Por Arkmeds<\/p>\n\n\n\n
La inteligencia artificial puede ayudar a la ingenier\u00eda cl\u00ednica a organizar informaci\u00f3n e identificar aspectos que requieren atenci\u00f3n. Para que este apoyo resulte \u00fatil, el equipo de trabajo debe saber de d\u00f3nde proceden los datos, qu\u00e9 tarea realiza la herramienta y qui\u00e9n revisa el resultado. Comience por un problema concreto, como facilitar la consulta del historial o ayudar a completar los registros. Defina c\u00f3mo se evaluar\u00e1 el resultado.<\/p>\n\n\n\n
En la presentaci\u00f3n de Mark II, Arkmeds describe aplicaciones de IA que apoyan el an\u00e1lisis de datos, sugieren contenido para completar campos y generan alertas de inconsistencias. Estas funciones corresponden al tratamiento de la informaci\u00f3n dentro del software. Las mediciones las realizan los instrumentos utilizados en la intervenci\u00f3n. Conozca la propuesta de integraci\u00f3n de Mark II, en portugu\u00e9s<\/a>.<\/p>\n\n\n\n Describa la tarea en t\u00e9rminos sencillos. \u00bfQu\u00e9 informaci\u00f3n entra en el sistema? \u00bfQu\u00e9 debe producir? \u00bfQui\u00e9n recibe la respuesta? \u00bfQu\u00e9 evidencia permitir\u00e1 determinar si fue \u00fatil?<\/p>\n\n\n\n Una tarea bien delimitada facilita la evaluaci\u00f3n. Por ejemplo, el equipo de trabajo puede necesitar que un texto sugerido conserve la informaci\u00f3n de una orden de trabajo y ayude a se\u00f1alar los datos que faltan para su revisi\u00f3n. En ese caso, el criterio de \u00e9xito incluye la fidelidad a los hechos y la claridad sobre lo que a\u00fan falta.<\/p>\n\n\n\n El texto sugerido debe revisarlo alguien que conozca la intervenci\u00f3n y pueda comprobar la informaci\u00f3n en su fuente. Una respuesta bien redactada puede contener una interpretaci\u00f3n inadecuada o un dato que no figura en el registro.<\/p>\n\n\n\n Los datos incompletos o ambiguos dificultan cualquier an\u00e1lisis posterior. Para preparar la base de datos, comience por problemas que el propio equipo de trabajo pueda reconocer: activos duplicados, descripciones gen\u00e9ricas, fechas inconsistentes, campos sin unidades y \u00f3rdenes de trabajo cerradas sin explicar lo que se hizo.<\/p>\n\n\n\n Como revisi\u00f3n inicial, compruebe si los registros permiten responder:<\/p>\n\n\n\n Estas preguntas sirven para evaluar la informaci\u00f3n disponible, sin convertir cada orden de trabajo en un texto extenso. Una descripci\u00f3n objetiva y verificable puede resultar m\u00e1s \u00fatil que varios p\u00e1rrafos sin contexto. La extensi\u00f3n del texto, por s\u00ed sola, no mide su calidad.<\/p>\n\n\n\n Al evaluar una soluci\u00f3n, conviene distinguir tres or\u00edgenes de la informaci\u00f3n: valores obtenidos por instrumentos, campos completados mediante una integraci\u00f3n y contenido sugerido por IA. Cada origen requiere un tipo de comprobaci\u00f3n.<\/p>\n\n\n\n En el caso de un valor medido, se debe conservar su relaci\u00f3n con el instrumento, el activo y el procedimiento. Cuando un campo se completa autom\u00e1ticamente, hay que confirmar que el dato se incorpor\u00f3 al campo y a la orden de trabajo correctos. En una sugerencia de IA, se debe verificar que el contenido corresponda a las evidencias disponibles y que la interpretaci\u00f3n sea adecuada.<\/p>\n\n\n\n Identificar el origen de una informaci\u00f3n incorrecta ayuda a investigar la discrepancia y corregir el proceso que la produjo.<\/p>\n\n\n\n Un estudio publicado en 2023 evalu\u00f3 un problema concreto de la generaci\u00f3n de texto: las referencias bibliogr\u00e1ficas inventadas. Durante la primera semana de abril de ese a\u00f1o, los investigadores solicitaron revisiones bibliogr\u00e1ficas sobre 42 temas a GPT-3.5 y GPT-4 y verificaron 636 referencias incluidas en 84 textos. En esa muestra, el 55 % de las referencias de GPT-3.5 y el 18 % de las de GPT-4 no correspond\u00edan a trabajos reales. La comprobaci\u00f3n busc\u00f3 distinguir las obras inexistentes de los errores en los datos de publicaciones aut\u00e9nticas. Lea el estudio de Walters y Wilder en Scientific Reports<\/a>.