Desarrollado por la División de Inteligencia Artificial en Simulación, Educación y Formación de la Universidad de Ciencias de la Salud de Arizona, el Artificially Intelligent Medical History Evaluation Instrument (AIMHEI) utiliza la inteligencia artificial para mejorar la enseñanza de la medicina proporcionando un feedback coherente y personalizado en la realización de historiales y las habilidades clínicas. Esta innovadora herramienta de IA ofrece a los estudiantes de medicina evaluaciones en tiempo real centradas en la terminología médica, la empatía y la comunicación. Su objetivo es capacitar a los estudiantes para perfeccionar el razonamiento clínico y las habilidades de interacción con el paciente de forma eficaz, sin sobrecargar al profesorado.
Imagínate que eres un joven estudiante de medicina y te pones delante de un paciente por primera vez. Tienes que hacer una historia clínica completa, formular las preguntas adecuadas, escuchar atentamente y responder con empatía. Es una habilidad crucial que requiere una práctica constante y una retroalimentación específica. Pero, ¿y si tus mentores no siempre están disponibles, o sus evaluaciones varían mucho? En un momento en que la tecnología está transformando campos como las finanzas y la industria, ¿por qué no puede hacer lo mismo con la educación médica? Aquí es donde interviene la inteligencia artificial. El Artificially Intelligent Medical History Evaluation Instrument (AIMHEI), un avanzado sistema de IA, promete proporcionar información inmediata y personalizada a los futuros médicos, colmando una laguna crítica en la formación clínica.
El contexto
La formación médica sigue teniendo dificultades para proporcionar a los estudiantes información frecuente y personalizada sobre habilidades esenciales como la elaboración de la historia clínica y las presentaciones orales. Aunque los mentores del profesorado son cruciales para guiar el desarrollo de los estudiantes, su disponibilidad suele ser limitada, y los estudiantes suelen buscar oportunidades adicionales para practicar habilidades esenciales (Case et al,2024). Para subsanar esta carencia, hemos desarrollado el Artificially Intelligent Medical History Evaluation Instrument (AIMHEI), una herramienta impulsada por IA diseñada para proporcionar información individualizada y en tiempo real a los estudiantes de medicina. Esta herramienta pretende ayudar a los estudiantes a dominar la comunicación y el razonamiento clínico, reduciendo al mismo tiempo la carga del profesorado.
Estas habilidades, fundamentales para la práctica clínica, se definen como actividades profesionales fundamentales encomendables (APE) para la residencia, según la Association of American Medical Colleges (AAMC, 2014). Sin embargo, muchos directores de programas de residencia han expresado su preocupación por que los estudiantes no desarrollen plenamente sus habilidades comunicativas y sus conocimientos médicos antes del año de interno (Tischendorf et al, 2018;, Lyss-Lerman et al, 2019) Esto se debe en gran medida a la falta de feedback frecuente y estructurado durante la formación, derivada de la limitada disponibilidad del profesorado y de las exigencias de la atención al paciente. Además, la retroalimentación proporcionada por los preceptores o los médicos adjuntos puede ser subjetiva, variar según las especialidades y a menudo requiere mucho tiempo (Barrows, 1993; Miller, 1990),
Estos retos limitan la capacidad de los estudiantes para perfeccionar estas habilidades y aplicar la retroalimentación.
Cómo puede ayudar la Inteligencia Artificial
La inteligencia artificial (IA) ofrece una solución prometedora a estos retos al proporcionar una retroalimentación escalable y a la carta. La inteligencia artificial ha demostrado tener muchas aplicaciones prometedoras en la enseñanza de la medicina, sobre todo como herramienta para ayudar a los estudiantes de medicina a abordar temas clínicos complejos en tiempo real (Rosipigliosi, 2023) ChatGPT, por ejemplo, ha mostrado potencial para seguir el progreso de los estudiantes y ajustar su estilo de enseñanza a sus necesidades individuales de aprendizaje (Lee, 2023; Chan& Zary, 2019), En particular, ChatGPT ha superado con éxito el Examen de Licencia Médica Paso 1 de Estados Unidos basándose en preguntas de práctica, proporcionando explicaciones claras y comprensibles. La IA ha demostrado repetidamente su capacidad para servir como recurso interactivo y a la carta, ofreciendo un valor significativo para refinar los conocimientos médicos (Kung, 2023).
