Este artículo publicado esta semana en el New England Journal of Medicine, merece el analisis de este blog y de sus lectores, sobre la importancia y la significación que siempre hablamos de probabilidad y no de certezas. Será necesario que formemos a nuevos médicos en digitalización, inteligencia artificial, genómica y biología molecular.
Estas nuevas tecnologías tienen el potencial de impactar significativamente en la atención al paciente, pero los médicos primero deben aprender cómo piensan y funcionan las máquinas antes de que puedan incorporar algoritmos en su práctica médica «.
Daniel Morgan, MD, MS, coautor del estudio y profesor de epidemiología y salud pública, Facultad de medicina de la Universidad de Maryland
El éxito de las nuevas tecnologías de soporte de decisiones clínicas (CDS) depende en gran medida de cómo los médicos interpretan y usan las predicciones de riesgo, según un artículo de perspectiva de la facultad de la Facultad de Medicina de la Universidad de Maryland. Los algoritmos de CDS, que incluyen calculadoras de riesgo y sistemas de inteligencia artificial, pueden ayudar a predecir resultados como la sepsis o la mejor terapia para pacientes con enfermedades cardíacas. Sin embargo, muchos médicos carecen de las habilidades necesarias para incorporar efectivamente estas herramientas en su práctica.
El artículo sugiere que la educación médica y la formación clínica deberían proporcionar una cobertura explícita del razonamiento probabilístico adaptado a los algoritmos CDS. Esto incluye la enseñanza de conceptos fundamentales de probabilidad e incertidumbre al principio de la escuela de medicina, así como también cómo evaluar críticamente y utilizar las predicciones de CDS en la toma de decisiones clínicas. Los estudiantes de medicina y los médicos también deben participar en el aprendizaje basado en la práctica mediante la aplicación de algoritmos a pacientes individuales y la comprensión de cómo las diferentes entradas afectan las predicciones. Además, se deben enfatizar las habilidades de comunicación para discutir la toma de decisiones guiada por CDS con los pacientes.
La Universidad de Maryland planea establecer un Instituto de Computación para la Salud (IHC) para educar y capacitar a los proveedores de atención médica en las últimas tecnologías. El instituto aprovechará la inteligencia artificial y otros métodos informáticos para mejorar el diagnóstico, la prevención y el tratamiento de enfermedades. La Dra. Katherine Goodman, coautora del artículo de perspectiva, se unirá al IHC y ayudará a liderar los esfuerzos para educar a los proveedores de atención médica sobre el uso de algoritmos. El instituto tiene la intención de ofrecer una certificación en ciencia de datos de salud y otras oportunidades educativas formales en ciencias de datos.
Katherine E. Goodman, J.D., Ph.D., Adam M. Rodman, M.D., M.P.H., and Daniel J. Morgan, M.D
Los sistemas de apoyo a la toma de decisiones clínicas (CDS, por sus siglas en inglés) proporcionan información o datos, generalmente en el punto de atención, para guiar la toma de decisiones clínicas y ayudar a mejorar la prestación de atención médica. A medida que el uso de estos sistemas ha crecido desde su introducción en la década de 1970, el alcance de sus aplicaciones clínicas ha cambiado. Mientras que inicialmente, CDS automatizó principalmente la provisión de «hechos» (por ejemplo, verificadores de interacción de medicamentos), muchos sistemas CDS actuales hacen predicciones algorítmicamente en condiciones de incertidumbre clínica. El CDS algorítmico asume muchas formas, desde una simple calculadora de riesgo derivada de la regresión hasta un sistema más complejo basado en el aprendizaje automático o la inteligencia artificial que opera en el registro electrónico de salud. La forma en que los médicos interpretan y actúan sobre las predicciones algorítmicas de CDS puede afectar sustancialmente la atención al paciente por ejemplo los sistemas de advertencia de sepsis utilizan datos en tiempo real para identificar a los pacientes en sepsis en etapa temprana antes de que la mayoría de los médicos detecten el deterioro clínico. Cuando los médicos actúan rápidamente sobre tales alertas de CDS, la probabilidad de supervivencia puede aumentar significativamente.
Sin embargo, los algoritmos CDS inexactos, sesgados o mal implementados pueden causar daño al paciente. Los algoritmos de sepsis que activan alertas frecuentes de falsos positivos pueden provocar el uso innecesario de antibióticos o, por el contrario, provocar «fatiga de alerta», lo que hace que los médicos no intervengan cuando sea necesario. Los falsos negativos o «errores» de CDS pueden hacer que los médicos pasen por alto a los pacientes que requieren tratamiento temprano. Dadas estas apuestas, el gobierno de los Estados Unidos recientemente tomó medidas sustanciales para garantizar que los algoritmos CDS sean seguros y efectivos para el uso clínico. La Administración de Alimentos y Medicamentos (FDA) comenzó a regular muchos algoritmos CDS como dispositivos médicos, una medida que esperamos mejore su calidad, interpretabilidad y transparencia para la toma de decisiones clínicas en tiempo real.
