La IA generativa descubre riesgos no detectados de exposición a la gripe aviar en los departamentos de emergencias de Maryland

Investigadores de la Facultad de Medicina de la Universidad de Maryland han desarrollado una aplicación nueva y altamente efectiva de una herramienta de inteligencia artificial (IA) para escanear rápidamente las notas en registros médicos electrónicos e identificar pacientes de alto riesgo que pueden haber sido infectados con influenza aviar H5N1 o “gripe aviar”, según nuevos hallazgos. publicado en el diario Enfermedades infecciosas clínicas.

Utilizando un modelo de lenguaje grande de IA generativo (LLM), el equipo de investigación analizó 13,494 visitas en los departamentos de emergencias del Hospital del Sistema Médico de la Universidad de Maryland (UMMS) de pacientes adultos en áreas urbanas, suburbanas y rurales en 2024. Todos estos pacientes habían tenido enfermedad respiratoria aguda (como tos, fiebre, congestión) o conjuntivitis, sintomentos consistentes con infecciones tempranas de H5N1. El objetivo era evaluar qué tan bien la IA generativa podría encontrar pacientes de alto riesgo que pudieran haber sido pasados ​​por alto en el momento del tratamiento inicial.

Escaneando todas las notas del departamento de emergencias, el modelo marcó 76 porque mencionaron una exposición de alto riesgo para la gripe aviar, como trabajar como carnicero o en una granja con ganado, como pollos o vacas. Por lo general, estas exposiciones se mencionaron incidentalmente, por ejemplo, documentando la ocupación de un paciente como carnicero o trabajador agrícola, y no por sospecha clínica de gripe aviar.

Después de una breve revisión del personal de investigación, se confirmó que 14 pacientes tuvieron una exposición reciente y relevante a animales que llevan H5N1, incluidas aves de corral, aves silvestres y ganado. Estos pacientes no fueron evaluados específicamente para H5N1, por lo que no se confirmaron sus posibles infecciones por la flu de aves, pero el modelo funcionó para encontrar esos casos de “aguja en un pajar” entre miles de pacientes tratados por gripe estacional y otras enfermedades respiratorias de rutina.

“Este estudio muestra cómo la IA generativa puede llenar un vacío crítico en nuestra infraestructura de salud pública mediante la detección de pacientes de alto riesgo que de otro modo pasarían desapercibidos”, dijo la autora correspondiente del estudio Katherine E. Goodman, Ph.D., JD, Profesor Asistente de Epidemiología y Salud Pública en UMSOM y miembro de la facultad de la Universidad del Instituto de Maryland para la Computación de Salud (UM-IHC).

“Con el H5N1 continuando circulando en los animales estadounidenses, nuestro mayor peligro en todo el país es que no sabemos lo que no sabemos. Debido a que no estamos rastreando cuántos pacientes sintomáticos tienen exposiciones potenciales a la gripe aviar, y cuántos de esos pacientes están siendo probados, las infecciones podrían no ser detectadas. Es vital para los sistemas de atención médica para monitorear la posible expresión humana y actuar rápidamente en la información”.

Desde principios de 2024, H5N1 ha infectado a más de 1,075 rebaños lecheros en 17 estados, y más de 175 millones de aves de aves y aves silvestres han dado positivo durante este período de brote. Los casos humanos identificados siguen siendo raros, con 70 infecciones confirmadas y solo una mortalidad en los EE. UU. A mediados de 2025, según los Centros para el Control y la Prevención de Enfermedades (CDC). Sin embargo, probablemente hay muchas más infecciones que no han sido detectadas debido a la falta de pruebas generalizadas. Además, podrían surgir nuevas cepas, permitiendo una propagación aérea de humano a humano, lo que conduciría a un aumento en los casos y una epidemia potencial.

“La revisión de la IA requirió solo 26 minutos de tiempo humano y costó solo tres centavos por nota del paciente, demostrando alta escalabilidad y eficiencia”, dijo el coautor del estudio Anthony Harris, MD, MPH, profesor y presidente interino de epidemiología y salud pública en UMSOM. “Este método tiene el potencial de crear una red nacional de sitios clínicos centinela para la vigilancia emergente de enfermedades infecciosas para ayudarnos a monitorear mejor epidemias recientemente emergentes”.

El LLM (GPT-4 Turbo) demostró un fuerte rendimiento al identificar las menciones de exposición a los animales, con un 90% valor predictivo positivo y un valor predictivo negativo del 98% cuando se evaluó en una muestra de 10,000 visitas históricas del departamento de emergencias de 2022-2023, antes de que circulara la gripe aviar en el ganado de los Estados Unidos. Sin embargo, el modelo fue conservador al identificar exposiciones específicamente relevantes para la influenza aviar, a veces marcando a los pacientes con contacto animal de bajo riesgo, como la exposición a los perros, lo que aumenta la necesidad de revisión humana de cualquier caso marcado.

A medida que crece el riesgo de infecciones transmitidas por los animales, los investigadores sugieren que los modelos de idiomas grandes también podrían usarse prospectivamente para alertar a los proveedores de atención médica en tiempo real. Esto podría incitarlos a estar más atentos a preguntar sobre la exposición potencial a los animales infectados, las pruebas dirigidas y el control de las infecciones aislando a los pacientes. El CDC se basa actualmente en informes de laboratorio obligatorios para rastrear influenza aviar Pero carece de sistemas para evaluar si los médicos preguntan o documentan exposiciones relevantes en pacientes sintomáticos.

Los investigadores esperan probar la próxima modelo de lenguaje grande Para la vigilancia prospectiva y el despliegue dentro del registro de salud electrónica, para la identificación en tiempo real más rápida de pacientes de alto riesgo. A medida que la temporada de virus respiratorio se reanuda en el otoño, tener una forma rápida y precisa de identificar a los pacientes que necesitan pruebas especiales para la gripe aviar o el aislamiento de precaución al recibir tratamiento, será especialmente crítico.

“Estamos a la vanguardia de una revolución disruptiva pero increíblemente prometedora en torno a big data e inteligencia artificial “, dijo el decano de Umsom Mark T. Gladwin, MD, quien también es el vicepresidente de asuntos médicos, la Universidad de Maryland, Baltimore (UMB) y el profesor distinguido de John Z. y Akiko K. Bowers.

“Los ingenieros e investigadores médicos que trabajan en el Instituto de Computación de Salud tienen acceso seguro a los registros médicos de los dos millones de pacientes que atendemos en todo Maryland, y como lo demuestra este estudio puede usar IA y Big Data para identificar señales tempranas de enfermedades infecciosas emergentes como gripe para pájaros para permitirnos tomar medidas antes para evaluar estas enfermedades y evitar que se propagen “.

Otros coautores de la facultad de UMSOM en el documento incluyen Laurence S. Magder, Ph.D., Profesor de Epidemiología y Salud Pública de Umsom, Jonathan D. Bagdadi, Ph.D., MD, Profesor Asociado de Epidemiología y Salud Pública en UMSOM, quien también está en la facultad de UM-IHC, y Daniel J. Umsom.