La inteligencia colectiva puede ayudar a reducir los diagnósticos médicos erróneos
Una solución totalmente automatizada aumenta significativamente la precisión del diagnóstico
Investigadores del Instituto Max Planck de Desarrollo Humano, el Instituto de Ciencias y Tecnologías Cognitivas (ISTC) y la Universidad Noruega de Ciencia y Tecnología han desarrollado un método de inteligencia colectiva para aumentar la precisión de los diagnósticos médicos. Su trabajo se presentó recientemente en la revista PNAS.
Se calcula que cada año mueren en Estados Unidos 250.000 personas por errores médicos evitables. Muchos de estos errores se originan durante el proceso de diagnóstico. Una forma eficaz de aumentar la precisión diagnóstica es combinar los diagnósticos de varios médicos en una solución colectiva. Sin embargo, en el diagnóstico médico general escasean los métodos para agregar diagnósticos independientes. Por ello, investigadores del Instituto Max Planck para el Desarrollo Humano, el Instituto de Ciencias y Tecnologías Cognitivas (ISTC) y la Universidad Noruega de Ciencia y Tecnología han introducido una solución totalmente automatizada que utiliza métodos de ingeniería del conocimiento.
Los investigadores probaron su solución en 1.333 casos médicos proporcionados por el Proyecto de Diagnóstico Humano (Human Dx), cada uno de los cuales fue diagnosticado de forma independiente por 10 diagnosticadores. La solución colectiva aumentó sustancialmente la precisión diagnóstica: los diagnosticadores por separado alcanzaron una precisión del 46%, mientras que la agrupación de las decisiones de 10 diagnosticadores aumentó la precisión hasta el 76%. Las mejoras se produjeron en todas las especialidades médicas, dolencias principales y niveles de antigüedad de los diagnosticadores. "Nuestros resultados demuestran que aprovechar la inteligencia colectiva puede salvar vidas", afirma el primer autor, Ralf Kurvers. Kurvers es investigador principal del Centro de Racionalidad Adaptativa del Instituto Max Planck para el Desarrollo Humano y su investigación se centra en la toma de decisiones sociales y colectivas en humanos y animales.
Se ha demostrado que la inteligencia colectiva aumenta la precisión de las decisiones en muchos ámbitos, como la previsión geopolítica, la inversión y el diagnóstico en radiología y dermatología (por ejemplo, Kurvers et al., PNAS, 2016). Sin embargo, la inteligencia colectiva se ha aplicado sobre todo a tareas de decisión relativamente sencillas. Las aplicaciones en tareas más abiertas, como la gestión de emergencias o los diagnósticos médicos generales, son en gran medida inexistentes debido al reto de integrar entradas no estandarizadas de diferentes personas. Para superar este obstáculo, los investigadores utilizaron grafos de conocimiento semántico, procesamiento del lenguaje natural y la ontología médica SNOMED CT, una terminología clínica multilingüe muy completa, para su estandarización.
"Una aportación clave de nuestro trabajo es que, aunque los diagnósticos proporcionados por humanos mantienen su primacía, nuestros procedimientos de agregación y evaluación están totalmente automatizados, lo que evita posibles sesgos en la generación del diagnóstico final y permite que el proceso sea más eficiente en tiempo y costes", añade el coautor Vito Trianni, del Instituto de Ciencias y Tecnologías Cognitivas (ISTC) de Roma.
Los investigadores colaboran actualmente -junto con otros socios- en el proyecto HACID para acercar su aplicación un paso más al mercado. El proyecto, financiado por la UE, explorará un nuevo enfoque que aúne a expertos humanos y la representación del conocimiento y el razonamiento apoyados en IA con el fin de crear nuevas herramientas para la toma de decisiones en diversos ámbitos. La aplicación de la tecnología HACID al diagnóstico médico muestra una de las muchas oportunidades de beneficiarse de un sistema sanitario basado en la digitalización y los datos accesibles.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Ralf H. J. M. Kurvers, Andrea Giovanni Nuzzolese, Alessandro Russo, Gioele Barabucci, Stefan M. Herzog, Vito Trianni; "Automating hybrid collective intelligence in open-ended medical diagnostics"; Proceedings of the National Academy of Sciences, Volume 120, 2023-8-14
Ralf H. J. M. Kurvers, Stefan M. Herzog, Ralph Hertwig, Jens Krause, Patricia A. Carney, Andy Bogart, Giuseppe Argenziano, Iris Zalaudek, Max Wolf; "Boosting medical diagnostics by pooling independent judgments"; Proceedings of the National Academy of Sciences, Volume 113, 2016-7-18
Más noticias del departamento ciencias
