¿Disrupción de la sanidad tradicional? AMIE, el sistema de inteligencia artificial de Google, permite una gestión completa de la enfermedad

En el último avance de la investigación, los investigadores de Google han anunciado que su sistema de inteligencia artificial, AMIE (Articulate Medical Intelligence Explorer), ha mejorado notablemente sus capacidades, pasando de asistir inicialmente en el diagnóstico al tratamiento y la gestión a largo plazo de enfermedades. En un estudio aleatorizado, el razonamiento de gestión de AMIE fue comparable o mejor que el de los clínicos en múltiples rondas de consultas con pacientes actores profesionales. Así lo demostró la capacidad de AMIE para planificar con precisión pruebas, tratamientos y prescripciones, y para aplicar adecuadamente directrices clínicas autorizadas.

Original: https://research.google/blog/from-diagnosis-to-treatment-advancing-amie-for-longitudinal-disease-management/

Importancia y retos del razonamiento clínico

El razonamiento clínico eficaz es una piedra angular de la asistencia sanitaria y abarca todas las decisiones clave en la atención al paciente. Un razonamiento clínico de alta calidad requiere no sólo un diagnóstico preciso, sino también una reflexión profunda sobre la evolución de la enfermedad, la respuesta al tratamiento, el uso seguro de la medicación y el uso racional de directrices o pruebas en la toma de decisiones compartida con el paciente. Incluso después de establecer un diagnóstico, el desarrollo de un plan de tratamiento óptimo suele requerir un seguimiento continuo de la evolución y la experiencia del paciente, el desarrollo de un plan de tratamiento individualizado y una toma de decisiones informada y compartida que se adapte activamente a las necesidades individuales del paciente, sus preferencias y las realidades del sistema sanitario. Aunque los modelos de lenguaje amplio (LLM, por sus siglas en inglés) han demostrado su potencial para apoyar el diálogo diagnóstico, aún queda por explorar su capacidad para razonar sobre la gestión de la enfermedad a largo plazo.

AMIE: del diagnóstico a la gestión de la enfermedad

En el estudio, "Towards Conversational AI for Disease Management", el equipo de investigación de Google demostró cómo AMIE, un sistema de investigación de IA para el razonamiento y el diálogo médicos, ya destaca en el diagnóstico de enfermedades y mejora aún más su rendimiento integrando las capacidades de las inteligencias LLM optimizadas para el razonamiento y el diálogo de gestión clínica. - El equipo demostró las capacidades ya superiores de AMIE en el diagnóstico de enfermedades y mejoró aún más su rendimiento integrando las capacidades de las inteligencias LLM optimizadas específicamente para el razonamiento y el diálogo de gestión clínica.

Esta versión mejorada de AMIE se basa en Géminis además de los principales puntos fuertes de la familia de modelos, como el razonamiento contextual avanzado a largo plazo y las tasas muy bajas de ilusiones. Esto permite a AMIE abordar la progresión a largo plazo (es decir, secuencial en el tiempo) de la enfermedad, la respuesta al tratamiento y la información sobre el uso seguro de la medicación y las directrices clínicas. Esto supone una ampliación de las capacidades de AMIE, que pasan de ser puramente diagnósticas a ofrecer un apoyo más completo a pacientes y médicos en complejas etapas de seguimiento. Los últimos avances han demostrado que AMIE es capaz de interactuar a largo plazo con el paciente y el médico, con un proceso de razonamiento basado en conocimientos clínicos autorizados que se actualizan continuamente, y la capacidad de proporcionar planes de gestión estructurados que se ajustan a las directrices reconocidas.

AMIE permite ahora el tratamiento de enfermedades a largo plazo con un razonamiento basado en directrices clínicas y la capacidad de adaptarse a las necesidades del paciente en múltiples visitas.

Complejidad de la gestión de la enfermedad

Los retos de la atención clínica van mucho más allá del diagnóstico inicial. La gestión de las enfermedades requiere una combinación de factores, como los efectos secundarios del tratamiento, el cumplimiento del paciente, las modificaciones del estilo de vida y la actualización constante de la investigación médica y las directrices clínicas. La capacidad de realizar razonamientos de gestión ha sido un reto poco explorado para los sistemas de IA, y la llegada de AMIE promete cambiar esta situación.

AMIE utiliza las capacidades contextuales de largo alcance de Gemini para acceder a directrices clínicas y analizarlas con el fin de garantizar que sus recomendaciones se basan en la medicina basada en pruebas.

Arquitectura corporal de doble inteligencia: mejorar el razonamiento

Para hacer frente a los retos de la gestión de enfermedades, el equipo de investigación de Google ha innovado una arquitectura de inteligencias dual basada en LLM, que es similar a la forma en que los clínicos humanos abordan los problemas de gestión.

