Mejorando la Precisión del Triaje con Inteligencia Artificial en Atención Primaria

El personal de los consultorios médicos de cabecera (GP) realiza triaje de los pacientes que los contactan para hacer el mejor uso de los recursos y mantener la seguridad del paciente. La mayoría de los consultorios GP utilizan sistemas de consulta en línea que permiten a los pacientes contactar con su consultorio GP mediante un formulario online. Estos pueden enviarse sin hablar con un miembro del personal, evitando así el proceso de triaje habitual. Los sistemas de consulta en línea pueden realizar triaje de pacientes utilizando 'Inteligencia Artificial' (IA), aunque existe una falta de investigación sobre su rendimiento. Nosotros (La Universidad de Mánchester; UoM) proponemos llenar este vacío colaborando con un proveedor de sistemas de consulta en línea con funcionalidad opcional de triaje por IA (Patchs).

Preguntas de investigación Pregunta general de investigación: ¿es posible desarrollar modelos de IA que puedan replicar las decisiones de triaje de los clínicos?

1. ¿Qué desafíos enfrentan los pacientes y los consultorios GP al realizar triaje de pacientes en atención primaria, y cuáles son sus impulsores?
2. ¿Cuál es el modelo de IA con mejor rendimiento para realizar triaje de pacientes en atención primaria?
3. ¿Se mantiene el rendimiento del triaje por IA en diferentes regiones geográficas?
4. ¿Se mantiene el rendimiento del triaje por IA a lo largo del tiempo?
5. ¿Cómo se compara el rendimiento del triaje por IA con la práctica clínica actual?
6. ¿Cambia el rendimiento del triaje por IA cuando se implementa en la práctica clínica?
7. ¿Funciona el triaje por IA de manera justa para todos los pacientes? Métodos Flujo de trabajo 1: Cuantificación del problema de triaje. Analizaremos datos históricos anonimizados de consultorios GP que utilizan Patchs con el triaje por IA desactivado. Cuando estén disponibles públicamente, compararemos esto con datos a nivel de consultorio de consultorios GP que no usan Patchs (consultorios de control). Realizaremos análisis descriptivos e inferenciales para comprender los posibles problemas de triaje y los factores que los influyen, como los retrasos en la prestación de atención al paciente.

Flujo de trabajo 2: Desarrollo de IA. Utilizaremos datos históricos anonimizados de consultorios GP que usan Patchs para construir nuevas versiones de los modelos de triaje por IA actualmente en uso con cuatro enfoques diferentes: regresión logística, XGBoost, memoria a largo plazo (LSTM) y modelo de lenguaje grande (LLM). Utilizaremos validación cruzada interna-externa por región geográfica y compararemos su rendimiento usando metaanálisis de efectos aleatorios y análisis de subgrupos para evaluar la equidad (p. ej. entre etnias). Compararemos su rendimiento con los modelos de triaje por IA actualmente en uso. La versión final de los modelos de IA con mejor rendimiento se desarrollará utilizando el conjunto de datos completo.

Flujo de trabajo 3: Evaluación prospectiva de fondo. Obtendremos predicciones de los modelos de IA con mejor rendimiento sobre datos recopilados prospectivamente de consultorios GP que utilizan Patchs sin triaje por IA, ejecutando los modelos en 'segundo plano'. Realizaremos análisis de subgrupos para evaluar la equidad como se describió anteriormente.

Flujo de trabajo 4: Evaluación prospectiva de implementación. De acuerdo con las actualizaciones normales del software Patchs, actualizaremos los modelos de IA en consultorios GP que ya utilizan triaje por IA con las versiones de mejor rendimiento. Mediremos prospectivamente con qué frecuencia el personal del consultorio GP y los pacientes están de acuerdo con las predicciones de triaje de las nuevas versiones para probar si su rendimiento se traduce en una atención real al paciente. Realizaremos análisis de subgrupos para evaluar la equidad como se describió anteriormente.

Beneficios anticipados Ayudaremos a comprender los problemas que actualmente enfrentan los consultorios GP durante el triaje de consultas en línea. Si desarrollamos modelos de IA mejorados, podría haber una mayor seguridad del paciente (p. ej., ayudando a los pacientes a recibir ayuda más pronto) y una reducción de la carga de trabajo del consultorio GP (p. ej., automatizando el proceso de triaje). Los consultorios GP y sus pacientes en el Flujo de trabajo 4 se beneficiarían inmediatamente. Proporcionaremos evidencia para que los consultorios GP que actualmente no utilizan triaje por IA decidan si adoptarlo.