Implementación de la inteligencia artificial en la medicina de la transfusión: abordar los desafíos de la adopción...

Área de la Ciencia:

• Informática biomédica La informática biomédica es un campo de la informática biomédica.
• Servicios de salud Servicios de salud Investigación Investigación.
• Patología Clínica Patología Clínica.

Sus antecedentes:

• La inteligencia artificial (IA) y el aprendizaje automático (ML) son cada vez más reconocidos por su potencial para mejorar la transfusión y la gestión de la sangre del paciente.
• A pesar de la promoción, la integración en el mundo real de la IA / ML en estas áreas clínicas sigue siendo limitada.

Objetivo del estudio:

• Revisar estudios ejemplares sobre el despliegue de IA/ML en la transfusión y el manejo de la sangre del paciente.
• Identificar las características traslacionales, las barreras y los habilitadores para la integración de la IA / ML en los flujos de trabajo clínicos.

Principales métodos:

• Se realizó una búsqueda sistemática de PubMed y Web of Science de artículos desde enero de 2022 en adelante.
• Se seleccionaron tres estudios prospectivos con integración de flujo de trabajo para un análisis detallado de la implementación de IA / ML.

Principales resultados:

• Los ejemplares incluyeron una herramienta de laboratorio para la predicción de ferritina, una aplicación para pacientes para la estimación de hemoglobina y una herramienta clínica para necesidades de reanimación de trauma.
• Los facilitadores comunes fueron la alineación de las necesidades clínicas, la infraestructura existente, los modelos interpretables y la participación de las partes interesadas.
• Las barreras clave incluyeron la calidad de los datos, la generalización y la falta de evaluación económica; ningún estudio mostró mejores resultados clínicos o costos.

Conclusiones:

• La adopción exitosa de IA / ML requiere una integración perfecta en los flujos de trabajo de rutina con planes sólidos de seguridad, monitoreo y regulación.
• La investigación futura debe priorizar los marcos de implementación, evaluar los impactos posteriores y centrarse en soluciones escalables como el análisis integrado en el laboratorio y las herramientas digitales para pacientes.