Conclusiones Clínicas: Los modelos de lenguaje de inteligencia artificial (IA) comerciales actuales generalmente se alinean con las recomendaciones de ‘Choosing Wisely’ y rara vez fallan en recomendar la atención indicada. Sin embargo, los clínicos deben ser cautelosos al utilizar la guía de la IA para pruebas de bajo valor, particularmente en nódulos tiroideos incidentales y ECGs de rutina en adultos de bajo riesgo.
Las herramientas de IA están siendo cada vez más utilizadas por clínicos y pacientes, pero la mayoría de las evaluaciones se han centrado en la precisión diagnóstica más que en si estos sistemas promueven una atención de alto valor. La sobredimensión de pruebas sigue siendo un problema importante en el sistema de salud de EE. UU., costando decenas de miles de millones de dólares anualmente, lo que hace crucial entender si la IA refuerza o reduce las pruebas y tratamientos innecesarios.
En este estudio de referencia, los investigadores evaluaron 6 modelos de lenguaje comercial de OpenAI, Anthropic y Google utilizando 225 situaciones de atención primaria derivadas de 15 recomendaciones de ‘Choosing Wisely’. El conjunto de datos incluyó 150 situaciones en las que la restricción era apropiada y 75 situaciones coincidentes donde la misma intervención estaba clínicamente indicada. En 4,050 respuestas, los modelos recomendaron correctamente la acción apropiada el 98.2% de las veces y aconsejaron correctamente la restricción en el 90.7% de los escenarios de bajo valor.
En general, los modelos de IA recomendaron atención innecesaria en el 5.4% de los escenarios de bajo valor y no recomendaron atención apropiada en solo el 0.6% de los escenarios adecuados. Once de las 15 recomendaciones no produjeron errores de falso restricción, y 8 recomendaciones no generaron sobreuso en absoluto.
La mayor parte del sobreuso se concentró en solo dos recomendaciones. Los modelos de IA recomendaron ultrasuados tiroideos para nódulos subcentimétricos incidentales en el 42.8% de los casos a pesar de la guía que favorecía la restricción, y recomendaron ECGs de rutina en adultos de bajo riesgo en el 28.3% de los escenarios. En contraste, las tasas de sobreuso para las recomendaciones restantes fueron generalmente del 3% o menos.
Las diferencias entre modelos fueron modestas en general, con tasas de sobreuso que oscilaban entre el 2.4% y el 9.6%, mientras que las tasas de falso restricción se mantuvieron por debajo del 2% para cada modelo probado. Es notable que las diferencias de desempeño fueron mayores en áreas donde las sociedades profesionales no están de acuerdo, como en el manejo de pequeños nódulos tiroideos incidentales.
El editorial que acompaña al estudio lo calificó como “un paso importante hacia la medición del impacto de la IA en el valor en términos tanto de sobreuso como de subuso” y notó que, a diferencia de los clínicos humanos que a menudo se inclinan hacia cuidados más intensivos o menos intensivos, los modelos mostraron poca evidencia de un intercambio entre sobreuso y subuso. Sin embargo, los editorialistas advirtieron que la investigación futura debe ir más allá de escenarios estandarizados y evaluar el rendimiento de la IA en la “zona intermedia desordenada” de la atención al paciente en el mundo real.
“Para un clínico que elige entre estas herramientas, los modelos se comportaron de manera similar en recomendaciones consolidadas y diferían más donde la guía misma no está clara”, escribieron los autores del estudio.
Nota de descargo de responsabilidad: La información proporcionada en este contenido es solo con fines informativos y no debe considerarse un consejo médico. Siempre consulte a un médico o profesional de la salud calificado para obtener orientación y tratamiento médico específico.
Join the doctors who get the most relevant medical news, curated by specialty, every week — no spam, unsubscribe anytime.
