Publicidad

Artículo sin valoraciones

Vol. 26 - Num. 104

Originales

¿Puede la inteligencia artificial discriminar urgencias?

Raquel Bernal Calmarzaa, Ana Valer Martínezb, María Celada Suárezc, Sara Calmarza Delgadod, Elena Calmarza Delgadod

aPediatra. CS Quince de Mayo. Madrid. España.
bMédico de familia. CS Tarazona. Tarazona. Zaragoza. España.
cMIR-Medicina de Familia. Hospital Universitario Miguel Servet. Zaragoza. España.
dEnfermera. Hospital Ernest Lluch Martin. Calatayud. Zaragoza. España.

Correspondencia: R Bernal. Correo electrónico: raquel3433@gmail.com

Cómo citar este artículo: Bernal Calmarza R, Valer Martínez A, Celada Suárez M, Calmarza Delgado S, Calmarza Delgado E. ¿Puede la inteligencia artificial discriminar urgencias? . Rev Pediatr Aten Primaria. 2024;26:[en prensa].

Publicado en Internet: 31-10-2024 - Número de visitas: 405

Resumen

Introducción: la hiperfrecuentación en Pediatría 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 contribuyen son diversos, y pueden incluir factores socioeconómicos, culturales y psicológicos. El impacto en el sistema de salud es significativo. La inteligencia artificial (IA) tiene el potencial de ser una herramienta eficaz para reducir la hiperfrecuentación.

Metodología: se analiza la concordancia entre la información aportada por la inteligencia artificial Gemini, de acceso libre y gratuito, para 101 enfermedades frecuentes en la infancia, en comparación con la evidencia disponible. Se analiza con el coeficiente kappa ajustado.

Resultados: de las 101 patologías analizadas, la IA dio una respuesta en todas ellas. Se obtuvo un reconocimiento de la patología con un coeficiente kappa de 0,857 +/- 0,002, un reconocimiento de los signos de alarma de 0,888 +/- 0,003, una adecuación de la necesidad de acudir a urgencias de 0,876 +/- 0,005 y una adecuación de las medidas a tomar de 0,915 +/- 0,003.

Conclusiones: la inteligencia artificial basada en texto tiene una concordancia muy buena respecto a los protocolos para reconocer patologías a partir de síntomas, y muy buena para valorar la necesidad de visita a un servicio de urgencias, la valoración de los signos de alarma y las recomendaciones terapéuticas. Esta concordancia es mayor en niños mayores de tres meses de edad y para patologías comunes.

Palabras clave

Diagnóstico Inteligencia artificial 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.