La AIMHEI no sólo proporcionará a los estudiantes de medicina información individualizada y en tiempo real sobre estas competencias básicas, sino que también puede garantizar la calidad y coherencia de la información, ayudando así a perfeccionarlas. Esto permite a los estudiantes de medicina practicar sus habilidades de comunicación y razonamiento clínico, necesarias para las situaciones clínicas de la vida real, sin sobrecargar los recursos del profesorado.
Funcionalidad y características clave de AIMHEI
El programa es una culminación de scripts Python y metodologías de Natural Language Processing (NLP). Consta de dos componentes principales que se utilizan para puntuar a los estudiantes de medicina: una sección de información y otra de habilidades. La sección de información contiene una rúbrica de tipo lista de comprobación que mide puntos finales derivados de la Guía para la exploración física y la anamnesis de Bates. (Bickley y Szilagyi, 2016). Los criterios de la sección de información dependen de los objetivos de aprendizaje específicos y de los deseos de los educadores y/o supervisores. La sección de habilidades consiste en la Puntuación de Terminología Médica, la Puntuación de Cortesía y la Puntuación de Empatía, todas ellas diseñadas para abordar aspectos específicos de una entrevista médica y proporcionar retroalimentación de entrenamiento para la mejora y el reconocimiento de los éxitos.
En la práctica, AIMHEI se utiliza para analizar una transcripción generada a partir de una grabación de audio de una entrevista con un paciente estandarizado. La transcripción se revisa y se puntúa según 96 criterios diferentes. AIMHEI elabora dos informes a partir de esta puntuación: un informe del profesorado y un informe del alumno. El informe del profesorado contiene una justificación línea por línea de la puntuación, incluidos los criterios, una explicación de la puntuación dada, una cita en línea de la transcripción que aporta pruebas de la puntuación y la sección en la que se encuadran los criterios. Es extremadamente minucioso y está preparado para justificarse por sí mismo en caso de que un profesor o un estudiante necesiten hacer un seguimiento de una puntuación.
Este informe del profesor se convierte en un informe del alumno en cuestión de segundos. El informe del alumno se facilita al alumno poco después de completar la entrevista. Este informe AIMHEI contiene una versión abreviada del informe del profesorado, pero sigue proporcionando la información pertinente, incluido un desglose de cada sección y subsección con puntuaciones de rendimiento. Al final del informe, se elaboran comentarios personalizados para cada transcripción de las revisiones del programa. El feedback personalizado se deriva de las secciones con puntuaciones bajas para que el alumno se centre en mejorar para la próxima visita. El diagrama siguiente muestra el flujo de trabajo del programa AIMHEI de principio a fin.
¿Y ahora qué?
Actualmente, estamos realizando un ensayo controlado aleatorizado (ECA) para evaluar la eficacia de AIMHEI entre los estudiantes de medicina. En este ensayo, estamos recopilando información de los estudiantes sobre la calidad y utilidad de las evaluaciones generadas por la IA, así como realizando un seguimiento de su progreso en el desarrollo de las habilidades de elaboración de la historia clínica a lo largo de su primer año. Esto se basa en un exitoso estudio piloto, en el que recogimos las primeras opiniones sobre la organización y la claridad de la información proporcionada por AIMHEI. Los resultados del estudio piloto nos permitieron introducir mejoras en el sistema de retroalimentación de la herramienta, garantizando que sea estructurado y procesable para los estudiantes.