Por separado, el Departamento de Salud y Servicios Humanos ha propuesto regular el sesgo en los algoritmos clínicos bajo las leyes antidiscriminatorias de atención médica. Creemos que este enfoque en los algoritmos CDS y las máquinas que los implementan podría representar un primer paso importante hacia asegurando que tales algoritmos mejoren significativamente la atención al paciente. El siguiente y más grande paso, sin embargo, requiere centrarse en los usuarios humanos: enseñar a los médicos cómo usar CDS de manera efectiva.
Fundamentalmente, los algoritmos CDS son modelos de predicción. Calculan la probabilidad de un resultado del paciente o estratifican a los pacientes por riesgo sobre la base de algún conjunto de variables de entrada (por ejemplo, edad, condiciones coexistentes o valores de laboratorio). Estas predicciones toman la forma de probabilidades, no de «respuestas» negras y blancas, aunque muchos médicos las tratan erróneamente como las últimas. Cuando el objetivo es el pronóstico, por ejemplo, «¿Es probable que este paciente con insuficiencia cardíaca tenga un evento adverso después del alta?», Es obvio que el resultado del CDS será una predicción incierta. Pero cuando se utilizan algoritmos CDS para el diagnóstico, sus resultados probabilísticos son inconsistentes con las concepciones de diagnóstico de la mayoría de los médicos.
En la educación y la práctica médica, el diagnóstico conserva su enfoque de larga data en la fisiopatología. La mayor parte de la instrucción en diagnóstico se lleva a cabo en cursos de fisiopatología o conferencias de casos e implica el uso de heurísticas como esquemas y guiones de enfermedades.
Las discusiones clínicas sobre la probabilidad a menudo se limitan a aforismos simplificados, como la navaja de Occam («Cuando escuches golpes de pezuñas, piensa en caballos, no en cebras») y el dicho de Hickam («Los pacientes pueden tener tantas enfermedades como quieran»). Aunque las construcciones fisiopatológicas y la heurística pueden ayudar a los médicos a razonar a través de la incertidumbre diagnóstica, no son la forma en que operan los algoritmos CDS. Los algoritmos son probabilísticos y requieren conceptualizar un diagnóstico dado como más o menos probable, al tiempo que conservan cierto grado explícito de incertidumbre. Aunque tal perspectiva probabilística es la base del diagnóstico basado en la evidencia y el razonamiento diagnóstico bayesiano, la instrucción en estos conceptos es limitada durante la educación médica y no ha llevado a mejoras en la aritmética de los médicos.3 A medida que los algoritmos CDS desempeñan un papel cada vez más importante en la atención clínica, la información probabilística será cada vez más crítica para la práctica diaria, al igual que la necesidad de interpretar las probabilidades rápidamente para la toma de decisiones clínicas. Por lo tanto, para preparar a los médicos de manera efectiva, la educación médica y la capacitación clínica tendrán que cubrir más explícitamente el razonamiento probabilístico adaptado específicamente a CDS (ver tabla). Primero, los estudiantes, aprendices y otros médicos pueden aprender que la probabilidad y la incertidumbre son aspectos fundamentales del diagnóstico y usar técnicas de visualización para hacer que el pensamiento en términos de probabilidad sea más intuitivo. Actualmente, incluso cuando los médicos usan probabilidades, sus estimaciones a menudo son inexactas y su comprensión de las características de rendimiento de las pruebas y algoritmos es deficiente.3 Para apoyar el uso en tiempo real de la información probabilística, al principio de la escuela de medicina, los estudiantes pueden practicar el trabajo con probabilidades e interpretar medidas de rendimiento como la sensibilidad y la especificidad, con la evaluación de estas habilidades en los exámenes de la junta. Debido a que la probabilidad es fundamental para gran parte de la medicina basada en la evidencia, mejorar las habilidades probabilísticas de los médicos ofrece beneficios más allá del CDS. En segundo lugar, con esta base probabilística en su lugar, los médicos pueden practicar la incorporación de la salida algorítmica en su toma de decisiones clínicas. Las predicciones de CDS requieren una evaluación crítica y un juicio clínico. Algunas instrucciones de diagnóstico basadas en la evidencia ya proporcionan conceptos fundamentales relevantes, como el cálculo de probabilidades previas y posteriores a la prueba y positivas y negativas. En la práctica, sin embargo, estos conceptos rara vez se enseñan como habilidades clínicas que podrían usarse en la toma de decisiones aceleradas.3 Las habilidades de razonamiento probabilístico requeridas para la interpretación de CDS también son lo suficientemente distintas de la interpretación de pruebas de diagnóstico como para requerir instrucción dedicada (ver diagrama de flujo). Los estudios de casos y el aprendizaje basado en la práctica pueden basarse en la capacitación actual y adaptarse al uso de algoritmos en entornos de práctica reales. Considere, por ejemplo, un algoritmo CDS para predecir si una infección del torrente sanguíneo es resistente a los antibióticos mientras se espera Cambios recomendados en la educación y capacitación médica para mejorar el razonamiento probabilístico y apoyar el uso efectivo de los algoritmos CDS.* Enfoques de recomendación para la implementación
Educación médica preclínica
Enseñar probabilidad en la escuela de medicina utilizando enfoques intuitivos y modernos
• Crear nuevos planes de estudio o acceder a currículos en línea que utilicen árboles de frecuencia naturales e iconos Matrices para visualizar la probabilidad de enfermedad y transmitir el concepto de que la probabilidad es fundamental para la medicina clínica.
