Los grandes modelos de lenguaje, una forma de inteligencia artificial, están generando mucho revuelo en los círculos sanitarios, principalmente por su potencial para transformar y mejorar diversos aspectos de la prestación y gestión de la atención sanitaria. Los rumores también están impulsados por los rápidos avances en la inteligencia artificial y el aprendizaje automático.
Pero si bien existe un potencial significativo, persisten desafíos y consideraciones éticas, incluidas preocupaciones sobre privacidad y seguridad de los datos, sesgos persistentes, cuestiones regulatorias, precisión de los datos y más.
En resumen, la IA está preparada para hacer grandes cosas, pero ¿se puede hacer que funcione para los médicos?
El director ejecutivo de Medicomp Systems, David Lareau, cree que es posible, si la industria aprovecha tecnologías complementarias que aprovechen el poder de la IA.
Noticias de TI para el cuidado de la salud se sentó con Lareau para hablar sobre IA, LLM y el futuro de la atención médica.
P. Sugiere asignar a la inteligencia artificial la tarea de identificar medidas de calidad clínica y codificar categorías jerárquicas de condiciones para el ajuste del riesgo. ¿Cómo puede la IA ayudar a los médicos aquí? ¿Qué puede hacer?
A. La inteligencia artificial y los grandes modelos de lenguaje tienen capacidades poderosas para generar contenido textual, como redactar notas de encuentros e identificar múltiples palabras y frases que tienen significados similares.
Un ejemplo de esto es el uso de tecnología de escucha ambiental con LLM para capturar y presentar borradores de notas de un encuentro clínico tomando lo que se habla durante el encuentro con el paciente y convirtiéndolo en notas de texto.
La IA y los LLM permiten que un sistema escuche al paciente decir: «A veces me despierto por la noche y tengo problemas para recuperar el aliento», y lo asocia con conceptos clínicos específicos como «dificultad para respirar», «dificultad para respirar», «recostado». disnea» y afecciones o síntomas.
Estos conceptos pueden tener diferentes implicaciones diagnósticas para un médico, pero al poder asociar lo que dice un paciente con síntomas o condiciones específicas que tienen relevancia clínica para problemas o diagnósticos potenciales, la combinación de IA/LLM puede ayudar al médico a centrarse en condiciones que califican para el ajuste de riesgo, que en este caso podrían incluir apnea del sueño, insuficiencia cardíaca, EPOC u otras dolencias.
Este poderoso primer paso para identificar la posible aplicabilidad de las medidas de calidad clínica es crucial. Sin embargo, requiere herramientas adicionales para evaluar criterios complejos y matizados de inclusión y exclusión de pacientes. Estos criterios deben ser clínicamente precisos e implicar contenido adicional y filtrado diagnóstico de otra información del historial médico de un paciente.
P. Con respecto a la IA y CQM/HCC, usted dice que incluso con herramientas avanzadas de IA, los desafíos con la calidad y el sesgo de los datos cobran gran importancia, al igual que la complejidad inherente del lenguaje médico. Por favor explique algunos de los desafíos.
A. En entornos clínicos, factores como el género, la raza y el entorno socioeconómico desempeñan un papel crucial. Sin embargo, los LLM a menudo tienen dificultades para integrar estos aspectos al analizar registros médicos individuales. Por lo general, los LLM se basan en una amplia gama de fuentes, pero estas fuentes suelen reflejar las presentaciones clínicas más comunes de la población mayoritaria.
Esto puede llevar a sesgos en las respuestas de la IA, que potencialmente pasan por alto características únicas de grupos minoritarios o individuos con condiciones específicas. Es importante que estos sistemas de IA tengan en cuenta los diversos antecedentes de los pacientes para garantizar un apoyo sanitario preciso e imparcial. La calidad de los datos presenta un desafío importante en el uso eficaz de la IA para la gestión y documentación de enfermedades crónicas.
