El alcohol puede causar complicaciones quirúrgicas de riesgo para los pacientes que beben en los días previos a una intervención, pero los signos de consumo peligroso de alcohol no siempre son evidentes en el historial del paciente. Un nuevo análisis sugiere que la inteligencia artificial podría ayudar a sacar a la luz estos problemas.
El estudio, publicado en la revista Alcohol: Clinical & Experimental Research, utilizó un modelo de procesamiento de lenguaje natural para evaluar los registros médicos de 53,811 pacientes que se sometieron a cirugía entre 2012 y 2019.
Las historias clínicas electrónicas de los pacientes contienen códigos de diagnóstico, pero también pueden incluir información como notas, resultados de pruebas o datos de facturación que pueden insinuar un consumo de riesgo de alcohol.
Para captar las pistas contextuales, los investigadores programaron un modelo de procesamiento del lenguaje natural para identificar tanto los códigos de diagnóstico como otros indicadores de consumo de riesgo de alcohol, como las bebidas por semana que superan los umbrales recomendados o los antecedentes de problemas médicos asociados con el consumo indebido de alcohol.
El consumo abusivo de alcohol durante una intervención quirúrgica se asocia a mayores tasas de infección, estancias hospitalarias más prolongadas y otras complicaciones quirúrgicas. Entre los pacientes estudiados, el 4,8% tenía historiales que incluían un código de diagnóstico relacionado con el consumo de alcohol. Con la ayuda de pistas contextuales, el modelo clasificó tres veces más pacientes en situación de riesgo, hasta un total del 14,5 por ciento.
El modelo obtuvo resultados similares a los de un grupo de expertos en consumo de alcohol, ya que coincidió con sus clasificaciones en un subconjunto de registros el 87% de las veces. Los investigadores concluyeron que los hallazgos apuntan a la IA como un posible aliado para los médicos que buscan identificar a los pacientes que necesitan intervención o apoyo postoperatorio.
El análisis podría “sentar las bases de los esfuerzos para identificar otros riesgos en la atención primaria y más allá, con la validación adecuada”, dijo en un comunicado de prensa V.G. Vinod Vydiswaran, profesor asociado de ciencias de la salud del aprendizaje en la Facultad de Medicina de la Universidad de Michigan y autor principal del artículo. “Esencialmente, es una forma de destacar para un proveedor lo que ya contienen las notas tomadas por otros proveedores, sin que tengan que leer todo el registro”.
Los investigadores dicen que planean hacer público el modelo con el tiempo, pero señalan que tendrá que ser entrenado en registros médicos de centros individuales.
(c) 2024, The Washington Post