Exploring Attitudes and Acceptance of Artificial Intelligence in Multiple Sclerosis from the Patient Perspective

Resumen Técnico: Exploración de las Actitudes y la Aceptación de la Inteligencia Artificial en la Esclerosis Múltiple desde la Perspectiva del Paciente

Planteamiento del Problema
La inteligencia artificial (IA) se está integrando cada vez más en los flujos de trabajo de la atención sanitaria, particularmente en condiciones crónicas con una alta carga de datos como la esclerosis múltiple (EM), que dependen del seguimiento longitudinal y la toma de decisiones compartida. Si bien la EM sirve como un paradigma para la atención basada en datos, la traslación clínica de la IA depende críticamente de la aceptación y la confianza del paciente. La literatura existente sugiere que la aceptación es heterogénea, moldeada por el contexto sociodemográfico, la familiaridad con la tecnología y el riesgo percibido. Sin embargo, los datos empíricos que describen cómo las personas con EM perciben la IA a través de distintos casos de uso clínico —que van desde el apoyo administrativo hasta las decisiones diagnósticas de alto riesgo— siguen siendo escasos. Este estudio aborda la brecha en la comprensión de las actitudes específicas, los niveles de comodidad y los predictores de aceptación entre las personas con EM en Alemania.

Metodología
Los autores realizaron una encuesta transversal basada en la web entre diciembre de 2024 y abril de 2025.

• Participantes: Se reclutaron 241 adultos (≥18 años) con EM de cualquier subtipo, autoinformada, a través de canales digitales (sitios web de centros, redes sociales, boletines informativos) y visitas ambulatorias de rutina en dos centros académicos de EM en Alemania (Dresde y Düsseldorf).
• Instrumento: Se desarrolló un cuestionario dedicado de autoadministración, basado en el Modelo de Aceptación de la Tecnología (TAM) e instrumentos previos específicos para la EM. Evaluó cuatro dominios:
  1. Características de los participantes (demografía, curso de la enfermedad, discapacidad autoinformada mediante Pasos de la Enfermedad Determinados por el Paciente [PDDS]).
  2. Acceso a la tecnología y frecuencia de uso.
  3. Alfabetización en IA y exposición (conocimiento autoevaluado, frecuencia de uso de IA general y relacionada con la salud).
  4. Actitudes y preferencias respecto a la IA en el cuidado de la EM a través de ocho dominios clínicos predefinidos.
• Análisis Estadístico:
  • Se derivó una "puntuación compuesta de actitudes hacia la IA" a partir de los resultados de preferencia, demostrando una alta consistencia interna (alfa de Cronbach = 0.90).
  • Las asociaciones se probaron mediante la correlación de rango de Spearman, pruebas U de Mann-Whitney y la Q de Cochran para las diferencias entre dominios.
  • Se utilizó la regresión lineal multivariable para identificar los predictores independientes de la puntuación de aceptación compuesta.
  • Se emplearon modelos de proporciones de orden multivariantes (logística ordinal) para analizar los predicores de los dominios clínicos individuales.
  • Los resultados de la escala de Likert se colapsaron en tres niveles (negativo, neutral, positivo) para estabilizar las estimaciones.

Resultados Clave

• Aceptación General: La aceptación fue moderada en general (media de 3.39 ± 0.78 en una escala de 5 puntos).
• Gradiente de Responsabilidad: Los niveles de comodidad variaron significamente según el dominio clínico ($P < 0.001$). Los participantes se sintieron más cómodos con aplicaciones de apoyo y menor riesgo: gestión crónica (54.4%) y cribado de síntomas (50.2%). La aceptación disminuyó significamente para decisiones de alto riesgo: selección de tratamiento (38.6%) y diagnóstico (35.3%).
• Preferencias en la Toma de Decisiones: Al asumir una precisión diagnóstica igual, el 78.8% de los participantes prefirió la toma de decisiones conjunta entre la IA y el clínico, con el clínico reteniendo la responsabilidad final. Solo el 0.8% prefirió la IA como decisor final.
• Predictores de Aceptación:
  • Uso Frecuente de IA General: El predictor independiente más fuerte de la aceptación (B=0.58, $P < 0.001$). Los participantes que utilizaban la IA general al menos semanalmente mostraron una aceptación significativamente mayor.
  • Región: La residencia en el oeste de Alemania se asoció con una mayor aceptación en comparación con el este de Alemania ($P = 0.025$).
  • Edad: La edad avanzada se asoció con una menor aceptación de la gestión crónica apoyada por IA.
  • Factores Clínicos: Contrario a algunas hipótesis, la discapacidad clínica (PDDS) y la duración de la enfermedad no se asociaron significativamente con la aceptación en los modelos multivariantes.
• Demografía: Se observó una mayor aceptación en hombres, participantes más jóvenes y aquellos con mayor conocimiento de la IA en los análisis no ajustados, aunque solo el uso de la IA general y la región permanecieron significativos en los modelos ajustados.

Significancia y Afirmaciones
El artículo postula que la integración exitosa de la IA en el cuidado de la EM es primordialmente un desafío sociotécnico más que puramente técnico. Los autores afirman que:

1. La Aceptación Depende del Contexto: La comodidad del paciente no es una postura binaria de "aceptar/rechazar", sino que sigue un "gradiente de responsabilidad", donde la confianza es mayor para herramientas logísticas/de apoyo y menor para la toma de decisiones clínicas autónomas.
2. La Familiaridad Impulsa la Adopción: La aceptación está más estrechamente vinculada a la familiaridad previa con la IA (exposición experiencial) que al nivel de gravedad o discapacidad de la enfermedad. Esto sugiere que la reticencia puede derivar de la incertidumbre sobre la gobernanza y las capacidades de la IA, más que de una falta de interés o competencia.
3. Estrategia de Implementación: Los hallazgos argumentan contra un despliegue de "talla única". Los autores abogan por una estrategia de implementación por etapas que comience con casos de uso de bajo riesgo y alta aceptación (por ejemplo, monitoreo, cribado, apoyo administrativo) para fomentar la familiaridad y la confianza.
4. Diseño con Humano en el Bucle (Human-in-the-Loop): Dada la fuerte preferencia por la responsabilidad final del clínico, las herramientas de IA deben diseñarse como sistemas de "humano en el bucle" que aumenten en lugar de reemplazar el juicio clínico, con estructuras de responsabilidad explícitas.

El estudio concluye que, si bien la validación técnica es necesaria, la prioridad debe desplazarse hacia el diseño de flujos de trabajo transparentes y estrategias educativas que cultiven la confianza digital, particularmente entre los pacientes de mayor edad y en regiones con una aceptación basal más baja.