Tabla 1. Síntomas aportados a la inteligencia artificial
Patología Síntoma (s)
Abuso sexual Heridas en vulva
Abuso sexual Herida alrededor del ano
Adenopatía Bulto en el cuello o en la ingle
Alergia Ronchas rojas tras la ingesta
Alergia Vómitos tras la ingesta
Alergia Dificultad para respirar tras la ingesta
Alergia respiratoria Rinitis
Alergia respiratoria Conjuntivitis
Ansiedad Nerviosismo
APLV Vómitos al introducir la leche
APLV Cacas con sangre al introducir la leche
APLV Irritabilidad al introducir la leche
Artritis monoarticular Dolor e hinchazón de rodilla
Artritis poliarticular Dolor en manos, muñeca y rodilla con hinchazón
Asma Dificultad respiratoria
Asma Tos
Asma Opresión torácica
Bradiarritmias El corazón va muy lento
Bronquiolitis aguda Dificultad para respirar
Catarro Tos, mocos y febrícula
Cefalea Dolor de cabeza
Celulitis Placa roja alrededor de una herida
Cianosis Color azulado alrededor de la boca
Cojera en 6-8 años Cojera
Cojera en adolescente Cojera
Cojera en preescolar Cojera
Coma/disminución de conciencia Pérdida de conciencia con ausencia de respiración
Conjuntivitis Ojo rojo
Crisis afebril Convulsión sin fiebre
Crisis febriles Convulsión y fiebre
Crisis parciales Mioclonías, movimientos de un brazo
Cuerpo extraño digestivo Tragar una moneda
Cuerpo extraño digestivo Tragar una pila
Cuerpo extraño faringe Clavarse una espina de pescado
Cuerpo extraño nariz Meterse una moneda/un garbanzo por la nariz
Cuerpo extraño ocular Meterse arena en el ojo
Cuerpo extraño en oído Meterse una moneda/un garbanzo en el oído
Cuerpo extraño respiratorio Tragar una moneda con dificultad para respirar
Diabetes tipo 1 Orina mucho
Diabetes tipo 1 Come mucho y adelgaza
Diarrea 6 deposiciones desde ayer
Diplopia Ver doble
Disfagia súbita No puede tragar desde hace unas horas
Dolor abdominal Dolor de tripa
Dolor dental Dolor en un diente
Dolor torácico Dolor en el pecho
Epistaxis Sangrar por la nariz
Errores del metabolismo Vómitos en lactante
Errores del metabolismo Convulsiones en lactante
Errores del metabolismo Disminución del nivel de conciencia o del tono en lactante
Escroto agudo Dolor de testículo
Espasmo del sollozo Ponerse azul y desmayarse con el llanto en un lactante
Estreñimiento en el lactante 4 días sin hacer caca
Estreñimiento en preescolar/escolar 4 días sin hacer caca
Exantema ampolloso Ampollas en la piel
Exantema maculopapular febril Ronchas rojas con fiebre
Exantema purpúrico Manchas rojas en la piel
Exantema vesicular Vesículas en la piel
Faringoamigdalitis Fiebre y dolor de garganta
Fiebre Fiebre
Flemón dental Dolor de diente con hinchazón de la cara
GEA 4 vómitos y 4 diarreas
Hematemesis Vómito con sangre
Hematuria macroscópica Sangre en la orina
Heridas Herida por caída
Hipertensión intracraneal Dolor de cabeza fuerte
Hipertensión intracraneal Ver doble/parálisis de un lado de la cara
Ictericia neonatal Color amarillento de la piel en el lactante
Ictericia no neonatal Ojos amarillos en el niño
Ideación suicida Dice que se quiere suicidar
Impétigo Costras amarillas en la piel
Infección respiratoria febril Tos, mocos y fiebre de hasta 39 ºC
Intoxicaciones Ingesta accidental
Irritabilidad Llanto inconsolable
ITU Picor al hacer pis
ITU febril en el niño mayor Picor al hacer pis y fiebre
Laringitis Tos ronca
Laringitis Silbido al respirar
Leucemia Cansancio
Leucemia Moratones frecuentes
Leucemia Le cuesta mucho dejar de sangrar
Leucocoria No se ve el reflejo rojo con el flash
Maltrato físico Hematomas en muslos
Maltrato físico Disminución del nivel de conciencia en el lactante (no reacciona)
Maltrato físico Quemadura de cigarrillos
Micosis cutánea Placa roja en un pie
Miositis aguda Dolor en las pantorrillas y no poder andar
Mordedura Mordedura de perro/gato
OMA supurativa Supuración en el oído
Orzuelo Bulto en el párpado
Otalgia Dolor de oído
Palpitaciones Pinchazos en el pecho
Parada Cardiorrespiratoria Pérdida de conciencia con ausencia de respiración
Paroniquia Uñero
Parotiditis Hinchazón de la cara
Picadura de insecto Picadura de insecto
Quemadura Quemadura con agua hirviendo
Quemadura Quemadura con una sartén
RGE en el lactante Echa leche en todas las tomas
RGE en el niño mayor Dolor torácico
RGE en el niño mayor Sensación de que le sube la comida
Sangrado digestivo bajo Cacas con sangre
Sarna Picor
Sarna Picor y manchas en la piel
Shock Taquicardia (el corazón va muy rápido) y palidez
Síncope Pérdida de conciencia
Síndrome nefrótico Hinchazón de párpados
Sinusitis aguda Mocos y dolor de cabeza con o sin fiebre
SMSL Pérdida de conciencia con ausencia de respiración
Taquiarritmias El corazón va muy rápido
TCE en el lactante Caída desde el cambiador
Tics Movimientos no voluntarios en manos o cara
Tortícolis Dolor de cuello con dificultad para moverlo
Tortícolis con fiebre Dolor/dificultad para mover el cuello y fiebre
Traumatismo abdominal Dolor abdominal tras caída de una bicicleta
Traumatismo alta energía Caída desde altura/accidente de coche
Traumatismo de antebrazo Dolor de muñeca tras caída
Traumatismo de tobillo Dolor de tobillo después de una caída
Traumatismo dental Dolor de diente tras caída
Urticaria Habones en la piel
Vértigo Mareo y le dan vueltas los objetos
Vómitos Vómitos
APLV: alergia a proteínas de la leche de vaca; GEA: gastroenteritis aguda; ITU: infección del tracto urinario; OMA: otitis media aguda; RGE: reflujo gastroesofágico; SMSL: síndrome de muerte súbita del lactante; TCE: traumatismo craneoencefálico.

