El punto perfecto no es que la tecnología siempre sea superhumana
En los hospitales de Nueva York, millones de palabras escritas por médicos durante años han comenzado a hablar de una manera nueva. NYUTron, una herramienta de inteligencia artificial desarrollada por la Escuela Grossman de Medicina de la NYU, lee notas clínicas en lenguaje natural y predice con una precisión notable quién morirá, quién regresará y cuánto tiempo permanecerá un paciente internado. Su surgimiento no anuncia el fin del médico, sino el inicio de una colaboración más profunda entre la intuición humana y la memoria de las máquinas.
- NYUTron identificó correctamente al 95% de los pacientes que morirían antes del alta y al 80% de quienes serían readmitidos en treinta días, superando a la mayoría de los médicos y a los modelos predictivos tradicionales.
- El sistema fue entrenado con 4.100 millones de palabras de historias clínicas de 387.000 pacientes, enfrentando el desafío de interpretar un lenguaje médico fragmentado, lleno de abreviaciones personales y estilos variables.
- Un hallazgo inesperado tensó las expectativas: uno de los médicos más experimentados del estudio superó al modelo, recordando que la experiencia humana sigue siendo una variable que la IA aún no puede replicar del todo.
- La herramienta ya opera en todos los hospitales afiliados a NYU en Nueva York, y sus creadores aspiran a que se convierta en un estándar clínico más amplio, siempre como complemento y nunca como sustituto del juicio médico.
En los pasillos de los hospitales de Nueva York, los médicos llevan años escribiendo notas: observaciones, conversaciones, detalles clínicos que se acumulan en historias clínicas. Un equipo de la Escuela Grossman de Medicina de la NYU decidió convertir ese archivo silencioso en algo más: predicciones médicas de notable precisión.
La herramienta, llamada NYUTron, fue entrenada con 4.100 millones de palabras extraídas de registros de 387.000 pacientes atendidos entre 2011 y 2020. Aprendió a leer el lenguaje natural y variable de los médicos —abreviaciones, estilos distintos, terminología cambiante— y a extraer de allí señales sobre el futuro clínico de cada paciente. Los resultados fueron contundentes: identificó al 95% de quienes morirían antes del alta, al 80% de los que serían readmitidos en treinta días, y predijo con alta precisión el tiempo de estancia, las negaciones de cobertura y la presencia de condiciones secundarias.
Eric Oermann, neurocirujano y científico computacional al frente del proyecto, señaló que los modelos predictivos sin IA ya existían, pero rara vez se usaban porque exigían reformatear los datos de maneras poco prácticas. La clave fue más simple: los médicos ya escriben. ¿Por qué no partir de ahí?
Hubo una sorpresa en el camino. Uno de los médicos más experimentados del estudio superó al modelo en su área, lo que llevó a Oermann a matizar la promesa de la herramienta: no se trata de resultados sobrehumanos, sino de ofrecer un punto de partida más sólido para la toma de decisiones.
NYUTron ya funciona en todos los hospitales afiliados a NYU en Nueva York. La aspiración es que se extienda como estándar en el sistema de salud, siempre con la misma convicción: la inteligencia artificial no reemplaza al médico, lo acompaña.
En los pasillos de los hospitales de Nueva York, los médicos escriben notas todos los días. Observaciones sobre lo que ven, conversaciones con pacientes, detalles que quedan registrados en historias clínicas. Durante años, esos millones de palabras acumuladas han sido simplemente eso: registros. Ahora, un equipo de investigadores de la Escuela Grossman de Medicina de la NYU ha encontrado una manera de convertir esas notas en predicciones médicas notablemente precisas.
La herramienta se llama NYUTron, y su logro es directo: lee notas médicas escritas en lenguaje natural y predice con exactitud quién morirá en el hospital, quién será readmitido en treinta días, cuánto tiempo permanecerá un paciente internado, y otras variables críticas para el cuidado. El programa fue entrenado con 4.100 millones de palabras extraídas de historias clínicas de 387.000 personas que recibieron atención en los hospitales NYU Langone entre enero de 2011 y mayo de 2020. Esos registros incluían notas de médicos, evoluciones de pacientes, informes de radiología e instrucciones de alta. El desafío técnico fue considerable: los médicos escriben de formas muy distintas, usan abreviaciones personales, y el lenguaje clínico varía ampliamente de un profesional a otro.