• Integrar la instrucción en probabilidad y razonamiento probabilístico en todo el plan de estudios de la escuela de medicina, más allá de los cursos de diagnóstico. Enseñar razonamiento clínico probabilístico
• Enfatizar ejemplos prácticos de razonamiento probabilístico tanto en el uso de CDS como en el diagnóstico tradicional basado en la evidencia.
• Fomentar el uso de la formación gamificada para perfeccionar las habilidades de razonamiento probabilístico. Evaluar la probabilidad y las habilidades de razonamiento probabilístico
• Incluir preguntas clínicamente relevantes de interpretación probabilística de CDS en los exámenes de tablero y estantería de USMLE (en lugar de preguntas sobre definiciones). Enseñar conocimientos prácticos básicos y fundamentales sobre la implementación de CDS y EHR, relevantes para el uso clínico
• Integrar los conceptos básicos del aprendizaje automático en el plan de estudios, incluidas las discusiones sobre sesgos y equidad.
• Hacer explícita la interacción humano-tecnología que a menudo determina si se adopta un CDS.
• Discutir los principios del diseño centrado en el usuario de CDS que afectan si un algoritmo es aceptado y cómo se usa.
• Proporcionar una visión general simplificada de cómo funciona el CDS en el HCE clínico. Practicar la interpretación de la salida de CDS en el aprendizaje aplicado
• Desarrollar y utilizar escenarios de aprendizaje basados en problemas específicos de CDS que enfaticen los conceptos básicos: — Aplicación de algoritmos CDS a pacientes individuales. — Examinar cómo las diferentes entradas afectan a la predicción. — Discutir las posibles fuentes de sesgo en los algoritmos. — Interpretar los conceptos básicos de rendimiento del modelo. — Comunicarse con los pacientes sobre la toma de decisiones guiada por CDS. Capacitación clínica Reforzar la capacitación y aplicación probabilística
• Proporcionar recursos para incorporar la probabilidad en las discusiones de casos. Incorporar la interpretación de CDS en los currículos
• Desarrollar currículos longitudinales sobre la variedad y el uso de CDS. Reforzar el conocimiento práctico de la implementación de CDS y EHR, relevante para el uso clínico
• Incorporar principios algorítmicos básicos de CDS (por ejemplo, precisión y sesgo) en discusiones clínicas y estudios de casos del mundo real para dilucidar cómo la precisión o el sesgo de CDS pueden afectar la toma de decisiones clínicas.
• Incorporar conocimientos técnicos y evaluaciones de CDS (por ejemplo, cómo opera CDS en el EHR y dónde encontrar más información sobre las alertas de CDS) en las orientaciones clínicas para nuevos médicos. Incluir el conocimiento práctico de CDS en las competencias básicas de ACGME
• El ACGME requiere habilidades relacionadas con la medicina basada en la evidencia como parte de su competencia central en el aprendizaje y la mejora basados en la práctica; estos deben actualizarse para incluir explícitamente la interpretación de CDS.
* ACGME denota el Consejo de Acreditación para la Educación Médica de Posgrado, el apoyo a la decisión clínica de CDS, el registro electrónico de salud EHR y el Examen de Licencia Médica de los Estados Unidos de USMLE.