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.

Tabla 2. Resultados globales
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 0,857 +/- 0,002 Muy buena
Corrección de los signos de alarma 0,888 +/- 0,003 Muy buena
Necesidad de acudir a urgencias 0,876 +/- 0,005 Muy buena
Medidas a tomar 0,915 +/- 0,003 Muy buena
Tabla 3. Signos de alarma ajustados por edad
Edad Coeficiente kappa (con intervalo de confianza 95%) Correlación
Menores de 3 meses 0,667 +/- 0,053 Buena
Mayores de 3 meses 0,938 +/- 0,004 Muy buena
Tabla 4. Resultados por grupos de patología
Patología respiratoria: asma, bronquiolitis, infección respiratoria de vías altas con y sin fiebre, cianosis
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 1 +/- 0,045 Muy buena
Corrección de los signos de alarma 1 +/- 0,053 Muy buena
Necesidad de acudir a urgencias 0,733 +/- 0,102 Buena
Medidas a tomar 0,778 +/- 0,064 Buena
Patología digestiva: ictericia neonatal, ictericia no neonatal, disfagia súbita, reflujo gastroesofágico en el lactante, reflujo gastroesofágico en el niño mayor, hematemesis, sangrado digestivo bajo, diarrea, vómitos, estreñimiento en el lactante y estreñimiento en el niño mayor
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 0,933 +/- 0,021 Muy buena
Corrección de los signos de alarma 0,909 +/- 0,024 Muy buena
Necesidad de acudir a urgencias 1 +/- 0,04 Muy buena
Medidas a tomar 0,909 +/- 0,026 Muy buena
Patología dermatológica y exantemas: exantema maculopapular con fiebre, exantema vesiculoso, exantema ampolloso, exantema purpúrico, impétigo, celulitis, paroniquia, escabiosis y micosis cutánea
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 0,636 +/- 0,029 Buena/Muy buena
Corrección de los signos de alarma 0,8 +/- 0,032 Buena
Necesidad de acudir a urgencias 0,733 +/- 0,051 Buena
Medidas a tomar 0,8 +/- 0,032 Buena/Muy buena
Cirugía y Traumatología: traumatismo de alta energía, traumatismo abdominal, traumatismo de tobillo y pie, traumatismo de antebrazo, quemadura, mordedura, picadura de insecto, herida, cuerpo extraño digestivo, cuerpo extraño respiratorio, tortícolis, dolor dental
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 1 +/- 0,019 Muy buena
Corrección de los signos de alarma 1 +/- 0,026 Muy buena
Necesidad de acudir a urgencias 1 +/- 0,031 Muy buena
Medidas a tomar 1 +/- 0,019 Muy buena
Patología neurológica: irritabilidad, coma, síncope, diplopía, SMSL, hipertensión intracraneal, cefalea, tics, convulsión febril, convulsión afebril, crisis parciales, espasmo del sollozo, miositis aguda
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 0,928 +/- 0,023 Muy buena
Corrección de los signos de alarma 1 +/- 0,035 Muy buena
Necesidad de acudir a urgencias 1 +/- 0,042 Muy buena
Medidas a tomar 1 +/- 0,032 Muy buena
Patología oncológica: leucocoria, leucemia
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 0,25 +/- 0,032 Débil
Necesidad de acudir a urgencias 1 +/- 0,267 Buena/Muy buena
Patología alérgica: APLV; alergia alimentaria, alergia respiratoria