Cuando los investigadores pusieron a prueba el sistema, los números fueron contundentes. NYUTron identificó correctamente al 95 por ciento de las personas que morirían antes de ser dadas de alta del hospital. Detectó al 80 por ciento de los pacientes que serían readmitidos dentro de treinta días. Estimó con precisión el tiempo de estancia hospitalaria en el 79 por ciento de los casos. Predijo correctamente el 89 por ciento de las negaciones de cobertura de seguros y el 89 por ciento de los casos en los que una enfermedad principal estaba acompañada por condiciones adicionales. En general, el desempeño de la herramienta superó el de la mayoría de los médicos y también el de los modelos predictivos tradicionales que no utilizan inteligencia artificial.
Eric Oermann, neurocirujano de la NYU y científico computacional que encabezó el proyecto, explicó por qué este enfoque fue revolucionario. Los modelos predictivos sin IA han existido en medicina durante años, pero casi nunca se usan en la práctica porque requieren que los datos sean reorganizados y reformateados de maneras incómodas. Lo que Oermann y su equipo reconocieron fue simple pero poderoso: los médicos ya escriben notas constantemente. ¿Por qué no usar eso como punto de partida? El resultado fue un modelo de lenguaje entrenado para entender la variabilidad inherente a cómo los profesionales documentan la atención clínica.
Los investigadores también probaron la herramienta en condiciones reales. Entrenaron el sistema usando registros de un hospital en Manhattan y luego lo pusieron a funcionar en uno de Brooklyn, donde la demografía de los pacientes era distinta. El sistema se adaptó. El estudio fue publicado en la revista Nature el miércoles de la semana en que se reportó esta historia.
Hubo un hallazgo que sorprendió al equipo. Cuando compararon el desempeño de NYUTron con el de doctores individuales, encontraron que uno de los médicos más experimentados, alguien de hecho muy reconocido en su campo, tuvo un rendimiento superior al del modelo. Oermann reflexionó sobre lo que esto significa. "El punto perfecto entre tecnología y medicina no es que ésta siempre deba entregar necesariamente resultados superhumanos, sino que realmente ofrezca ese punto de partida", dijo.
Actualmente, NYUTron se usa en todos los hospitales afiliados a la NYU en Nueva York. La esperanza es que se convierta en un estándar más amplio en la salud. Pero Oermann fue claro sobre los límites. La inteligencia artificial nunca será un sustituto para la relación entre médico y paciente. En su lugar, funcionará como una herramienta que proporciona más información en el momento de la atención, permitiendo que los médicos tomen decisiones más informadas. Es un complemento, no un reemplazo. El futuro de la medicina, al parecer, no es uno en el que las máquinas reemplazan a los doctores, sino uno en el que ambos trabajan juntos, cada uno aportando lo que hace mejor.
Notable Quotes
El punto perfecto entre tecnología y medicina no es que ésta siempre deba entregar necesariamente resultados superhumanos, sino que realmente ofrezca ese punto de partida— Eric Oermann, neurocirujano de NYU
La IA ayudará a proveer más información a los médicos al momento de la atención para que puedan tomar decisiones más informadas— Eric Oermann
The Hearth Conversation Another angle on the story
¿Por qué tardó tanto en ocurrírsele a alguien usar las notas médicas que ya existen para entrenar un modelo predictivo?
Porque durante años la medicina se enfocó en reformatear los datos para que encajaran en modelos existentes. Nadie preguntó: ¿y si simplemente usamos lo que los médicos ya escriben?
Pero las notas médicas son desordenadas. Cada doctor escribe diferente, usa abreviaciones distintas.
Exactamente. Eso fue el verdadero desafío técnico. No era construir un modelo predictivo. Era enseñarle a una máquina a entender la variabilidad natural del lenguaje clínico.
El 95 por ciento de predicciones de muerte suena casi perfecto. ¿Qué se pierde en ese 5 por ciento?
Casos excepcionales, probablemente. Situaciones que no estaban bien documentadas, o cambios clínicos que ocurrieron muy rápidamente. La medicina siempre tiene sus sorpresas.
¿Y ese doctor famoso que superó al modelo? ¿Qué lo hace diferente?
Experiencia. Intuición clínica que viene de ver miles de pacientes. Lo interesante es que Oermann no vio eso como una derrota. Vio que el modelo y el doctor juntos podrían ser más fuertes que cualquiera de los dos solo.
¿Entonces esto no es sobre reemplazar médicos?
No. Es sobre darles mejor información en el momento en que más la necesitan. Un médico con datos predictivos precisos toma mejores decisiones. Eso es todo.