Diagnóstico Artificial #1: Búsqueda de Evidencia Científica asistida por Inteligencia Artificial

La inteligencia artificial (IA) está emergiendo como una de las revoluciones tecnológicas más significativas en la medicina contemporánea. Su aplicación abarca desde el análisis de grandes volúmenes de datos clínicos hasta la asistencia en diagnósticos y tratamientos personalizados. Las principales aplicaciones de la IA en medicina incluyen:

Diagnóstico por imágenes: La IA mejora la interpretación de estudios radiológicos aumentando la precisión diagnóstica.
Predicción de resultados clínicos: Mediante el análisis de datos de pacientes, la IA puede predecir complicaciones o resultados, facilitando intervenciones tempranas.
Medicina personalizada: La IA ayuda a identificar tratamientos óptimos basados en las características individuales de cada paciente.
Optimización de procesos clínicos: Automatiza tareas administrativas y clínicas, mejorando la eficiencia en la atención médica.

Estas aplicaciones no solo potencian la capacidad diagnóstica y terapéutica de los profesionales de la salud, sino que también promueven una medicina más precisa y personalizada. En este posteo inicial sobre «Diagnóstico Artificial», nos focalizaremos en la búsqueda de evidencia científica asistida por IA.

Inteligencia Artificial y Diagnóstico Clínico: un cambio de paradigma

El uso de la IA en medicina representa una de las revoluciones tecnológicas más significativas de los últimos tiempos. Su impacto se extiende desde el análisis de imágenes médicas hasta la personalización de tratamientos y la optimización de flujos de trabajo hospitalarios. Como ocurrió con la ecografía en el punto de atención (#POCUS), que transformó la manera en que los clínicos evalúan a los pacientes en tiempo real, la IA está reconfigurando la forma en que los médicos acceden a la bibliografía científica para generar hipótesis diagnósticas fundamentadas y orientar el tratamiento según la mejor evidencia disponible.

Como mencionamos en la introducción, la integración de la IA en el diagnóstico médico ha revolucionado diversos aspectos de la práctica clínica, entre ellos la búsqueda de evidencia científica. Herramientas emergentes como OpenEvidence están demostrando ser de gran utilidad para optimizar la formulación de preguntas clínicas y, en consecuencia, mejorar la eficiencia y precisión en la recuperación de información relevante.

IA en la Búsqueda de Evidencia Científica

Dentro de las múltiples aplicaciones de la IA en medicina, una de las más prometedoras es su capacidad para optimizar la búsqueda de información científica. La literatura médica crece exponencialmente y, si bien bases de datos como PubMed ofrecen acceso a publicaciones indexadas, el proceso de búsqueda no siempre es intuitivo ni eficiente. La formulación manual de estrategias de búsqueda requiere la utilización de strings complejos que incluyen términos clave conectados mediante operadores booleanos (AND, OR, NOT), lo que puede representar una barrera para los profesionales que no están familiarizados con estas herramientas.

Por ejemplo, un médico que evalúa a un paciente con pérdida de peso no explicada y alteraciones en el hepatograma podría necesitar realizar una búsqueda en PubMed sobre posibles causas metabólicas o neoplásicas. Para ello, tendría que construir un string de búsqueda como:

(«Unintentional Weight Loss»[MeSH] OR «Unexplained Weight Loss»[All Fields]) AND («Liver Function Tests»[MeSH] OR «Hepatic Enzymes»[All Fields]) AND («Differential Diagnosis»[MeSH] OR «Etiology»[All Fields])

Esta formulación requiere conocer tanto los términos controlados (MeSH) como los operadores lógicos adecuados, lo que puede resultar un desafío para muchos médicos en la práctica diaria.

