INTRODUCCIÓN

La anestesiología como especialidad tiene una larga historia de innovación en el desarrollo de tecnología vinculada a mejoras en la seguridad del paciente. Sin embargo, la velocidad del desarrollo tecnológico en los últimos 20 años no ha tenido precedentes. Esto está relacionado principalmente con el crecimiento exponencial de los datos y el poder del computador que ha llevado a la aplicación de herramientas de inteligencia artificial (IA) al entorno perioperatorio. Hoy, la tecnología emergente en anestesiología y medicina perioperatoria tiene un enorme potencial para mejorar aún más la seguridad del paciente y la calidad del cuidado. La aplicación de IA mejorará la seguridad del paciente, ayudando al médico clínico a navegar rápidamente por datos procedentes de fuentes dispares y asistiéndolo de forma eficaz a sintetizar y tomar decisiones médicas mejor informadas dentro de un sistema de atención médica complejo.^1-3 Además, la IA se usará para mejorar la seguridad del paciente mediante su integración en el flujo de trabajo de los líderes de calidad y seguridad perioperatoria del paciente, los científicos de seguridad del paciente y los líderes del sistema de atención médica. El papel de la IA en la mejora de la seguridad del paciente se extiende desde su capacidad para aumentar las decisiones políticas diseñadas para identificar, evaluar y mitigar las amenazas a la seguridad a escala del paciente.^4,5 En esta breve revisión, ofrecemos una visión general de la IA como tecnología emergente y damos un marco práctico para que los profesionales de la anestesia comprendan la importante relación entre la IA y la seguridad perioperatoria del paciente.

SEGURIDAD DEL PACIENTE Y TECNOLOGÍAS EMERGENTES EN UN MUNDO COMPLEJO

La seguridad del paciente puede definirse como la ausencia de daños evitables a un paciente y la minimización del riesgo de daños en la prestación de la atención médica.⁶ Como líderes en seguridad del paciente, los profesionales de la anestesia han estado a la vanguardia de la investigación, la mejoría de la calidad, la adopción de tecnología y la incorporación de principios de ingeniería para reducir los daños y riesgos para los pacientes. El desafío de dar cuidado de anestesia segura en la medicina perioperatoria actual puede convertirse en una preocupación de seguridad del paciente por sí misma, ya que la complejidad de las condiciones del paciente, la velocidad de la prestación de la atención, la escala de los sistemas médicos, los desafíos en la comunicación de la multiespecialidad y el mero volumen de datos generados aumentan con el tiempo. La necesidad de que los equipos de atención de anestesia amplíen sus conocimientos, presencia y eficacia en el entorno de atención perioperatoria y médica nunca ha sido mayor, sobre todo cuando el estrés sobre el personal es enorme.

Para responder a los retos actuales en la prestación de atención médica y seguir cumpliendo la promesa de seguridad del paciente, los equipos de atención de anestesia deben comprender las tecnologías emergentes y las que están disponibles para ayudar a mejorar la seguridad del paciente. La IA es una de las principales tecnologías emergentes que ya ha cambiado el mundo fuera de la atención médica y que está a punto de ser adoptada de forma más generalizada en la atención médica. Para avanzar de forma responsable en el campo de la seguridad perioperatoria del paciente, los profesionales de la anestesia deben comprender los principios de la IA, las posibilidades, los riesgos, la ética y el uso de la IA en la práctica clínica. Esto necesitará de la asociación y colaboración de un equipo diverso dentro de la atención médica, incluyendo la capacidad de los profesionales de la anestesia para comunicarse eficazmente con científicos, informáticos, analistas de datos y expertos en inteligencia artificial.

VISIÓN GENERAL DE LAS APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN ANESTESIOLOGÍA

La IA puede definirse en términos generales como la capacidad de una computadora o dispositivo para analizar un gran volumen de datos de atención médica complejos, revelar conocimientos, identificar riesgos y oportunidades y respaldar la mejora en la toma de decisiones.⁷ Aunque el campo de la IA evoluciona rápidamente, las principales técnicas usadas en la atención médica incluyen el aprendizaje automático, el procesamiento del lenguaje natural,³ y la combinación de la IA con el apoyo en la toma de decisiones clínicas mediante el desarrollo de interfaces gráficas de usuario.

