Investigadores de Mass General Brigham desarrollan modelos de IA predictivos que identificaron a pacientes en riesgo de violencia de pareja a partir de sus historiales médicos, años antes de que buscaran atención
Investigadores de Mass General Brigham han desarrollado una serie de herramientas de inteligencia artificial (IA) que utilizan el aprendizaje automático para identificar a personas que podrían estar en riesgo de violencia de pareja (VP) utilizando información de sus registros médicos electrónicos (RME). En un estudio publicado en npj Women’s Health, los investigadores informan que las herramientas podrían detectar la VP hasta cuatro años antes de que la persona buscara atención en un centro de tratamiento de violencia doméstica. Los hallazgos destacan su potencial para la detección proactiva y el apoyo a los proveedores de atención médica para iniciar conversaciones más tempranas sobre la VP con los pacientes.
“Nuestra investigación ofrece una prueba de concepto de que la IA puede ayudar a los clínicos a identificar posibles casos de abuso de manera más temprana”, dijo Bharti Khurana, MD, MBA, investigadora principal, autora correspondiente y fundadora del Trauma Imaging Research and Innovation Center y radióloga de emergencia en el Departamento de Radiología de Mass General Brigham. “La identificación temprana de la violencia de pareja y el riesgo futuro puede permitir a los clínicos intervenir antes y ayudar a prevenir consecuencias significativas para la salud mental y física”.
Más de un tercio de las mujeres y 1 de cada 10 hombres experimentarán VP en su vida; sin embargo, a pesar de su alta prevalencia, las personas rara vez revelan la VP a los proveedores de atención médica debido al miedo, el estigma o la dependencia financiera o psicosocial de la persona que los abusa. Investigaciones previas muestran que las personas que experimentan VP tienen más probabilidades de revelar el abuso si se les pregunta en privado por un proveedor de atención médica de confianza y de manera informada sobre el trauma.
Para promover la identificación e intervención temprana por parte de los proveedores de atención médica, el equipo de investigación de Khurana, en colaboración con investigadores del Massachusetts Institute of Technology (MIT) liderados por Dimitris Bertsimas, PhD, entrenó tres modelos de aprendizaje automático utilizando datos de RME de 673 mujeres que visitaron un centro de intervención y prevención de violencia doméstica en un centro de salud académico de EE. UU. Entre 2017 y 2022, así como 4169 controles demográficamente parecidos que no denunciaron VP.
Los tres modelos de IA probados incluyeron un modelo tabular que utiliza datos estructurados de RME, como diagnósticos, medicamentos e índice de privación social basado en el código postal; un modelo de notas que utiliza notas clínicas no estructuradas e informes de radiología y del departamento de emergencias; y un modelo de fusión que combina ambos tipos de datos llamado Holistic AI in Medicine (HAIM).
Cuando se probaron en 168 pacientes que visitaron el centro de intervención y prevención de la VP en el mismo período de tiempo y 1043 controles, los tres modelos mostraron una alta precisión, siendo el modelo de fusión el que alcanzó la más alta (88%). Cuando se probaron con registros médicos archivados y con fecha de hora, el modelo de fusión pudo predecir el 80,5% de los casos por adelantado, en promedio más de 3,7 años antes de que los pacientes buscaran atención.
Los modelos se validaron luego con datos de dos grupos de pacientes adicionales que no se incluyeron en los datos de entrenamiento o prueba, y controles, encontrando precisiones igualmente altas.
Investigaciones previas lideradas por Khurana encontraron que las mujeres que se someten con frecuencia a estudios de imagen en el departamento de emergencias y tienen tipos específicos de lesiones tienen más probabilidades de denunciar posteriormente la VP. Esta nueva investigación de IA identificó factores de riesgo adicionales para la VP: las personas con trastornos de salud mental, dolor crónico y visitas frecuentes al departamento de emergencias tenían más probabilidades de experimentar VP, mientras que los pacientes que accedían regularmente a servicios preventivos como mamografías e inmunizaciones tenían un menor riesgo.
Los autores señalan que las herramientas de IA se desarrollaron y validaron en pacientes que habían buscado atención o revelado VP, lo que puede limitar la precisión en la predicción de la VP en personas que tienen menos probabilidades de buscar atención o revelar la VP a los proveedores. Además, el grupo de control en los datos de entrenamiento puede haber incluido falsos negativos, o pacientes que estaban experimentando VP pero no lo denunciaron, lo que podría reducir la precisión del modelo. El entrenamiento futuro con conjuntos de datos de pacientes más grandes y diversos durante períodos de tiempo más largos mejorará su precisión, señaló Khurana.