Ventajas del Diagnóstico Asistido por IA en la Búsqueda de Evidencia

Tradicionalmente, como se mencionó, la búsqueda bibliográfica en plataformas como PubMed requiere la formulación manual de complejos strings de búsqueda y el manejo de operadores booleanos, lo cual puede resultar tedioso y propenso a omitir información relevante. En contraste, los sistemas basados en IA ofrecen las siguientes ventajas:

Comprensión del Lenguaje Natural: La IA permite ingresar consultas en un lenguaje cercano al clínico, sin necesidad de dominar complejas sintaxis de búsqueda.
Optimización de Resultados: Al interpretar mejor la intención de la consulta, se reducen los falsos negativos y se incrementa la precisión en la búsqueda de literatura.
Ahorro de Tiempo: La automatización en la formulación y traducción de preguntas clínicas agiliza el proceso, facilitando una toma de decisiones más rápida basada en evidencia.

Comparación con la Búsqueda Bibliográfica Habitual

Si bien PubMed y otras bases de datos indexadas son fundamentales para acceder a artículos científicos, su uso tradicional implica ciertos retos:

Requiere experiencia en el uso de filtros y operadores lógicos.
La formulación de la consulta depende en gran medida del usuario, lo que puede afectar la exhaustividad de los resultados.

En cambio, plataformas como OpenEvidence permiten introducir consultas de manera estructurada (structured query) en inglés, lo que simplifica la búsqueda y la hace más accesible para el clínico. Además, la IA puede sugerir mejoras o ajustes en la pregunta, asegurando que se consideren todos los aspectos relevantes del caso clínico.

OpenEvidence y la Optimización de la Búsqueda

A diferencia de la búsqueda tradicional, plataformas como OpenEvidence permiten introducir consultas de manera estructurada (structured query en inglés). Esto significa que la calidad de los resultados depende en gran medida de cómo se formula la pregunta. OpenEvidence funciona de forma óptima cuando se plantean preguntas clínicas bien definidas, idealmente siguiendo un formato estructurado como PICO (Patient, Intervention, Comparison, Outcome).

Aunque el formato PICO se utiliza con mayor frecuencia en preguntas relacionadas con tratamientos, sus principios pueden adaptarse para formular consultas diagnósticas fundamentadas. Por ejemplo, en el ámbito de la búsqueda diagnóstica, los elementos estructurales ayudarán a definir claramente el contexto clínico y a delimitar la pregunta, lo que facilita que la IA identifique y devuelva la evidencia más relevante.

Para ilustrar la diferencia, consideremos cómo se realiza una búsqueda diagnóstica en PubMed. Tradicionalmente, un clínico tendría que construir un string de búsqueda complejo, que es una secuencia de términos y operadores booleanos (AND, OR, NOT) para conectar los términos MeSH de interés (como el ejemplo del paciente con pérdida de peso no explicada y alteraciones en las pruebas de función hepática mostrado más arriba).

En contraste, con OpenEvidence, un médico puede alimentar el buscador con un query estructurado, es decir, una pregunta en lenguaje natural que incluya los elementos clave del caso. Por ejemplo:

Consulta en español:
«En un paciente con pérdida de peso no explicada y anomalías en las pruebas de función hepática, ¿cuáles son las principales etiologías metabólicas o neoplásicas a considerar?»
Structured Query en inglés para OpenEvidence:
«In patients with unexplained weight loss and abnormal liver function tests, what are the main differential diagnoses regarding metabolic and neoplastic etiologies?»

Este enfoque elimina la necesidad de construir manualmente complejos strings de búsqueda y permite que la inteligencia artificial interprete la consulta de manera precisa, facilitando el acceso a estudios y revisiones relevantes para elaborar diagnósticos fundamentados.

ChatGPT como Asistente para la Generación de Consultas

Un desafío adicional para los usuarios hispanohablantes es que OpenEvidence funciona exclusivamente en inglés. Aquí es donde herramientas como ChatGPT pueden ser de gran utilidad para generar consultas estructuradas en inglés de manera eficiente. ChatGPT, un modelo de lenguaje basado en IA, puede ayudar a transformar preguntas clínicas formuladas en español en consultas optimizadas para OpenEvidence.