El aprendizaje automático es una de las formas más comunes de IA y puede ser considerada como una técnica estadística para ajustar modelos a los datos con la computadora “aprendiendo” a cómo entenderlos, usando conjuntos de datos de entrenamiento como ejemplos.⁸ Las formas avanzadas de aprendizaje automático incluyen las redes neuronales y el aprendizaje profundo. Algunos ejemplos recientes de aprendizaje automático en anestesiología incluyen estudiar qué variables eran predictivas de la hipotensión posinducción a partir de ldatos de los expedientes médicos electrónicos,⁹ la predicción del valor del índice biespectral (BIS™, Medtronic, Dublín, Irlanda) basado en el historial de infusión de propofol y remifentanilo¹⁰ o la predicción de la mortalidad posoperatoria intrahospitalaria a partir de datos preoperatorios e intraoperatorios.¹¹

El procesamiento del lenguaje natural es una forma de IA que se puede usar para extraer información relevante de datos de texto no estructurados. Por ejemplo, el procesamiento del lenguaje natural se utilizó recientemente en un estudio retrospectivo para evaluar si un texto libre no estructurado de las condiciones médicas en los registros médicos electrónicos podía ser extraído por una computadora y utilizarlo para generar un informe automatizado de evaluación preanestésica. Los resultados se centraron en cuan a menudo el software de procesamiento del lenguaje natural reconocía las condiciones médicas en comparación con un profesional de la anestesia. El estudio indicaba que el procesamiento del lenguaje natural era capaz de detectar condiciones relevantes que el médico pasó por alto en el 16,57% de los casos y pasó por alto condiciones relevantes detectadas por los médicos clínicos en solo 2,19% de los casos.¹² Las oportunidades de usar el procesamiento del lenguaje natural para ampliar y aumentar la capacidad de un profesional de la anestesia en un entorno de atención complejo con recursos de personal limitados es un uso convincente de la IA para la seguridad del paciente.

La inteligencia artificial también se puede usar con los sistemas de apoyo a las decisiones clínicas, que pueden encontrarse en la atención de anestesia moderna, donde el sistema de gestión de la información de anestesia puede dar recordatorios electrónicos al equipo de anestesia sobre la dosis perioperatoria de antibióticos, el uso de la profilaxis de náuseas y vómitos posoperatorios en pacientes de alto riesgo y ayudar con el manejo de la glucosa en sangre. Un metaanálisis reciente demostró que el apoyo en la toma de decisiones clínicas puede mejorar el cumplimiento de la profilaxis antibiótica perioperatoria.¹³ Las funciones futuras de la IA en el apoyo a la toma de decisiones clínicas para mejorar la seguridad del paciente incluirían dar recomendaciones sobre el antibiótico ideal teniendo en cuenta la información del expediente médico electrónico, la historia médica y el procedimiento quirúrgico del paciente. La IA también se puede usar para mejorar la seguridad del paciente perioperatorio mediante la detección temprana del deterioro clínico y dar apoyo a la toma de decisiones clínicas para el manejo óptimo de los cambios fisiológicos intraoperatorios.

EL QUÍNTUPLE OBJETIVO

El impacto directo de la IA en la seguridad del paciente perioperatorio se puede entender a través de la lente del Quíntuple Objetivo (Figura 1). El Quíntuple Objetivo es el siguiente paso propuesto para mejorar la seguridad del paciente y la calidad de la atención dada. El Instituto para la Mejoría del Cuidado de la Salud introdujo el Triple Objetivo en 2008, como marco para mejorar la experiencia del paciente, tratar la salud de la población y reducir los costos como claves para la transformación de la atención médica.¹⁴ En 2014, se introdujo el Cuádruple Objetivo para incluir el bienestar de los médicos clínicos, en respuesta a la investigación que demostraba que el compromiso y el agotamiento de los médicos clínicos provocaban más incidentes de seguridad y reducían la calidad de la atención.¹⁵ Muchos grupos certificados, tales como el Comité Nacional para el Aseguramiento de la Calidad (National Committee for Quality Assurance) y la Comisión Conjunta (Joint Commission), reconocieron la importancia de cumplir el Triple y el Cuádruple Objetivo. En 2022, se propuso añadir un quinto objetivo al Quíntuple Objetivo: promover la equidad médica. Con ello se reconocía que dar atención segura y de alta calidad a las poblaciones y para lograr los otros objetivos implicaban centrarse en medir, estudiar y tratar activamente las disparidades.¹⁶

