Evidence-grounded AI for longitudinal clinical management in musculoskeletal care

Resumen Técnico: IA Basada en Evidencia para la Gestión Clínica Longitudinal en el Cuidado Musculoesquelético

Planteamiento del Problema
Las enfermedades musculoesqueléticas representan una de las principales causas de discapacidad mundial, caracterizadas por procesos de recuperación, remodelación y degeneración que se desarrollan a lo largo de meses o años. En consecuencia, el cuidado musculoesquelético es fundamentalmente un probleente de gestión longitudinal en lugar de una serie de decisiones diagnósticas o terapéuticas aisladas. La gestión eficaz requiere que los clínicos integren continuamente la evidencia evolutiva del paciente, el conocimiento médico externo y los objetivos funcionales específicos de cada etapa. Sin embargo, en la práctica rutinaria, la evidencia necesaria para estas decisiones suele estar fragmentada entre visitas, departamentos y sistemas de información hospitalaria dispares. Esta fragmentación rompe las vías de atención continua en episodios aislados, limitando la gestión individualizada y basada en la evidencia.

Los sistemas y los benchmarks de Inteligencia Artificial (IA) clínica existentes abordan mayoritariamente tareas acotadas, como responder preguntas médicas, realizar diálogos diagnósticos o seleccionar opciones de tratamiento en un único punto en el tiempo. Estos sistemas a menudo no logran mantener un razonamiento consistente y trazable a través de sucesivos puntos de decisión clínica, tienen dificultades para adquirir información faltante en flujos de trabajo realistas y carecen de la capacidad de anclar las recomendaciones a los hechos del paciente en tiempo real y a la evidencia externa simultáneamente.

Metodología: El Sistema OrthoPilot
Para abordar estas limitaciones, los autores presentan OrthoPilot, un agente de IA clínica desplegable en hospitales diseñado para la gestión longitudinal basada en evidencia. El sistema se construye sobre una cohorte longitudinal de 21 años de 183.472 pacientes de un hospital académico terciario de alto volumen en Asia.

• Motor Central (CHEESE): En el núcleo del sistema se encuentra el Motor de Síntesis de Evidencia Holística Clínica para la Ejecución (CHEESE, por sus siglas en inglés), un Modelo de Lenguaje de Gran Escala (LLM) ligero de 32 mil millones de parámetros. CHEESE está especializado en el razonamiento de la vía completa y ha sido entrenado mediante aprendizaje por refuerzo en trayectorias de atención expertas que involucran tareas de toma de decisiones secuenciales.
• Arquitectura de Doble Evidencia (Tool Plaza): OrthoPilot opera bajo un paradigma de "doble evidencia" que vincula dos mundos distintos:
  1. El Mundo de la Información Intrahospitalaria: Recupera y organiza la evidencia multimodal específica del paciente (radiografías, TC, RM, resultados de laboratorio, informes de patología, órdenes médicas y registros de interconsulta) de los sistemas de información hospitalaria reales.
  2. El Mundo del Conocimiento Externo: Consulta guías, literatura de PubMed, grafos de conocimiento biomédico, libros de texto y recursos web en tiempo real para fundamentar las recomendaciones en evidencia médica trazable y actualizada.
• Arquitectura de Agentes: El sistema emplea una estructura de agentes múltiples jerárquica. Un agente principal impulsado por CHEESE define las estrategias de razonamiento, detecta la evidencia faltante y descompone preguntas de gestión complejas en subtareas de recuperación enfocadas. Agentes especializados ejecutan estas tareas a través de los dos mundos de evidencia, devolviendo hallazgos estructurados que el agente principal sintetiza en recomendaciones clínicas basadas en evidencia. Esto permite al sistema guiar la vía de atención, adquirir evidencia clave en cada punto de decisión y preservar la consistencia del razonamiento a lo largo de la línea de tiempo clínica.

Marco de Evaluación y Benchmarking
Los autores desarrollaron OrthoBench, el primer benchmark de grado clínico para la toma de decisiones a lo largo del continuo del cuidado musculoesquelético.

• Alcance: Derivado de 5.905 pacientes reales, OrthoBench abarca 1.000 códigos de enfermedades y cubre 11 tareas organizadas a lo largo de la línea de tiempo clínica: cuatro tareas de razonamiento diagnóstico (diagnóstico de ingreso, preoperatorio, intraoperatorio y de alta) y siete tareas de gestión clínica (evaluación perioperatoria, planificación quirúrgica, órdenes, resumen de alta, planificación de rehabilitación y consulta multidisciplinaria).
• Estratificación: El benchmark incluye enfermedades dentro de la distribución (ID) y fuera de la distribución (OOD), así como condiciones raras y no raras, para probar la generalizabilidad.
• Métrica de Evaluación (ORACLE): Para evaluar las tareas de gestión clínica de respuesta abierta, los autores introdujeron la Evaluación de Respuesta Abierta para la Evaluación del Lenguaje Clínico (ORACLE, por sus siglas en inglés). A diferencia de las métricas basadas en la superposición léxica, ORACLE descompone los planes clínicos en elementos de decisión definidos por médicos y califica la cobertura de la evidencia clínicamente significativa frente a rúbricas definidas por médicos.