Esta cuestión es particularmente relevante para los miles de diagnósticos que califican para el ajuste de riesgo de CHC y CQM. Los diferentes códigos de atención médica estándar, incluidos ICD, CPT, LOINC, SNOMED, RxNorm y otros, tienen formatos únicos y no se integran perfectamente, lo que dificulta que la IA y el procesamiento del lenguaje natural filtren y presenten información relevante del paciente para diagnósticos específicos.
Además, interpretar el lenguaje médico para codificar es complejo. Por ejemplo, el término «resfriado» puede estar relacionado con tener un resfriado, ser sensible a las temperaturas más bajas o herpes labial. Además, los sistemas de inteligencia artificial como los LLM luchan con conceptos negativos, que son cruciales para distinguir entre diagnósticos, ya que la mayoría de los conjuntos de códigos actuales no procesan eficazmente dichos datos.
Esta limitación dificulta la capacidad de los LLM para interpretar con precisión diferencias sutiles pero significativas en las frases médicas y las presentaciones de los pacientes.
P. Para superar estos desafíos y garantizar el cumplimiento de los programas de reembolso basados en riesgos, usted propone la tecnología CQM/HCC que tiene la capacidad de analizar información de los expedientes de los pacientes. ¿Cómo es esta tecnología y cómo funciona?
A. Los CQM sirven como sustitutos para determinar si se brinda atención de calidad a un paciente, dada la existencia de un conjunto de puntos de datos que indican que una medida de calidad específica es aplicable. La participación en un programa de reembolso ajustado al riesgo como Medicare Advantage requiere que los proveedores aborden el protocolo de Gestión, Evaluación, Valoración y Tratamiento (MEAT) para los diagnósticos incluidos en las categorías de HCC, y que la documentación respalde el protocolo MEAT.
Dado que hay cientos de CQM y miles de diagnósticos incluidos en las categorías de HCC, un motor de relevancia clínica que puede procesar el historial de un paciente, filtrarlo para obtener información y datos relevantes para cualquier condición y normalizar la presentación para que un usuario clínico la revise y actúe. será un requisito para una atención y cumplimiento efectivos.
Con Con la adopción de FHIR, el establecimiento de los primeros QHIN y la apertura de sistemas a aplicaciones SMART-on-FHIR, las empresas tienen nuevas oportunidades para mantener sus sistemas actuales y al mismo tiempo agregar nuevas capacidades para abordar CQM, HCC y la interoperabilidad de datos clínicos. .
Esto requerirá el uso de motores de relevancia de datos clínicos que puedan convertir texto y terminologías clínicas y conjuntos de códigos dispares en una infraestructura de datos integrada y computable.
P. El procesamiento del lenguaje natural es parte de su visión aquí. ¿Qué papel tiene esta forma de IA en el futuro de la IA en la atención sanitaria?
A. Si se les solicita, los LLM pueden producir textos clínicos, que la PNL puede convertir en códigos y terminologías. Esta capacidad reduce la carga de crear documentación para el encuentro con un paciente.
Una vez creada esa documentación, quedan otros desafíos, ya que no son las palabras por sí solas las que tienen significado clínico, sino las relaciones entre ellas y la capacidad del médico para encontrar rápidamente información relevante y actuar en consecuencia.
Estas acciones incluyen requisitos de CQM y HCC, por supuesto, pero el mayor desafío es permitir que el usuario clínico procese mentalmente los resultados de LLM/NLP utilizando una «fuente de verdad» confiable para la validación clínica de los resultados del sistema de IA.
Nuestro objetivo es utilizar IA, LLM y PNL para generar y analizar contenido, y luego procesarlo utilizando un sistema experto que pueda normalizar los resultados, filtrarlos por diagnóstico o problema y presentar información procesable y clínicamente relevante al médico.
Siga la cobertura HIT de Bill en LinkedIn: Bill Siwicki
Envíele un correo electrónico: [email protected]
Healthcare IT News es una publicación de HIMSS Media.