La IA puede desempeñar un papel fundamental en la seguridad del paciente perioperatorio desde la óptica del Quíntuple Objetivo. En el complejo sistema moderno de prestación de atención médica, la IA puede ayudar a los profesionales de la anestesia a tratar los cinco objetivos del Quíntuple Objetivo, que podría luego traducirse en una mejora de la seguridad y calidad de la atención en el perioperatorio continuo. Se dan diversos ejemplos de posibles aplicaciones de la IA en el marco del Quíntuple Objetivo para mejorar la seguridad de los pacientes y la calidad en la Figura 2.

EN RESUMEN

Aprovechar la IA para mejorar la seguridad de los pacientes en anestesiología tomará una cantidad significativa de trabajo de médicos clínicos individuales, grupos de anestesiología, sistemas de atención médica y organismos reglamentarios tales como la Administración de Alimentos y Medicamentos de los EE. UU. (FDA). La IA no está tan extendida en la práctica clínica como algunos habrían esperado hace solo cinco años. Además, la adopción de la IA con la ciencia y la práctica de la seguridad del paciente aún necesitará tiempo para madurar. Muchos acontecimientos presagian la integración real de la IA y la seguridad del paciente perioperatorio. Las nuevas vías regulatorias desarrolladas por la FDA en 2019 han reducido las barreras reglamentarias y la subsiguiente incertidumbre económica para permitir a las empresas desarrollar la aplicación de IA en la atención médica. A diferencia de los dispositivos médicos tradicionales, la naturaleza de las actualizaciones de software y otras diferencias significaban que el software de IA y aprendizaje automático necesitaba ser reglamentado en virtud de su propia vía como un dispositivo médico. Con una mayor claridad en la reglamentación y la mejora de la investigación y el desarrollo en IA dentro de la atención médica, es probable que aumente el despliegue de la IA a nivel individual y del sistema médico.

Otras consideraciones importantes de la IA en la atención médica incluyen garantizar niveles transparentes de comprensión sobre cómo se diseñan los algoritmos y minimizar y eliminar el sesgo asociado a los algoritmos de IA.¹⁷ Por ejemplo, los algoritmos de IA que ayudan a mejorar el rendimiento de los médicos clínicos también deben comprenderse por los equipos que los utilizan, que incluye un nivel de transparencia en el funcionamiento de los algoritmos.¹⁸ Además, debe prestarse especial atención al desarrollo fundacional de los algoritmos de IA y a los datos usados para generar herramientas de IA para reducir los riesgos de sesgo racial/origen étnico, socioeconómico y estadístico.^18-20

CONCLUSIÓN

Para avanzar en el campo de la anestesiología y la seguridad del paciente perioperatorio, será necesario aprender e incorporar tecnologías emergentes tal como la IA en el campo de la anestesiología clínica. Para que la IA sea eficaz, la implementación de análisis con base en datos con paradigmas de seguridad del paciente en anestesiología necesitará que las organizaciones innoven apoyando el desarrollo y la creación de equipos multidisciplinarios de médicos clínicos, científicos de datos, ingenieros, informáticos y científicos de seguridad del paciente. A medida que la prestación de atención de anestesia continúa evolucionando, la naturaleza multidisciplinaria de la seguridad del paciente perioperatorio deberá responder con un enfoque, un equipo y una solución multidisciplinaros e innovadores; uno que aproveche la escalabilidad y las fortalezas de la IA a través la óptica del Quíntuple Objetivo.

 

Jonathan Tan, MD, MPH, MBI, FASA, es profesor asistente de Anestesiología Clínica y Ciencias Espaciales (Spatial Sciences) en el Children’s Hospital Los Angeles, la Keck School of Medicine en la University of Southern California y el Spatial Sciences Institute en la University of Southern California, Los Ángeles, CA.

Maxime Cannesson, MD, PhD, es profesor de anestesiología y director en el Departamento de Anestesiología y Medicina Perioperatoria de David Geffen School of Medicine, University of California, Los Ángeles.CA.

---

Declaraciones: Jonathan Tan, MD, MPH, MBI, FASA, recibe subvenciones para investigación de la Fundación para la Seguridad del Paciente de Anestesia (APSF) y la Fundación para la Educación e Investigación en Anestesia (FAER).

