El potencial transformador de la IA en la prestación y distribución de atención sanitaria

Este es un extracto de un documento técnico nuevo escrito con Dennis Chornenky, asesor jerarca de IA, UC Davis Health y David Lubarsky, vicerrector de Ciencias de la Sanidad Humana y director ejecutor de UC Davis Health. Para descubrir el documento técnico completo, haga clic aquí.

Un maniquí de gobernanza de IA eficaz permitirá que los sistemas de sanidad aprovechen las tecnologías innovadoras y, al mismo tiempo, mitiguen los riesgos para los pacientes. Ha habido muchos titulares que llaman la atención sobre la sustitución de la IA por los médicos, pero el proscenio más probable es que funcione como una ayuda, amplificando la capacidad de los médicos y los equipos de atención para atender a más pacientes de formas más personalizadas. La próximo infografía destaca algunas formas esencia en las que esto puede suceder.

	Asaltar la desproporcionalidad de la información y permitir una decano alfabetización sanitaria y autodefensa del paciente al proporcionarles información rápida y en jerigonza sencillo sobre su condición, así como llegada a segundas opiniones. Pasar las barreras lingüísticas y culturales haciendo que las herramientas de traducción sean más accesibles en el espacio de atención. Mejorar el llegada a la atención en comunidades desatendidas: Se pueden utilizar chatbots de IA, algoritmos de diagnosis y herramientas de monitoreo remoto de pacientes para aumentar el llegada a la atención primaria y especializada en geografías que experimentan escasez de proveedores.
	Mejorar la capacidad de predecir y alertar enfermedades: Las herramientas de inteligencia fabricado pueden analizar grandes cantidades de datos médicos, lo que permite predicciones más precisas de enfermedades o reingresos basadas en factores de aventura que pueden no ser evidentes para los observadores humanos. Mejorar la billete del paciente proporcionando llegada rápido a información personalizada sobre factores de aventura y estrategias para que los pacientes eviten una ascensión, en un jerigonza de hacedero llegada. Permitir evaluaciones y monitoreo más rápidos y basados ​​en datos de las micción de sanidad pública para encauzar las decisiones políticas y la asignación de fortuna: Las herramientas de inteligencia fabricado pueden resultar bártulos para predecir brotes y pronosticar la demanda de servicios de sanidad pública.
	Mejore la precisión del diagnosis: El diagnosis amañado es un problema importante en la atención de la sanidad: la prevalencia oscila entre el 5% y el 20%, según la enfermedad o afección.1 Un diagnosis amañado puede tener consecuencias graves, lo que lleva a tratamientos retrasados ​​o inadecuados, procedimientos innecesarios, aumento de los costos de atención médica y daños al paciente. Los estudios han demostrado que las herramientas de inteligencia fabricado pueden pasar la precisión diagnóstica de los médicos humanos para determinadas afecciones. Con la IA, los médicos tienen el beneficio de contar con un “copiloto” capacitado y los pacientes pueden beneficiarse de diagnósticos más oportunos y respaldados por datos. Aumentar el llegada a diagnósticos especializados: Los algoritmos de IA pueden evaluar rápidamente imágenes de diagnosis y biomarcadores de factores de aventura de enfermedades, lo que permite un decano rendimiento de las pruebas de diagnosis y libera tiempo al médico para centrarse en los verdaderos positivos y los casos complejos. Las personas que viven en zonas rurales, remotas o desatendidas podrían alcanzar a una revisión a nivel de entendido de sus pruebas de diagnosis sin tener que recorrer, gracias a la IA. Un sistema de sanidad está desarrollando una aparejo de diagnosis basada en inteligencia fabricado que analiza biomarcadores de voz para predecir la enfermedad de las arterias coronarias.2
	Proporcionar una planificación de tratamiento capaz y personalizada: Las herramientas impulsadas por IA todavía han podido acelerar el proceso de planificación del tratamiento; por ejemplo, reduciendo la planificación del tratamiento de radioterapia de días a solo minutos.3 Habilitar el llegada al soporte para la toma de decisiones cercano a la cama: los autores de “Modelos básicos para la inteligencia fabricado médica generalista” describir un futuro potencial en el que la IA no solo pueda proporcionar una alerta temprana de un evento infeliz, sino todavía proporcionar la descargo y los puntos de datos para respaldar su evaluación, y aconsejar un curso de intervención, impulsado por la evidencia clínica más nuevo.4 Procedimientos de aumento: Hoy en día, los robots quirúrgicos ya ofrecen supervisión remota de casos. En el futuro, los robots quirúrgicos podrán anotar secuencias de vídeo de procedimientos en tiempo positivo o gestar alertas cuando se omitan pasos del procedimiento.5 Permitir una monitorización remota mejorada del paciente: Las empresas continúan desarrollando la capacidad de monitorear a los pacientes con enfermedades crónicas de forma remota, mediante el seguimiento de datos de biomarcadores proporcionados a través de tecnologías portátiles o captura de imágenes por teléfono. Estas tecnologías pueden desencadenar la intervención del paciente o del médico para invadir sus inquietudes en tiempo positivo. Proporcionar llegada a información sobre tratamientos a través de chatbots orientados al paciente: Los LLM permiten la creación de chatbots que pueden contestar a las consultas de los pacientes y desear orientación. Hay innumerables cuestiones de responsabilidad que resolver, pero en un nivel sustancial, los modelos sólidos y aceptablemente probados pueden ser una fuente importante de información para que los pacientes conozcan las opciones de tratamiento.
	Proporcionar herramientas de transcripción de notas: La IA se puede utilizar en herramientas de transcripción de notas para convertir automáticamente información médica hablada en texto escrito, lo que potencialmente perfeccionamiento la eficiencia y precisión de la documentación médica. Solucionar la previsión de la demanda: Las herramientas de previsión de la demanda emplean modelos predictivos para estimar la demanda futura de los pacientes, lo que permite a las organizaciones de atención sanitaria optimizar la programación del personal. Soporte de facturación y codificación: Se puede invertir IA para automatizar y optimizar la facturación y codificación médica. Con herramientas de codificación cibernética impulsadas por IA, los profesionales de facturación médica pueden obligarse tiempo a revisar la codificación en espacio de ingresar datos manualmente. La trámite del ciclo de ingresos supone un gran pago para los sistemas de sanidad.
	Identificar pacientes para ensayos clínicos: La IA se puede utilizar para optar datos de HCE sobre pacientes para identificar aquellos que pueden ser elegibles para ensayos clínicos, lo que podría aumentar el número de pacientes históricamente subrepresentados en ensayos clínicos. Apoye el descubrimiento y exposición de fármacos: La IA se puede utilizar para respaldar la identificación de objetivos de medicamentos, hacer predicciones de aptitud, individualizar predicciones de respuesta a medicamentos y monitorear la seguridad de los medicamentos y los eventos adversos, entre otras cosas.6

