Los sistemas de apoyo a la decisión clínica (SADC) son sistemas de conocimiento activo que usan uno o más conjuntos de datos de pacientes para generar recomendaciones médicas. Los SADC son de varios tipos, desde alarmas o recordatorios para monitorización, puntos automáticos de énfasis en guías de práctica clínica, identificadores de interacciones farmacológicas o generadores de recomendaciones diagnósticas y/o terapéuticas.
Su arquitectura involucra procesos de inteligencia artificial (IA), la cual puede estar basada en el conocimiento o el “estado del arte” o ser guiada por datos. En el primer caso los datos con los cuales se “entrena” el sistema son en cierta forma rígidos y depurados, una guía de práctica clínica, por ejemplo, en la cual de acuerdo con las características definidas de un paciente y su enfermedad se genera una recomendación lineal y paramétrica.
En el segundo caso el sistema se “entrena” desde una serie de datos (idealmente depurados) a través de un aprendizaje supervisado que permite educar al sistema respecto a las probabilidades de mejores desenlaces con una u otra decisión clínica. Este último requiere un nivel de diseño mucho más exigente, pero obviamente más difícil de validar y por tanto menos confiable en muchos escenarios para los potenciales usuarios clínicos.
También puede leer: Politaintment
A su vez, los SADC pueden tener capacidades adicionales como predicción de desenlaces de un tratamiento específico, interpretación y análisis de imágenes, prescripción, tamizaje etc. Para ello se requiere una robustez importante de los sets de entrenamiento para que el “razonamiento” tenga exactitud adecuada que permita una comparación de patrones.
Dado que este tipo de desarrollos aún está en implementación, existen varios riesgos asociados al uso de estos sistemas en la práctica clínica:
a. Relacionados con la “datadificación” de la información médica
b. La transferencia del control de los humanos a las máquinas
c. La pérdida del elemento humano
d. Las transformaciones derivadas de su uso con respecto al patrón laboral
Es importante por lo tanto considerar que estos sistemas deben implementarse en forma híbrida y como se tratará posteriormente considerar esto sistemas como apoyo al razonamiento mas que a la decisión clínica y por eso los llamaremos SARC.
A su vez, hay varias preguntas a resolver para la adecuada implementación de los sistemas de apoyo a la decisión clínica basados en computador según Greenes (2018) son:
- Cómo se integran estos sistemas en el flujo clínico y en lo que ocurre por fuera de la historia clínica.
- Cómo el output de estos sistemas se presenta al usuario y se utiliza para el soporte cognitivo.
- Cómo pueden implementarse desde el punto de vista legal e institucional. Tema aún insuficientemente tratado en nuestra estructura jurídica nacional.
- Cómo puede evaluarse la calidad y efectividad del sistema.
- Cómo pueden apoyarse las tareas cognitivas.
Este último punto es un problema epistemológico, por lo tanto, para lograr un SDAC de alta calidad se requiere un diseño complementario desde las tareas epistémicas. Esto se basa en un filtrado de los datos y el estado del arte desde el componente clínico del diseño de los sistemas, pero lo más importante, al usar la herramienta los clínicos deben mantener el control y la responsabilidad epistémica de colectar, contextualizar e integrar los datos clínicos para tomar decisiones individualizadas. Es decir, los SDAC deben actuar como apoyo al razonamiento y no a la decisión.
Con base en lo anterior, para la transición de los SDAC a SARC se requiere que:
- Los sistemas se desarrollen con base en datos relevantes y bien procesados, desde el estado del arte e idealmente desde modelos clínico-matemáticos robustos (es decir con arquitectura biodigital).
- El sistema facilite la interacción con el clínico permitiéndole hacer preguntas enfocadas en el contexto (no solo algoritmizar guías de práctica clínica, por ejemplo).
- Exista una relación empírica entre los datos generados por el sistema y la información individual del paciente (decisiones personalizadas).
En conclusión, estos sistemas deben ser híbridos, para que permitan potenciar las capacidades de individualización y análisis de contexto propias de la inteligencia humana con el razonamiento estadístico o la búsqueda de patrones en datos complejos que son tareas propias de la IA. Vale la pena mencionar también, que estos sistemas pueden capturar información en tiempo real durante el uso de esta, que sirvan como registros dinámicos de enfermedad para posteriormente retroalimentar y optimizar su desempeño.
Como clínicos debemos prepararnos para la adopción incremental de estos sistemas de apoyo al razonamiento clínico, pero especialmente para trabajar en su arquitectura ya que los mismos no cobran valor alguno si no vienen de la medicina profunda, especialmente en escenarios tan complejos como la oncología o las enfermedades autoinmunes.
También puede leer: Dejémonos de melindres: a genotipificar más en oncología, y punto
A continuación, algunas imágenes de un SARC en mieloma múltiple para el contexto colombiano.
Gráfico 1: Ecosistema Digital MAIA ® en Mieloma Múltiple (Algoritmos de Soporte al Razonamiento Clínico)*
Inicio Algoritmos
Algoritmo específico (interacción con el Bot MAIA ®)
*Imágenes corresponden al desarrollo MAIA ® de la Med-Tech colombiana MedzAIo de la cual el autor es socio fundador y Director Médico.