Agente de diálogoLa inteligencia: directamente frente al usuario, es capaz de responder con rapidez basándose en su comprensión inmediata del estado del paciente. La inteligencia gestiona todos los aspectos del diálogo médico-paciente, incluida la recopilación de información sobre el estado del paciente, la respuesta a preguntas y la creación de confianza entre médico y paciente. Gracias al procesamiento del lenguaje natural y a las técnicas de comunicación empática, la Inteligencia de Diálogo garantiza una experiencia de usuario fluida y atractiva.

Inteligencia Mx (agente de razonamiento de gestión)Mx Intelligence: Análisis continuo y en profundidad de la información existente, incluidas las directrices clínicas y los datos específicos de los pacientes, para optimizar las soluciones de gestión de pacientes. mx Intelligence aprovecha las avanzadas capacidades contextuales de largo alcance de Gemini para integrar y razonar sobre grandes cantidades de información -incluidas transcripciones de conversaciones de pacientes a lo largo de múltiples visitas y cientos de páginas de directrices clínicas- y tenerlo todo en cuenta. -- y tenerlo todo en cuenta. Como resultado, Mx Intelligence puede crear planes estructurados de pruebas, tratamiento y seguimiento que tienen en cuenta las pruebas médicas más recientes, la información recopilada en visitas anteriores y las preferencias individuales del paciente.

La arquitectura de doble inteligencia de AMIE: la Inteligencia de Diálogo interactúa con el paciente, mientras que la Inteligencia Mx desarrolla un plan de gestión estructurado basado en directrices clínicas. El plan de gestión especifica la secuencia recomendada de pruebas y tratamientos para el paciente.

Decisiones de gestión basadas en directrices clínicas

Para garantizar la fiabilidad y la seguridad del razonamiento gestionado de AMIE, sus capacidades se logran principalmente ampliando el cálculo en tiempo de prueba para realizar un razonamiento profundo y restricciones estructuradas, al tiempo que se garantiza que todas las recomendaciones se basan en conocimientos clínicos autorizados.AMIE se basa de nuevo en las capacidades de comprensión contextual de largo alcance de Gemini para alinear sus resultados con directrices de práctica clínica y formularios de medicamentos relevantes y actualizados.

Para ello se seleccionan y procesan documentos de una amplia biblioteca de directrices clínicas procedentes de fuentes fidedignas, como las directrices del National Institute for Health and Care Excellence (NICE) y las guías de buenas prácticas del BMJ, que el Mx Intelligence Body utiliza como ayuda en su proceso de toma de decisiones, garantizando que sus recomendaciones se basan en pruebas y se ajustan a las mejores prácticas reconocidas en el ámbito sanitario.

Las complejas restricciones estructuradas ayudan a guiar el modelo a través de la estrategia de razonamiento especificada, mientras que los planes generados de forma iterativa y fusionados ayudan a mejorar la calidad del plan. Esto permite a AMIE crear planes de tratamiento personalizados basados en pruebas y adaptados a las necesidades de cada paciente.

AMIE utiliza el razonamiento profundo con restricciones estructuradas (A) para crear un plan de gestión estructurado (B) que se basa en un análisis del caso (C) y en objetivos de gestión explícitos (D), que incluyen las pruebas que deben realizarse durante la visita, las pruebas programadas y las recomendaciones de tratamiento, todo ello respaldado por referencias (E). A continuación se muestra un ejemplo de proceso de razonamiento para un paciente ficticio.

Evaluación del rendimiento de AMIE: un estudio OSCE de varias rondas

Para evaluar de forma crítica la capacidad del AMIE para gestionar enfermedades a largo plazo, el equipo de investigación llevó a cabo un estudio aleatorizado, ciego y virtual de Examen Clínico Objetivo Estructurado (OSCE) que simulaba una consulta por chat de texto. En este estudio, el AMIE se comparó con 20 médicos de atención primaria (MAP) en 100 escenarios de casos de consulta de varias rondas para evaluar el rendimiento del AMIE en un entorno clínico real.

Visión general del estudio OSCE aleatorizado de rondas múltiples.

El diseño de consulta de varias rondas del estudio OSCE permitió al equipo del estudio evaluar la capacidad del AMIE para 1) recordar e integrar información de interacciones anteriores, 2) ajustar el plan de tratamiento en función de los síntomas cambiantes del paciente y los resultados de las pruebas, y 3) comunicarse de forma coherente y empática con el paciente a lo largo del tratamiento.

Los especialistas evaluaron la calidad del plan de gestión de la EMAI en función de una serie de criterios, como la adecuación, la exhaustividad, el uso de directrices clínicas y la atención centrada en el paciente.