<\/p>\n\n\n\n Estos porcentajes corresponden a la tarea, las versiones y el per\u00edodo estudiados. No miden los errores de IA en mantenimiento hospitalario, no describen las funciones de Arkmeds y no pueden extrapolarse a los modelos actuales. La ense\u00f1anza relevante para la documentaci\u00f3n t\u00e9cnica es m\u00e1s concreta: la apariencia de una referencia no confirma su existencia ni su pertinencia. Cuando una sugerencia mencione una norma, un manual, un procedimiento o una tolerancia, compruebe la fuente original y su aplicabilidad antes de incorporar la informaci\u00f3n al registro.<\/p>\n\n\n\n El perfil de riesgos de IA generativa publicado por el NIST en 2024 aborda expresamente la generaci\u00f3n de contenido falso presentado con seguridad. Recomienda verificar fuentes y citas, documentar la procedencia de los datos y evaluar las capacidades mediante m\u00e9todos emp\u00edricos, evitando extrapolaciones a partir de ejemplos limitados. Es una gu\u00eda voluntaria y multisectorial de gesti\u00f3n de riesgos, no una certificaci\u00f3n de sistemas de ingenier\u00eda cl\u00ednica. Consulte el NIST AI 600-1<\/a>.<\/p>\n\n\n\n Para aplicar estos principios a las \u00f3rdenes de trabajo, pruebe la herramienta con casos cuya informaci\u00f3n original est\u00e9 disponible y mantenga la distinci\u00f3n entre transcripci\u00f3n e interpretaci\u00f3n. Revise si se omiten asuntos pendientes, se a\u00f1aden hechos sin evidencia, se cambian unidades o se asocia informaci\u00f3n al activo equivocado. Registre qu\u00e9 sugerencias se aceptaron, corrigieron o rechazaron, junto con el tiempo de revisi\u00f3n. Estas comprobaciones permiten evaluar si la herramienta resulta \u00fatil en el flujo de trabajo real, en lugar de considerar la fluidez o la velocidad de generaci\u00f3n como sin\u00f3nimos de calidad.<\/p>\n\n\n\n Asigne una persona responsable de evaluar las sugerencias y establezca un proceso para tratar las inconsistencias. La revisi\u00f3n debe permitir rechazar una respuesta, pedir m\u00e1s contexto o devolver el registro para que se complete.<\/p>\n\n\n\n Comience con unos pocos registros de intervenciones y compare la salida de la herramienta con la informaci\u00f3n original. Registre los problemas encontrados, como la omisi\u00f3n de un asunto pendiente, el cambio de sentido de una observaci\u00f3n o la inclusi\u00f3n de un hecho no documentado.<\/p>\n\n\n\n Eval\u00fae tambi\u00e9n si la revisi\u00f3n encaja en la rutina del equipo de trabajo. Una sugerencia que requiere muchas correcciones puede indicar la necesidad de ajustar el caso de uso, los datos de entrada o la forma de presentaci\u00f3n. Mantenga la responsabilidad t\u00e9cnica y las decisiones sobre los equipos dentro del proceso institucional aplicable.<\/p>\n\n\n\n Elija indicadores coherentes con la tarea. Para el apoyo a la documentaci\u00f3n, se pueden controlar los registros devueltos para completar informaci\u00f3n, las sugerencias corregidas o rechazadas y el tiempo dedicado a la revisi\u00f3n. Defina qu\u00e9 significa cada indicador antes de comparar per\u00edodos.<\/p>\n\n\n\n Los cambios en el volumen o la complejidad de las intervenciones pueden afectar a los resultados. Describa el contexto y los l\u00edmites de cualquier mejora observada, sin convertir una experiencia local en una promesa para todas las operaciones.<\/p>\n\n\n\nComience por una tarea que se pueda revisar<\/h2>\n\n\n\n
La calidad comienza en la ficha del activo y la orden de trabajo<\/h2>\n\n\n\n
\n
Distinga entre medici\u00f3n, automatizaci\u00f3n y sugerencia<\/h2>\n\n\n\n
Por qu\u00e9 tambi\u00e9n hay que comprobar una referencia convincente<\/h2>\n\n\n\n
Defina qui\u00e9n revisa y c\u00f3mo se gestionan las discrepancias<\/h2>\n\n\n\n
Mida la utilidad con criterios definidos<\/h2>\n\n\n\n
Video sobre datos e inteligencia artificial<\/h2>\n\n\n\n