Unseen Insights: An AI-Powered Exploration of Secure Patient Messages in Ophthalmology

Planteamiento del Problema
La rápida expansión de la mensajería segura para pacientes dentro de las historias clínicas electrónicas (HCE) ha transformado la comunicación oftalmológica, pasando de consejos telefónicos no documentados a una atención asincrónica y trazable. Sin embargo, existe una escasez de literatura que analice sistemáticamente el contenido de estas consultas de los pacientes o que comprenda cómo el volumen de mensajes y los temas varían entre los grupos sociodemográficos. Si bien se sabe que el uso de los portales de pacientes varía según la edad, el estatus socioeconómico y la raza, no está claro si las herramientas de salud digital amplían inadvertidamente las brechas de atención en oftalmología, un campo donde ciertas poblaciones enfrentan cargas de enfermedad desproporcionadas. Además, los clínicos enfrentan volúmenes crecientes en sus bandejas de entrada, lo que conduce a una potencial fatiga por alertas, haciendo necesario una mejor comprensión de los patrones de mensajes para mejorar el triaje y la eficiencia del flujo de trabajo.

Metodología
Este estudio transversal analizó mensajes seguros iniciados por pacientes, desidentificados, de un gran hospital académico terciario (Stanford Health Care) durante un periodo de 10 años (junio de 2014 – julio de 2024).

• Fuente de Datos: El estudio utilizó códigos de la Clasificación Internacional de Enfermedades (CIE)-10 para identificar pacientes con condiciones oftalmológicas. De un grupo inicial de 48,516 hilos de mensajes, se incluyeron 30,390 mensajes de solicitudes de asesoramiento médico al paciente (PMAR, por sus siglas en inglés) de 4,817 pacientes únicos, tras excluir cuestionarios, mensajes de cortesía y respuestas de clínicos.
• Procesamiento de Lenguaje Natural (NLP) y Modelado de Temas: Los investigadores emplearon un flujo de trabajo de NLP basado en BERT. Los mensajes brutos fueron preprocesados para eliminar duplicados, caracteres especiales y contenido de bajo valor (p. ej., mensajes de menos de 50 caracteres). Un modelo BERT destilado y preentrenado (all-miniLM-L6-v2) convirtió los mensajes en embeddings a nivel de oración. Estos fueron reducidos en dimensionalidad mediante la Aproximación de Variedad Uniforme con Proyección (UMAP) y agrupados mediante clustering de conocimiento cero (zero-shot clustering) con un umbral de similitud de temas de 0.82.
• Interpretación: Dos investigadores revisaron manualmente las 15 palabras clave principales para cada grupo para agrupar temas similares. Posteriormente, se utilizó un Modelo de Lenguaje Grande (OpenAI o4-mini) dentro de un entorno compatible con HIPAA para elaborar sobre los problemas de los pacientes, empleando técnicas de ingeniería de prompts como el role prompting y la emulación de pericia para interpretar los temas.
• Análisis Estadístico: Las diferencias en la frecuencia de mensajes entre subgrupos demográficos (edad, sexo, raza, etnia y estado civil) se evaluaron mediante pruebas z de dos proporciones. Se generó un diagrama de Sankey para visualizar las relaciones entre las categorías detalladas de edad y raza y los problemas específicos de los pacientes.

Resultos Clave

• Composición de los Mensajes: Los asuntos administrativos representaron casi la mitad (45%) de todos los mensajes, siendo la programación de citas (29.2%), las solicitudes de farmacia/resurtido (9.5%) y la documentación de seguros (4.1%) los más comunes. Entre las preocupaciones clínicas, las alteraciones visuales fueron las más frecuentes (20.8%), seguidas de síntomas relacionados con el glaucoma (8.7%), preguntas sobre imágenes/tumores (7.5%) y preocupaciones postoperatorias (7.4%).
• Disparidades Demográficas:
  • Raza: Los pacientes no blancos plantearon con mayor frecuencia problemas relacionados con resurtido de farmacia, seguros, glaucoma y documentación de discapacidad en comparación con los pacientes blancos. Por el contrario, los pacientes blancos fueron más propensos a consultar sobre preocupaciones quirúrgicas.
  • Edad: Los pacientes de 50 años o más contribuyeron proporcionalmente más con mensajes clínicos que los pacientes más jóvenes, específicamente en relación con glaucoma, imágenes de tumores, cirugía y problemas de la córnea.
  • Sexo: Las pacientes mujeres reportaron complicaciones e inflamación/infección con mayor frecuencia que los hombres.
  • Estado Civil: Los pacientes no casados buscaron asesoría sobre visión, glaucoma y discapacidad con mayor frecuencia, mientras que los casados reportaron con más frecuencia inflamación/infección y problemas de la córnea.
• Demografía de la Cohorte: La población del estudio fue 55.5% femenina, 56.9% de 50 años o más, 48.7% blanca y 85.7% no hispana.

Significancia y Reivindicaciones
El artículo afirma proporcionar el primer análisis a gran escala asistido por IA de los mensajes seguros en oftalmología, revelando temas frecuentes relevantes para el triaje y diferencias demográficas distintivas en el comportamiento de búsqueda de atención. Los autores sostienen que el análisis sistemático del contenido de los mensajes puede apoyar un triaje más seguro, una mejor eficiencia del flujo de trabajo y una entrega de atención oftalmológica más equitativa.

Específicamente, el estudio sugiere que:

1. Potencial de Triaje por IA: La identificación de temas comunes permite el desarrollo de herramientas de IA para distinguir preguntas rutinarias de síntomas de "bandera roja" (p. ej., pérdida súbita de la visión) que requieren una respuesta el mismo día, reduciendo así la carga del clínico.
2. Perspectivas de Equidad: Las disparidades observadas —donde los pacientes no blancos se enfocan más en barreras administrativas y de gestión de enfermedades crónicas (seguros, resurtidos) mientras que los pacientes blancos se enfocan más en asuntos quirúrgicos— resaltan oportunidades para intervenciones dirigidas a abordar las barreras de navegación en la atención médica.
3. Optimización del Flujo de Trabajo: El alto volumen de consultas de baja complejidad (programación, resurtidos) respalda la integración de flujos de trabajo automatizados para tareas rutinarias, permitiendo que los clínicos se concentren en asuntos clínicos urgentes.

Limitaciones
Los autores señalan que el estudio está limitado a un solo sistema de salud, lo que puede afectar la generalización. Además, no se pudo vincular el contenido del mensaje con los resultados clínicos (p. ej., si un mensaje resultó en una cita o una visita a urgencias), lo que significa que la urgencia real de cada hilo no fue verificada de forma independiente. Los autores enfatizan que, si bien los hallazgos sugieren la viabilidad del triaje por IA, tales sistemas requieren una mayor validación de su precisión, seguridad y mitigación de sesgos antes de su implementación generalizada.