_{¹ Newman-Toker, DE, Wang, Z., Zhu, Y., Nassery, N., Sabre Tehrani, AS, Schaffer, AC, Yu-Moe, CW, Clemens, GD, Fanai, M. y Siegal, D. (2021), Tasa de errores de diagnosis y daños graves relacionados con diagnósticos erróneos de eventos vasculares importantes, infecciones y cánceres: cerca de una estimación de incidencia franquista utilizando los “tres grandes”. Diagnosis (Berlín, Alemania). https://pubmed.ncbi.nlm.nih.gov/32412440/}

_{² Malloy, T. (26 de abril de 2022). La IA utiliza biomarcadores de voz para predecir la enfermedad de las arterias coronarias – red de parte de mayo clinic. Clínica Mayo. https://newsnetwork.mayoclinic.org/discussion/ai-uses-voice-biomarkers-to-predict-coronary-artery-disease/}

_{³ Meskó, B., Görög, M. (2020) Una breve enseñanza para profesionales médicos en la era de la inteligencia fabricado. Npj Medicina Digital 3126. https://doi.org/10.1038/s41746-020-00333-z}

_{⁴ Moor, M., Banerjee, O., Rector, ZS, Krumholz, HM, Leskovec, J., Topol, EJ y Rajpurkar, P. (2023). Modelos básicos para la inteligencia fabricado médica generalista. Biblioteca Doméstico de Medicina, 616(7956), 259–265. https://doi.org/10.1038/s41586-023-05881-4}

_{⁵ Ibídem.}

_{⁶ Singh, S., Kumar, R., Payra, S. y Singh, SK (2023). Inteligencia fabricado y enseñanza maquinal en la investigación farmacológica: reduciendo la brecha entre datos y descubrimiento de fármacos. Cureus. https://doi.org/10.7759/cureus.44359}