Resultados de pruebas microbiológicas.5 En un paciente con bacteriemia, el algoritmo podría tener una sensibilidad del 74% y una especificidad del 87% para la detección de resistencia a los antibióticos. Con una prevalencia de resistencia institucional del 15%, una bandera de alto riesgo transmitiría que la probabilidad (valor predictivo positivo) de infección resistente fue del 50%, y una bandera de bajo riesgo de que la probabilidad de infección susceptible (valor predictivo negativo) fue del 95%. Ante estas probabilidades, los médicos probablemente aceptarían las predicciones de CDS e iniciarían una terapia de espectro amplio o estrecho en consecuencia. Pero con una prevalencia de resistencia institucional del 30%, las probabilidades serían del 71% y 89%, respectivamente, y una bandera de bajo riesgo indicaría una probabilidad del 11% de que el paciente realmente tenga una infección resistente. Un componente fundamental del uso apropiado de CDS es reconocer que los valores predictivos algorítmicos positivos y negativos, y por lo tanto el significado de una salida de CDS dada, cambian con el contexto. Además, solo los médicos, no los algoritmos, pueden decidir si un riesgo del 11% de terapia ineficaz es aceptable; Los algoritmos no pueden reemplazar el juicio clínico. Ningún paciente individual es un paciente promedio. Los algoritmos tienen en cuenta muchos factores del paciente, por lo que los valores predictivos positivos y negativos de este algoritmo proporcionan probabilidades más matizadas que simplemente usar la prevalencia institucional para estimar el riesgo de resistencia. Pero los algoritmos nunca pueden incorporar todos los factores relevantes del paciente y el conocimiento clínico. Otro componente del uso efectivo de algoritmos es comprender sus limitaciones, considerando qué factores del paciente no incluyen o pueden haber pasado por alto (por ejemplo, infección resistente previa en un hospital fuera de la red). Esta evaluación, que también requiere juicio clínico, es el dial que ajusta el valor predictivo positivo o negativo de un algoritmo para establecer la probabilidad final de un paciente dado de un resultado. Este proceso es similar pero no idéntico a la interpretación de los resultados de las pruebas de diagnóstico, y los médicos pueden participar en el aprendizaje basado en la práctica, con ejemplos reales, para dominarlo. Los médicos no necesitan convertirse en expertos en matemáticas o ciencias de la computación para usar los algoritmos CDS de manera efectiva: los sistemas CDS automatizarán la mayoría de los cálculos y, cuando se implementan bien, proporcionarán interfaces fáciles de usar. Más bien, los médicos deben comprender en qué parte de la vía de toma de decisiones operan los algoritmos CDS individuales y cómo varios factores clínicos e institucionales cambiarán la interpretación de las predicciones resultantes. La presentación de informes sobre las características y métodos de rendimiento de los algoritmos, para los cuales las recientes acciones regulatorias de la FDA proporcionan incentivos, hará posible este tipo de interpretación razonada. Dados los avances tecnológicos y las mejoras de calidad y transparencia impulsadas por la reciente regulación federal de los Estados Unidos, los algoritmos de CDS se integrarán cada vez más en la atención clínica de rutina. Esperamos que, voluntariamente o no, la generación actual de aprendices utilice algoritmos CDS regularmente en su práctica. Este cambio traerá oportunidades poderosas para mejorar la atención, pero también inconvenientes, si se confía en los algoritmos de manera inapropiada. Para que CDS haga su trabajo de manera efectiva, necesitamos capacitar a los estudiantes de medicina en su uso. Algunas vías de pruebas de diagnóstico y algoritmos CDS. El diagnóstico requiere razonamiento bayesiano, que implica estimar la probabilidad de enfermedad previa a la prueba del paciente, ordenar pruebas de diagnóstico y estimar la probabilidad de enfermedad posterior a la prueba sobre la base de la probabilidad previa a la prueba, las características de rendimiento de la prueba y los resultados de la prueba. El ejemplo A describe los algoritmos de apoyo a la decisión clínica diagnóstica (CDS) que operan solo en el primer paso de este proceso para estimar la probabilidad de enfermedad previa a la prueba y guiar las decisiones de las pruebas de diagnóstico (por ejemplo, los criterios de Wells para la embolia pulmonar), mientras que el ejemplo B describe los algoritmos de CDS de diagnóstico que operan en los tres pasos, combinando la estimación de probabilidad previa a la prueba y algunos resultados de la prueba para estimar la probabilidad de enfermedad de un paciente (p. ej., sistemas de alerta de sepsis). Estos últimos algoritmos generalmente «disparan» en el registro médico electrónico sin el compromiso intencional del médico y guían las decisiones de tratamiento o las pruebas posteriores.
Vía de pruebas diagnósticas Algoritmos CDS de diagnóstico
- El médico estima la probabilidad de enfermedad previa a la prueba A. CDS estima la probabilidad previa a la prueba de la enfermedad B. CDS combina la estimación de probabilidad previa a la prueba, los resultados de las pruebas y otras entradas para generar la probabilidad de enfermedad
- 2 del paciente. El médico ordena pruebas
3. La probabilidad de enfermedad posterior a la prueba se estima a partir de la probabilidad previa a la prueba, las características de la prueba y los resultados de la prueba La salida de CDS se convierte en la probabilidad previa a la prueba para la actualización secuencial ambos necesarios, serán pequeños y fáciles de implementar, pero otros requerirán cambios conceptuales en la forma en que enseñamos el razonamiento probabilístico a través de todas las etapas de la educació