El usuario simplemente debe abrir la aplicación ChatGPT y explicarle cómo funciona OpenEvidence mediante la iteración. Con el tiempo, ChatGPT puede aprender a estructurar consultas en inglés de manera óptima, tomando como base la información «cruda» proporcionada en español, ya sea por texto o mediante dictado por voz.

Por ejemplo, si un médico plantea la siguiente pregunta en español:

«Tengo un paciente hombre de 40 años, sano, que tiene una ginecomastia unilateral izquierda. La consulta es: ¿se requiere algún estudio diagnóstico para valorar el riesgo a que evolucione a un cáncer de mama?«

ChatGPT podría reformularla en inglés como:

«In a healthy 40-year-old male with unilateral left gynecomastia, are any diagnostic tests recommended to assess the risk of developing breast cancer?»

Un formato más estructurado reformulado en términos de PICO podría ser:

Population: Healthy 40-year-old male with unilateral left gynecomastia
Intervention: Diagnostic tests
Comparison: No testing (if relevant)
Outcome: Risk assessment for breast cancer

Structured query:
«In a healthy 40-year-old male with unilateral left gynecomastia, does performing diagnostic tests (e.g., mammography, ultrasound, or biopsy) improve the assessment of breast cancer risk compared to clinical observation alone?»

Este proceso no solo optimiza la búsqueda de evidencia, sino que también facilita la integración de herramientas avanzadas en la práctica clínica cotidiana.

Iteración en la Construcción de Consultas

Para optimizar las búsquedas con IA, es clave el concepto de iteración: un proceso en el que el usuario ajusta progresivamente su consulta en función de los resultados obtenidos. La interacción con ChatGPT u OpenEvidence permite mejorar la precisión de la búsqueda mediante refinamientos sucesivos, lo que garantiza que la información recuperada sea la más relevante y útil para la toma de decisiones clínicas.

¿Por qué no preguntarle directamente a ChatGPT?

Si ChatGPT es capaz de responder preguntas clínicas, ¿por qué no utilizarlo directamente en lugar de OpenEvidence? La respuesta radica en la necesidad de acceder a fuentes verificables. A diferencia de ChatGPT, OpenEvidence proporciona enlaces directos a los artículos científicos utilizados en su análisis, permitiendo a los médicos cotejar la información y evaluar la calidad de la evidencia. Esta capacidad es esencial en un entorno clínico donde las decisiones deben estar respaldadas por literatura científica confiable.

Una alternativa que ofrece ChatGPT dentro de su misma interfaz es la utilización de Consensus, una aplicación específica de ChatGPT que permite interactuar directamente con la literatura científica mundial, facilitando la búsqueda de referencias, obteniendo explicaciones sencillas y redactando artículos respaldados por publicaciones académicas. Al incorporar Consensus en el proceso de búsqueda, se pueden formular preguntas de investigación y recibir una síntesis de los hallazgos más relevantes de la literatura científica, lo que agiliza la identificación de evidencia de alta calidad para respaldar la toma de decisiones clínicas o académicas.

Mensaje final

La inteligencia artificial aplicada a la búsqueda bibliográfica representa un avance significativo en la manera en que los médicos acceden a la información científica. OpenEvidence y ChatGPT, en conjunto, pueden potenciar la capacidad de los profesionales de la salud para obtener respuestas rápidas y basadas en evidencia, mejorando así la calidad del cuidado médico.

Bibliografía:
– Haug CJ, Drazen JM. Artificial Intelligence and Machine Learning in Clinical Medicine, 2023. N Engl J Med. 2023 Mar 30;388(13):1201-1208
– Jin Q, Leaman R, Lu Z. PubMed and beyond: biomedical literature search in the age of artificial intelligence. EBioMedicine. 2024 Feb;100:104988