Implementación de modelos de lenguaje grandes en registros médicos electrónicos

Área de la Ciencia:

• Informática Clínica
• Inteligencia Artificial en la Atención Médica
• Documentación Médica

Sus antecedentes:

• Los registros médicos electrónicos (EHR) mejoran el acceso a los datos pero aumentan la carga de documentación del médico.
• Los modelos de lenguaje grandes (LLM) presentan una solución potencial para aliviar esta carga de trabajo.
• Existe una implementación limitada de LLM en el mundo real en sistemas hospitalarios activos.

Objetivo del estudio:

• Implementar y evaluar un asistente LLM seguro y local integrado con un sistema EHR.
• Evaluar la viabilidad y la participación del usuario de los LLM en un entorno clínico.
• Demostrar un modelo replicable para la implementación responsable de IA clínica.

Principales métodos:

• Desarrollo de un asistente LLM local compatible con GDPR utilizando Qwen3-235B con Generación Aumentada por Recuperación.
• Integración del asistente LLM en el EHR Epic de un hospital universitario europeo.
• Realización de un piloto de un mes con 28 médicos, seguido de un despliegue en todo el hospital durante cinco meses.

Principales resultados:

• Alto compromiso inicial en el piloto (64% de uso diario) con tareas comunes que incluyen resumen, recuperación de información y redacción de notas.
• Adopción sostenida en todo el hospital por 1.028 usuarios que generaron 14.910 conversaciones durante cinco meses.
• Uso constante centrado en el acceso a la información y el soporte de documentación, lo que indica la integración del flujo de trabajo.

Conclusiones:

• La integración de LLM a gran escala en entornos clínicos es técnicamente factible y alcanzable con la incrustación de EHR y las salvaguardias de privacidad.
• Los asistentes LLM pueden proporcionar valor sostenido para la recuperación de información clínica y la documentación.
• Se necesitan estrategias de monitoreo automatizado para complementar la retroalimentación voluntaria reducida durante el uso rutinario.