Resultos Clave
El estudio llevó a cabo evaluaciones retrospectivas y prospectivas exhaustivas:

1. Rendimiento del Benchmark Retrospectivo:

   • OrthoPilot superó significativamente a 22 sistemas de referencia, incluyendo LLMs de razonamiento, LLMs de propósito general, LLMs específicos del dominio médico y baselines de agentes.
   • En OrthoBench, OrthoPilot alcanzó un 81,95% en tareas diagnósticas de opción cerrada y un 85,13% en tareas de gestión de respuesta abierta, superando al siguiente mejor baseline (CHEESE) aproximadamente en un 20% y un 14%, respectivamente.
   • En validación externa en 60 centros clínicos (6.796 casos), OrthoPilot mantuvo su ventaja, superando a los baselines de código abierto desplegables localmente en 57–59 centros para tareas diagnósticas y en 50–57 centros para tareas de gestión.

2. Estudio de Lectores (Comparación con Médicos):

   • En un estudio que involucró a 81 médicos ortopédicos (estratificados por experiencia) y 307 pacientes, OrthoPilot por sí solo alcanzó una puntuación media general del 80,0%, superando a Expertos (65,4%), Especialistas (59,5%) y Residentes (56,2%).
   • Cuando se utilizó como asistente, OrthoPilot mejoró el desempeño de los médicos en todos los niveles de experiencia, reduciendo la brecha de rendimiento entre médicos noveles y experimentados. Los Residentes asistidos por IA superaron a los Expertos no asistidos en un 7,3%.

3. Estudio Cruzado Prospectivo:

   • En un estudio de 1.870 casos complejos, la asistencia de OrthoPilot aumentó el éxito de la gestión de cadena completa del 16,6% al 27,2%.
   • La precisión diagnóstica mejoró significamente, particularmente para el diagnóstico de ingreso (ascendiendo del 65,7% al 77,8%), observándose las mejoras más marcadas en médicos noveles.
   • La calidad de la planificación quirúrgica, calificada por un comité de expertos ciegos, se desplazó hacia categorías de mayor calidad, con el aumento de la proporción de planes de alta calidad del 25,0% al 34,0%.

4. Despliegue Aleatorio Prospectivo:

   • En un despliegue aleatorio de 8 meses que involucró a 8.240 pacientes hospitalizados, OrthoPilot se integró en la atención hospitalaria rutinaria.
   • Eficiencia: El sistema aumentó los casos acumulados por cama en un 9,7% y redujo significativamente la estancia media hospitalaria (ALOS).
   • Carga de Trabajo: Redujo la carga cognitiva de los médicos (demanda mental, esfuerzo, frustración) y el tiempo de documentación de enfermería.
   • Experiencia del Paciente: El acceso de los pacientes a la información de salud, la calidad de la comunicación y la satisfacción general mejoraron significativamente.

Significancia y Reivindicaciones
El artículo afirma que OrthoPilot establece un nuevo paradigma para la IA clínica, pasando de modelos que predicen eventos aislados a sistemas que ejecutan la gestión longitudinal a través de vías de atención completas. Los autores argumentan que el éxito del sistema se debe a su capacidad para acoplar un núcleo de razonamiento clínicamente especializado con el uso de herramientas jerárquicas, permitiéndole adquirir evidencia faltante e integrarla en las decisiones de gestión de forma dinámica.

Las contribuciones clave destacadas incluyen:

• La demostración de que el razonamiento secuencial basado en evidencia puede traducir las ganancias retrospectivas en flujos de trabajo clínicos de rutina.
• La validación de que tales sistemas pueden mejorar la robustez de la toma de decisiones, reducir la variación dependiente de la experiencia entre médicos y mejorar la eficiencia del sistema sin comprometer los aspectos de atención centrada en el humano.
• La introducción de OrthoBench y ORACLE como marcos necesarios para evaluar la gestión clínica de la vía completa, yendo más allá de las métricas de rendimiento de un solo punto en el tiempo.

Los autores concluyen que, si bien el sistema no pretende almacenar todo el conocimiento médico en los parámetros del modelo, su propósito es adquirir la evidencia relevante en tiempo de ejecución y traducirla en los siguientes pasos específicos del paciente bajo la revisión del clínico, ofreciendo un principio de diseño gobernado para la IA en el cuidado longitudinal.