Los especialistas (que desconocían el origen del plan) calificaron el plan de gestión de AMIE de no inferior al de los médicos de cabecera y mostraron una mejora estadísticamente significativa en la precisión del tratamiento. Los indicadores clave aquí incluyen la selección de pruebas apropiadas y la evitación de pruebas inapropiadas (es decir, evitar pruebas innecesarias basadas en información conocida). Se muestran las diferencias estadísticamente significativas (p < 0,05) en los valores p.

Además, los protagonistas y especialistas evaluaron el AMIE para determinar si su comportamiento reflejaba las necesidades y prioridades clínicas. El equipo de investigación se inspiró en trabajos anteriores para identificar las características clave del razonamiento administrativo y creó una escala piloto de evaluación basada en estas características, denominada Características clave de la experiencia de razonamiento administrativo (MXEKF, por sus siglas en inglés). Las medidas clave de la MXEKF incluyen la priorización de preferencias, limitaciones y valores, la comunicación y la toma de decisiones compartida, el contraste y la elección entre diferentes escenarios, el seguimiento y la adaptación de los planes de tratamiento, y la competencia pronóstica. .

La AMIE obtiene resultados consistentes en las métricas clave de razonamiento de gestión (MXEKF) y ha recibido comentarios favorables de pacientes-jugadores y especialistas.

RxQA: Evaluación comparativa del razonamiento farmacoterapéutico

El uso seguro y eficaz de los medicamentos es un componente clave del tratamiento de las enfermedades. Recordar de forma fiable los conocimientos específicos sobre medicamentos con un razonamiento factual y temático adecuado es una condición necesaria pero no suficiente. Para medir la capacidad de AMIE en estas áreas, el equipo de investigación construyó el RxQA, un novedoso conjunto de preguntas de opción múltiple derivadas de los formularios nacionales de medicamentos, incluidos el de la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) y el Formulario Nacional Británico (BNF).

El RxQA contiene 600 preguntas diseñadas para evaluar el conocimiento de las indicaciones, contraindicaciones, dosis, efectos secundarios e interacciones de los medicamentos. Las preguntas han sido cuidadosamente validadas por farmacéuticos colegiados para garantizar su precisión y relevancia para la práctica clínica.

Ejemplos de preguntas de la prueba de referencia RxQA diseñadas para evaluar el conocimiento y el razonamiento sobre medicamentos. Todos los datos mostrados en la figura son sintéticos (datos reales pero no de pacientes reales).

AMIE obtuvo excelentes resultados en la prueba de evaluación comparativa RxQA, demostrando un profundo conocimiento de la información y las directrices sobre medicamentos. La línea de puntos representa la exactitud que se puede conseguir adivinando al azar.

limitaciones

Aunque estos resultados demuestran el potencial de AMIE en el área emergente e importante de las aplicaciones médicas de IA, hay varias limitaciones a tener en cuenta. El escenario OSCE simulado, aunque valioso para la evaluación estandarizada, simplifica intencionadamente la complejidad de la práctica clínica real, que incluye la revisión de historiales, la interacción con historias clínicas electrónicas y una gama más amplia de situaciones de pacientes y patologías. En esta evaluación, sólo se seleccionaron directrices de un único sistema sanitario y no se intentó adaptarlas al contexto local, que es uno de los puntos fuertes potenciales de AMIE. Los breves intervalos entre las visitas simuladas y la interfaz basada en texto (frente a la experiencia multimodal de la telemedicina real) pueden subestimar las dificultades en el mundo real.La escala MXEKF, aunque prometedora como escala de evaluación piloto, requiere una mayor validación.

Conclusiones y perspectivas

El buen rendimiento demostrado por AMIE en estas evaluaciones representa un importante paso adelante en la demostración del potencial de la IA conversacional como potente herramienta para ayudar a los médicos en el tratamiento de enfermedades. Al combinar el razonamiento a largo plazo, la fundamentación en directrices clínicas y el diseño de sistemas corporales multiinteligentes, AMIE demuestra el "arte de lo posible" para que los sistemas de IA vayan más allá del diagnóstico diferencial hacia la gestión a largo plazo.

Es necesario seguir investigando para comprender mejor el impacto potencial de AMIE en el flujo de trabajo clínico y los resultados de los pacientes, así como la seguridad y fiabilidad del sistema dentro de las limitaciones del mundo real, antes de que pueda aplicarse realmente en el mundo real. Google ha estado trabajando con socios clínicos Se realizó un estudio prospectivo. Sin embargo, este trabajo es un hito importante en el desarrollo responsable de la IA y en el potencial de su uso para mejorar el acceso a una asistencia sanitaria basada en pruebas.