Maxime Cannesson, MD, PhD, es consultor de Masimo y Edwards Lifesciences, recibe apoyo para investigación de Masimo y Edwards Lifesciences, es accionista de Sironis y Perceptive Medical y recibe regalías de Edwards Lifesciences.

---

Referencias

1. Grossman LV, Choi SW, Collins S, et al. Implementation of acute care patient portals: recommendations on utility and use from six early adopters. J Am Med Inform Assoc. 2018;25:370–379. PMID: 29040634.
2. Macrae C. Governing the safety of artificial intelligence in healthcare. BMJ Qual Saf. 2019;28:495–498. PMID: 30979783.
3. Choudhury A, Asan O. Role of artificial intelligence in patient safety outcomes: systematic literature review. JMIR Med Inform. 2020;8:e18599. PMID: 32706688.
4. Dalal AK, Fuller T, Garabedian P, et al. Systems engineering and human factors support of a system of novel EHR-integrated tools to prevent harm in the hospital. J Am Med Inform Assoc. 2019;26:553–560. PMID: 30903660.
5. Maddox TM, Rumsfeld JS, Payne PRO. Questions for artificial intelligence in health care. JAMA. 2019;321:31–32. PMID: 30535130
6. World Health Organization. Patient Safety. Sept 13, 2019. Accessed November 8, 2022. https://www.who.int/news-room/fact-sheets/detail/patient-safety#:~:text=What%20is%20Patient%20Safety%3F,during%20provision%20of%20health%20care.
7. Hashimoto DA, Rosman G, Rus D, Meireles OR. Artificial intelligence in surgery: promises and perils. Ann Surg. 2018;268:70–76. PMID: 29389679.
8. Bi Q, Goodman KE, Kaminsky J, Lessler J. What is machine learning? A primer for the epidemiologist. Am J Epidemiol. 2019; 188: 2222–2239. PMID: 31509183.
9. Kendale S, Kulkarni P, Rosenberg AD, Wang J. Supervised machine-learning predictive analytics for prediction of postinduction hypotension. Anesthesiology. 2018;129:675–688. PMID: 30074930.
10. Lee HC, Ryu HG, Chung EJ, Jung CW. Prediction of bispectral index during target-controlled infusion of propofol and remifentanil: a deep learning approach. Anesthesiology. 2018;128:492–501. PMID: 28953500.
11. Lee CK, Hofer I, Gabel E, et al. Development and validation of a deep neural network model for prediction of postoperative in-hospital mortality. Anesthesiology. 2018;129:649–662. PMID: 29664888.
12. Suh HS, Tully JL, Meineke MN, et al. Identification of preanesthetic history elements by a natural language processing engine [published online ahead of print, 2022 Jul 15]. Anesth Analg. 2022 Dec 1;135:1162–1171. PMID: 35841317.
13. Simpao AF, Tan JM, Lingappan AM, et al. A systematic review of near real-time and point-of-care clinical decision support in anesthesia information management systems. J Clin Monit Comput. 2017;31:885–894. PMID: 27530457.
14. Berwick DM, Nolan TW, Whittington J. The triple aim: care, health, and cost. Health Aff (Millwood). 2008;27:759–769. PMID: 18474969.
15. Bodenheimer T, Sinsky C. From triple to quadruple aim: care of the patient requires care of the provider. Ann Fam Med. 2014;12:573–576. PMID: 25384822.
16. Nundy S, Cooper LA, Mate KS. The quintuple aim for health care improvement: a new imperative to advance health equity. JAMA. 2022;327:521–522. PMID: 35061006.
17. Canales C, Lee C, Cannesson M. Science without conscience is but the ruin of the soul: the ethics of big data and artificial intelligence in perioperative medicine. Anesth Analg. 2020;130:1234–1243. PMID: 32287130.
18. Diallo MS, Tan JM, Heitmiller ES, Vetter TR. Achieving greater health equity: an opportunity for anesthesiology. Anesth Analg. 2022;134:1175–1184. PMID: 35110516.
19. Amann J, Blasimme A, Vayena E, et al. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Med Inform Decis Mak. 2020; 310 (20). PMID: 33256715.
20. Parikh RB, Teeple S, Navathe AS. Addressing bias in artificial intelligence in health care. JAMA. 2019; 322:2377–2378. PMID: 31755905.