Los médicos prefirieron los resúmenes de alta generados por IA en el 95% de los casos, según un estudio de Stony Brook

En un estudio de Stony Brook University, los médicos revisores prefirieron los resúmenes de alta generados por IA frente a los redactados por personas en el 95 % de las hospitalizaciones evaluadas. El análisis retrospectivo se centró en 60 hospitalizaciones en Medicina Interna que duraron entre siete y 21 días, en las que la duración del tratamiento y el gran volumen de notas clínicas hacen especialmente difícil la transición a la atención ambulatoria.

Los resultados, publicados en npj Digital Medicine, sugieren que los modelos de lenguaje grandes podrían ayudar a los médicos a elaborar documentos de alta más completos y útiles. También muestran por qué la verificación humana sigue siendo esencial: tanto los resúmenes generados por IA como los redactados por personas contenían errores, y las calificaciones más altas no demostraron que los resultados para los pacientes fueran mejores.

Por qué los resúmenes de alta son una tarea difícil para la IA

Un resumen de alta conecta la atención recibida en el hospital con los profesionales clínicos responsables de la atención posterior. Debe explicar el motivo del ingreso, la evolución del tratamiento, los cambios en la medicación, los problemas pendientes y el plan de seguimiento. Para un médico de atención primaria, la falta de una explicación o la ausencia de un siguiente paso claro pueden obligarlo a reconstruir la hospitalización a partir de un expediente mucho más extenso.

Las hospitalizaciones más largas agravan el problema. La información se acumula en notas de evolución, consultas, informes de imágenes y otros documentos, a menudo con repeticiones y cambios en el plan de tratamiento. Un resumen útil debe conservar el cuadro clínico final y, a la vez, explicar cómo fueron evolucionando las decisiones.

El enfoque de Stony Brook se diseñó junto con profesionales clínicos y teniendo en cuenta la información que necesitan los médicos que reciben al paciente. La universidad afirma que el sistema organizó los expedientes de los pacientes en borradores de resúmenes de alta en cuestión de minutos. Esto describe el tiempo de generación; el efecto en el tiempo total que los médicos dedican a documentar y verificar todavía debe evaluarse en la práctica clínica.

Qué aspectos calificaron mejor los médicos

El estudio combinó evaluaciones de médicos hospitalistas y de atención primaria. Los revisores calificaron mejor los resúmenes de IA en calidad general, legibilidad y concisión, precisión factual e integridad. También señalaron menos detalles clínicos omitidos.

En la escala de calificación de cinco puntos utilizada, los resúmenes de IA obtuvieron una media de 4,71 en calidad general, frente a 3,16 en los redactados por personas. La media de precisión factual fue de 4,62 frente a 3,73, mientras que la de integridad fue de 4,69 frente a 3,42. Se trata de calificaciones otorgadas por médicos, no de porcentajes de afirmaciones cuya veracidad se haya comprobado.

El gráfico muestra 120 calificaciones por tipo de resumen para las medidas combinadas de médicos hospitalistas y de atención primaria, y 60 por tipo para las preguntas específicas de atención primaria. Los médicos de atención primaria calificaron mejor los resúmenes de IA en cuanto a la comprensión de la hospitalización, la explicación de esta a los pacientes y sus cuidadores, y el apoyo a la atención de seguimiento.

Estas diferencias son importantes porque quien redacta un resumen de alta y quien debe actuar en función de él tienen perspectivas distintas. Un documento puede relatar detalladamente los acontecimientos ocurridos durante la hospitalización y, aun así, dejar al profesional que recibe al paciente con dudas sobre los asuntos pendientes o los motivos de un cambio en la medicación.

Cómo procesa registros extensos el sistema de generación de resúmenes

La publicación del código fuente de los investigadores aporta contexto sobre la tecnología. Su flujo de trabajo exportado de LangChain/LangGraph agrupa las notas cronológicamente, elabora un resumen estructurado y perfecciona ese borrador a medida que procesa fragmentos adicionales. En una etapa aparte, extrae hallazgos incidentales de las notas señaladas antes de dar formato al texto narrativo final.

Este enfoque por etapas responde a una limitación práctica de los modelos de lenguaje: un registro clínico extenso puede superar la cantidad de texto que un modelo puede procesar de una sola vez. Mantener un borrador estructurado permite que las partes sucesivas del registro contribuyan al resultado.

La exportación pública también registra identificadores de origen y genera metadatos de citas junto con los resultados estructurados y narrativos. Incluye datos de demostración sintéticos, mientras que el repositorio ofrece resultados anonimizados de las calificaciones y anotaciones de errores para su análisis. Esto permite examinar el flujo de trabajo sin publicar los registros originales de los pacientes.

Menos omisiones no eliminan el riesgo clínico

El resumen publicado atribuye la menor cantidad de inexactitudes u omisiones anotadas principalmente a una reducción de las omisiones. Indica que no hubo una diferencia estadísticamente significativa entre los dos tipos de resumen en las estimaciones de los revisores sobre la gravedad o la probabilidad de los daños relacionados con errores.

Ese hallazgo no demuestra que ambos enfoques tengan el mismo nivel de seguridad ni que un borrador de IA esté listo para incorporarse al expediente de un paciente sin revisión. La evaluación se centró en documentos y en las valoraciones de los médicos; no demostró una reducción de los reingresos, los daños relacionados con la medicación ni otros efectos en los pacientes.

Los autores subrayan que los médicos deben verificar la documentación antes de usarla. Las instrucciones sobre medicamentos, los problemas médicos sin resolver y las recomendaciones de seguimiento son fundamentales para el propósito del documento y siguen siendo aspectos en los que un error u omisión puede tener consecuencias.

Qué debe ocurrir antes del uso clínico habitual

«Estos resultados aportan evidencia de que la inteligencia artificial puede ayudar a documentar el alta tras hospitalizaciones complejas», afirmó Rachel Wong, doctora en Medicina y profesora clínica asociada en Stony Brook, en el anuncio de la universidad.

El coautor corresponsal Fusheng Wang, doctor, dijo que los próximos pasos de la investigación incluyen evaluar la precisión, la seguridad, el ahorro real de tiempo para los médicos y la integración en los flujos de trabajo clínicos. La universidad señala que se está considerando realizar un proyecto piloto en la práctica cotidiana de Stony Brook Medicine.

Dirigido por Tyler Osborne, candidato a doctorado en informática, el proyecto interdisciplinario reúne a médicos, informáticos, especialistas en informática biomédica y expertos en comunicación. El estudio aporta evidencia alentadora sobre la elaboración de borradores de resúmenes de alta complejos bajo supervisión clínica. Para determinar cómo puede traducirse esto en un uso diario fiable, es necesario evaluar el proceso de revisión junto con el texto generado.