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 0,25 +/- 0,040 Débil
Corrección de los signos de alarma 1 +/- 0,162 Muy buena
Necesidad de acudir a urgencias 1 +/- 0,174 Muy buena
Medidas a tomar 0,667 +/- 0,107 Débil/Buena
Patología cardiológica: dolor torácico, palpitaciones, bradiarritmia, taquiarritmia
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 1 +/- 0,080 Muy buena
Necesidad de acudir a urgencias 0,333 +/- 0,129 Débil/Moderada
Medidas a tomar 1 +/- 0,107 Muy buena
Patología infecciosa: adenopatía, tortícolis con fiebre, flemón dentario, parotiditis aguda, fiebre sin foco, cojera en el preescolar, cojera en el escolar, cojera en el adolescente
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 0,75 +/- 0,040 Buena
Corrección de los signos de alarma 0,583 +/- 0,026 Moderada
Necesidad de acudir a urgencias 0,428 +/- 0,073 Débil/Moderada
Medidas a tomar 0,833 +/- 0,053 Buena/Muy buena
Patología oftalmológica y otorrinolaringológica: cuerpo extraño ocular, conjuntivitis, orzuelo, cuerpo extraño en nariz, cuerpo extraño en oído, otalgia, otitis supurativa, faringitis aguda, laringitis aguda, sinusitis aguda, cuerpo extraño en faringe, vértigo
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 1 +/- 0,023 Muy buena
Corrección de los signos de alarma 1 +/- 0,024 Muy buena
Necesidad de acudir a urgencias 0,795 +/- 0,039 Buena/Muy buena
Medidas a tomar 0,923 +/- 0,023 Muy buena
Patología metabólica y endocrinológica: errores congénitos del metabolismo y diabetes mellitus tipo 1
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 0,8 +/- 0,064 Buena/Muy buena
Necesidad de acudir a urgencias 1 +/- 0,080 Muy buena
Patología nefrourológica: ITU afebril, ITU febril en el niño mayor, síndrome nefrótico, hematuria macroscópica
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 0,75 +/- 0,080 Buena/Muy buena
Corrección de los signos de alarma 1 +/- 0,080 Muy buena
Necesidad de acudir a urgencias 1 +/- 0,129 Muy buena
Medidas a tomar 1 +/- 0,080 Muy buena
Patología reumatológica: artritis monoarticular y artritis poliarticular
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 0,5 +/- 0,162 Débil/Buena
Corrección de los signos de alarma 1 +/- 0,162 Muy buena
Necesidad de acudir a urgencias 1 +/- 0,267 Buena/Muy buena
Medidas a tomar 1 +/- 0,162 Muy buena
Patología psiquiátrica, por maltrato e intoxicaciones: abuso físico, abuso sexual, intoxicaciones accidentales, ansiedad e ideación suicida
Variable Coeficiente kappa (con intervalo de confianza 95%) Correlación
Reconocimiento de la patología 0,7 +/- 0,035 Buena
Corrección de los signos de alarma 1 +/- 0,045 Muy buena
Necesidad de acudir a urgencias 0,8788 +/- 0,030 Muy buena
Medidas a tomar 1 +/- 0,040 Muy buena
APLV: alergia a proteínas de la leche de vaca; GEA: gastroenteritis aguda; ITU: infección del tracto urinario; OMA: otitis media aguda; RGE: reflujo gastroesofágico; SMSL: síndrome de muerte súbita del lactante; TCE: traumatismo craneoencefálico.

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.