Development and Validation of a Localized Large Language Model for Preoperative Anesthesia Planning: Protocol for a Retrospective Observational Study and Clinical Turing Test
Este artículo describe un protocolo para desarrollar y validar un modelo de lenguaje de gran tamaño localizado, ajustado con 3.000 registros históricos de anestesia del Hospital Istishari, para generar planes de anestesia preoperatorios que se evalúan frente a estándares de expertos humanos para la seguridad y precisión en un "Test de Turing Clínico" retrospectivo.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Antes de que un paciente entre en un quirófano, un anestesiólogo debe realizar una tarea mental compleja: toma el historial médico de una persona, sus constantes vitales actuales y las demandas específicas de la cirugía venidera, y luego teje estos hechos en un plan único y seguro para mantener al paciente dormido y sin dolor. Este proceso requiere un pensamiento rápido y un conocimiento profundo, pero también es propenso al error humano, especialmente cuando los médicos están cansados o cuando diferentes médicos interpretan la misma información de maneras ligeramente distintas. En años recientes, las computadoras han comenzado a ayudar con tareas médicas, principalmente prediciendo cosas como caídas de la presión arterial o gestionando bombas de fármacos de forma automática. Sin embargo, ha surgido un nuevo tipo de programa informático, conocido como modelo de lenguaje extenso, con una capacidad diferente. Estos programas pueden leer vastas cantidades de texto y escribir nuevo texto que suena como el de un experto humano. Aunque estas herramientas ya se utilizan para el estudio y las pruebas, nadie ha demostrado aún si pueden escribir de forma segura un plan médico real y personalizado para un hospital específico, utilizando las propias reglas y hábitos de ese hospital, sin cometer errores peligrosos.
Un investigador en el Hospital Istishari en Amán, Jordania, se propuso probar esta idea. Quería ver si podían enseñar a una computadora a actuar como un anestesiólogo sénior alimentándola con miles de casos reales pasados de su propio hospital. Su objetivo era crear un "fellow digital", un programa informático especializado que pudiera redactar un plan de anestesia completo tal como lo haría un humano. Para hacer esto, recopilaron 3,000 registros históricos de pacientes que se habían sometido a cirugías. Estos registros no eran archivos digitales, sino documentos de papel físicos que contenían notas sobre la estatura, el peso, antecedentes cardíacos, condiciones pulmonares y las drogas y herramientas de vía aérea exactas que el equipo humano había utilizado durante la operación. Un equipo de médicos novatos y pasantes leyó manualmente cada uno de los registros de papel, copiando la información en una base de datos digital segura. Fueron cuidadosos al eliminar todos los nombres y detalles identificativos, dejando solo los hechos médicos y los planes de tratamiento resultantes.
Una vez que esta enorme colección de datos estuvo lista, el investigador utilizó esta para entrenar un poderoso modelo informático. Instruyeron al modelo para que aprendiera los patrones de cómo su hospital específico maneja la anestesia. Se le dijo a la computadora que actuara como un consultor sénior en ese hospital y que escribiera un nuevo plan para cualquier paciente basándose en los datos que había aprendido. El plan tenía que cubrir cuatro áreas principales: cómo preparar al paciente antes de la cirugía, cómo dormirlo y gestionar su respiración, cómo mantenerlo estable durante el procedimiento y cómo despertarlo y gestionar su dolor después. El investigador no se limitó a dejar que la computadora adivinara; construyó el sistema basándose en las decisiones reales y exitosas tomadas por médicos humanos en su propia institución, con la esperanza de que esto evitara que la computadora inventara hechos o sugiriera tratamientos que no existen en su hospital.
Para ver si el trabajo de la computadora era bueno, el investigador organizó una prueba a ciegas, similar a un desafío donde una persona intenta adivinar quién es el escritor humano y quién es la máquina. Tomaron un conjunto de casos de pacientes y se los mostraron a un grupo de anestesiólogos séniores. Para cada caso, los expertos recibieron dos planes diferentes: uno era el plan original escrito por un médico humano hace años, y el otro era el nuevo plan escrito por la computadora. Los expertos no sabían cuál era cuál. Se les pidió que juzgaran los planes basándose en la seguridad, verificando si había errores peligrosos, y en la completitud, asegurándose de que se incluyeran todos los pasos necesarios. Finalmente, tenían que adivinar qué plan había sido escrito por la computadora.
El estudio es actualmente un protocolo, lo que significa que es el plan detallado de cómo se realizará la investigación, más que un informe de resultados finales. El investigador propone que si su modelo computacional es entrenado con estos 3,000 casos locales reales, producirá planes que sean tan seguros y precisos como los escritos por expertos humanos. Creen que este enfoque reducirá el riesgo de que la computadora invente información, un problema conocido como "alucinación", porque la computadora está fundamentada en la realidad de las prácticas de su propio hospital. Si la prueba muestra que los expertos no pueden notar la diferencia entre los planes humanos y los de la computadora, sugiere que esta tecnología podría un día ayudar a los médicos al encargarse del pesado trabajo mental de redactar planes rutinarios, permitiéndoles enfocarse más en el paciente y menos en el papeleo. El proyecto también tiene como objetivo convertir la difícil tarea de leer miles de viejos registros de papel en una experiencia de aprendizaje para los médicos novatos que realizan la entrada de datos, obligándolos a estudiar las decisiones de sus mentores mientras construyen la base de datos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.