La IA Puede Simplificar Informes para Pacientes
Los modelos de lenguaje (LLMs) logran producir versiones de informes radiológicos significativamente más comprensibles para pacientes que los reportes originales escritos por médicos — pero errores críticos en modelos open-source encienden una alerta importante. Un estudio publicado en European Radiology probó tres LLMs diferentes en la simplificación de 60 informes de radiografía, TC, RM y ecografía.
La demanda es real: cada vez más pacientes quieren acceso directo a sus informes de imagen. Sin embargo, el lenguaje técnico hace que la comprensión sea prácticamente imposible para personas sin formación médica.
Hallazgos del Estudio
Investigadores alemanes probaron ChatGPT-4o y dos LLMs open-source (Llama-3-70B y Mixtral-8x22B) implementados localmente en sus hospitales. Los modelos generaron resúmenes a nivel de lectura de octavo grado, preservando información clínica esencial.
- Los informes originales obtuvieron una puntuación de legibilidad Flesch de solo 17, contra 44-46 en las versiones generadas por IA
- La comprensibilidad subió de 1,5 a 4,1-4,4 en una escala de 5 puntos
- Los dos LLMs open-source presentaron tasas de errores críticos de 8,3% a 10%, mientras ChatGPT-4o no tuvo errores críticos
Modelos Locales versus Nube
La cuestión de los errores críticos en modelos open-source es particularmente preocupante. Muchas instituciones prefieren LLMs implementados localmente por privacidad del paciente, pero los modelos locales probados demostraron tasas de error que podrían resultar en daño al paciente.
Para profesionales que trabajan con integración de sistemas DICOM, esta tecnología representa una capa adicional que puede integrarse a flujos de trabajo existentes con tecnología PACS e IA.
Perspectivas
El estudio señala un futuro donde tareas como la simplificación de informes podrán delegarse a algoritmos de IA generativa — con la salvedad de que queda mucho trabajo para garantizar seguridad y privacidad del paciente.
Fuente: The Imaging Wire