Más allá del ensayo actual, AIMHEI puede tener aplicaciones más amplias en la enseñanza de la medicina. Una dirección futura consiste en adaptar la herramienta para que proporcione información sobre otras competencias básicas, como la presentación oral de casos, que es fundamental tanto para el razonamiento clínico como para la comunicación eficaz. Además, AIMHEI podría perfeccionarse para proporcionar información específica de cada especialidad, lo que le permitiría adaptarse a las habilidades clínicas y de comunicación propias de campos como la cirugía, la medicina interna o la pediatría. Al ampliar las capacidades de la herramienta, AIMHEI puede ayudar aún más a los estudiantes de medicina a desarrollar los diversos conjuntos de habilidades necesarios para las especialidades que elijan, al tiempo que ofrece una solución escalable para que el profesorado gestione los comentarios de los estudiantes en distintos ámbitos.
Últimas reflexiones
El desarrollo de este programa de procesamiento del lenguaje supone un avance significativo en la tecnología de la educación médica. Al centrarse en los aspectos clave de las entrevistas médicas (precisión de la terminología médica, cortesía y empatía), el programa promete mejorar la calidad de las interacciones de los futuros profesionales médicos con los pacientes. A medida que esta tecnología se vaya integrando en la educación médica, podrá transformar la forma de comunicarse de los profesionales de la medicina, lo que en última instancia mejorará la atención y la satisfacción de los pacientes.
Bibliografia
Case, L., Khan, I., & Qato, K. (2024). The past, present, and future of feedback in medical education. Journal of Vascular Surgery- Vascular Insights, 2, e100116. https://doi.org/10.1016/j.jvsvi.2024.100116
Drafting Panel for Core Entrustable Professional Activities for Entering Residency. (2014). Core Entrustable Professional Activities for Entering Residency: Faculty and Learner’s Guide. Association of American Medical Colleges. https://store.aamc.org/downloadable/download/sample/sample_id/66/%20
Tischendorf, J., O’Connor, C., Alvarez, M., & Johnson, S. (2018). Mock Paging and Consult Curriculum to Prepare Fourth-Year Medical Students for Medical Internship. MedEdPORTAL: The Journal of Teaching and Learning Resources, 14, e10809. https://doi.org/10.15766/mep_2374-8265.10708
Lyss-Lerman, P., Teherani A., Aagaard, E., Loeser, H., Cooke, M., Harper, G. M. (2009). What training is needed in the fourth year of medical school? Views of residency program directors. Academic Medicine: The Journal of the Association of American Medical Colleges, 84(7), 823-829. https://doi.org/10.1097/ACM.0b013e3181a82426
Barrows, H. S. (1993). An overview of the uses of standardized patients for teaching and evaluating clinical skills. Academic Medicine: Journal of the Association of American Medical Colleges, 68(6), 443–453. https://doi.org/10.1097/00001888-199306000-00002
Miller, G. E. (1990). The assessment of clinical skills/competence/performance. Academic Medicine: Journal of the Association of American Medical Colleges, 65(9 Suppl), S63-S67. https://doi.org/10.1097/00001888-199009000-00045
Rosipigliosi, P. A. (2023). Artificial intelligence in teaching and learning: What questions should we ask of ChatGPT? Interactive Learning Environments, 31(1), 1-3, https://doi.org/10.1080/10494820.2023.2180191
Lee, H. (2023). The rise of ChatGPT: Exploring its potential in medical education. Anatomical Sciences Education, 17(5), 926-931, https://doi.org/10.1002/ase.2270
Chan, K.S. & Zary, N. (2019). Applications and Challenges of Implementing Artificial Intelligence in Medical Education: Integrative Review. JMIR Medical Education, 5(1), e13930. https://doi.org/10.2196/13930
Kung, T.H., Cheatham, M., Medenilla, A., Sillos, C., De Leon, L., Elepaño, C., Madriaga, M., Aggabao, R., Diaz-Candido, G., Maningo, J., & Tseng, V. (2023). Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digital Health, 2(2), e0000198. https://doi.org/10.1371/journal.pdig.0000198
Bickley, L. S., & Szilagyi, P. G. (2016). Bates’ Guide to Physical Examination and History Taking (12th ed.). Lippincott, Williams & Wilkins.ommunication and empathy skills. BodyInteract Blog. 2023. https://bodyinteract.com/blog/communication-empathy-virtual-patients/
LEER TAMBIÉN
