en niños mayores de 3 meses. En menores de 3 meses la correlación con la clínica baja notablemente (de 0,94 a 0,67) por lo inespecífico de los síntomas en los lactantes y por el hecho de que son pacientes que, por su edad, presentan más riesgo de complicaciones. Por tanto, en lactantes menores de 3 meses, no se puede considerar que la IA sea una herramienta lo suficientemente fiable como para recomendar su utilización generalizada.

No se han encontrado más artículos publicados que analicen la eficacia de la inteligencia artificial para detectar signos de alarma en comparación con los protocolos y la evidencia clínica, por lo que no se puede hacer una comparación con otros estudios existentes.

Podemos concluir que la IA es una herramienta útil para clasificar síntomas en urgentes y menos urgentes en niños mayores de 3 meses, pero no debe sustituir la consulta médica, ya que, de hacerlo, se dejarían de detectar patologías que, pese a no precisar una valoración médica inmediata, pueden ser graves y difíciles de detectar, como la patología oncológica o el maltrato infantil.

CONCLUSIONES

La inteligencia artificial basada en texto presenta una buena concordancia respecto a los manuales de Pediatría y a los protocolos comúnmente utilizados para reconocer patologías a partir de síntomas, y muy buena respecto a los protocolos de Pediatría para valorar la necesidad de visita a un servicio de urgencias, la valoración de los signos de alarma y las recomendaciones terapéuticas. Los mayores niveles de concordancia globales se obtienen para patología respiratoria, digestiva, traumatológica y quirúrgica, nefrourológica, neurológica, oftalmológica y otorrinolaringológica. Dichos grupos obtienen una correlación superior a 0,7 en todas las categorías analizadas.

Por otra parte, los menores niveles de concordancia se observan en el reconocimiento de la patología oncológica, alérgica y reumatológica, a pesar de que sí es eficaz para reconocer los signos de alarma para los que acudir a urgencias en todas esas patologías. Asimismo, la edad menor de 3 meses reduce significativamente la concordancia de la IA con las guías y protocolos habituales. Se precisan más estudios para evaluar la eficacia de la inteligencia artificial comparada con la opinión de un profesional sanitario.

CONFLICTO DE INTERESES

Los autores declaran no presentar conflictos de intereses en relación con la preparación y publicación de este artículo.

RESPONSABILIDAD DE LOS AUTORES

Todos los autores han contribuido de forma equivalente en la elaboración del manuscrito publicado.

ABREVIATURAS

AEPap: Asociación Española de Pediatría de Atención Primaria · IA: inteligencia artificial · SEUP: Sociedad Española de Urgencias Pediátricas.

BIBLIOGRAFÍA

1. Martín R, Sánchez M, Teruel C. Aspectos psicosociales relacionados con la hiperfrecuentación en las consultas pediátricas de atención primaria. An Pediatr (Barc). 2019;90(1):26-31. https://doi.org/10.1016/j.anpedi.2018.03.008
2. Mata D, Fernández M, Cobo MV. Hiperfrecuentación en Pediatría: ¿Se trata de una verdadera necesidad? Bol Pediatr. 2015;55(234):243-6.
3. Mancera J, Muñoz F, Paniagua F, Gómez F, Fernández ML, Blanca FJ. Problemas de salud y factores determinantes del número de visitas a demanda en pacientes hiperutilizadores de un centro de salud. Aten Primaria. 2001;27(9):658-62. https://doi.org/10.1016/S0212-6567(01)78876-2
4. Liang H, Tsui BY, Ni H, Valentim CCS, Baxter SL, Liu G, et al. Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence. Nat Med. 2019;25(3):433-8. https://doi.org/10.1038/s41591-018-0335-9
5. Ramgopal S, Sanchez-Pinto LN, Horvat CM, Carroll MS, Luo Y, Florin TA. Artificial intelligence-based clinical decision support in pediatrics. Pediatr Res. 2023;93(2):334-41. https://doi.org/10.1038/s41390-022-02226-1
6. Jiménez Alés R. Inteligencia artificial. Desafíos y preocupaciones. Rev Pediatr Aten Primaria. 2023;25:205-10.
7. Sociedad Española de Urgencias de Pediatría (SEUP). Protocolos diagnósticos y terapéuticos en urgencias de pediatría. (4ª ed.); 2019 [en línea] [consultado el 29/10/2024]. Disponible en https://seup.org/wp-content/uploads/2024/04/0_Primeras_4ed.pdf
8. Asociación Española de Pediatría de Atención Primaria. Algoritmos AEPap [en línea] [consultado el 29/10/2024]. Disponible en https://algoritmos.aepap.org/

Comentarios

Este artículo aún no tiene comentarios.