Optimización de la auditoría interna de los registros quirúrgicos: un enfoque basado en IA
DOI:
https://doi.org/10.59681/2175-4411.v17.2025.1478Palabras clave:
Auditoría hospitalaria, Inteligencia artificial, Aprendizado AutomáticoResumen
Objetivo: El objetivo fue desarrollar un asistente de auditoría hospitalaria basado en Inteligencia Artificial Generativa, capaz de analizar y clasificar información de las historias clínicas quirúrgicas, para apoyar los procedimientos de auditoría interna en el Hospital das Clínicas de la Universidad Federal de Pernambuco (HC-UFPE). Métodos: La metodología consistió en el entrenamiento de un modelo amplio de lenguaje (LLM) con datos validados por especialistas, seguido de la evaluación de su desempeño mediante sensibilidad, especificidad, índice Kappa y Área bajo la curva ROC. La base de datos utilizada fue la Aplicación de Gestión para Hospitales Universitarios (AGHU), de donde los datos fueron extraídos en formato json, tras el preprocesamiento y tratamiento en el software Metabase. Se adoptó el ecosistema de OpenAI mediante la personalización de ChatGPT, modelo GPT-4o. Se utilizó la técnica de prompt engineering, seguida de la técnica de fine-tuning en el proceso de entrenamiento. Resultados: Los resultados obtenidos en el desarrollo del asistente virtual para auditoría hospitalaria demostraron una sensibilidad del 96,8%, una especificidad de aproximadamente 77%, un índice Kappa de 0,78 y un AUC ROC del 86,95%, lo que indica que el modelo es capaz de analizar historias clínicas con alta precisión. Los resultados demostraron que el asistente logra replicar eficazmente las evaluaciones humanas, evidenciando un potencial significativo para transformar la práctica de la auditoría hospitalaria. Conclusión: se concluye que el asistente de auditoría hospitalaria puede optimizar los procesos del sector propuesto, promoviendo apoyo, seguridad, precisión y amplitud en la auditoría de historias clínicas.
Descargas
Citas
Pinheiro MB, Campos RKGG, Maniva SJC de F, Rolim KMC, Bonfim IM. Tecnologias disponíveis para o processo de auditoria interna em classificação de risco: revisão integrativa. Rev Bras Pesqui Em SaúdeBrazilian J Health Res. 2023;25(4):81–8.
Jacomini LDS, Mangiavacchi BM. AUDITORIA HOSPITALAR COMO INSTRUMENTO NA PREVENÇÃO DE ERROS MEDICAMENTOSOS. Múltiplos Acessos. 9 de junho de 2021;6(1):199–207.
Ceretta JC, Seibert RM, Callegaro ARC. Gestão hospitalar: a auditoria operacional como ferramenta estratégica para o controle de desperdícios. Rev Gest E Secr. 1o de março de 2023;14(3):2663–75.
Pimentel LCL, Virginio JPA, Albernaz CB, Souza DP de, Jesus CAC de, Paranaguá TT de B, et al. Avaliação da qualidade dos registros do processo de enfermagem por meio de auditoria retrospectiva. Rev Enferm UERJ. 12 de dezembro de 2023;31:e77316–e77316.
Caixeta FDC, Silva AA, Ferreira MV, Sales RDCA. AUDITORIA EM SAÚDE: NÃO CONFORMIDADES EM REGISTROS DE PRONTUÁRIOS CIRÚRGICOS. Int J Health Sci. 30 de outubro de 2024;3(2):181–2.
White J, Fu Q, Hays S, Sandborn M, Olea C, Gilbert H, et al. A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT [Internet]. arXiv; 2023 [citado 25 de março de 2025]. Disponível em: http://arxiv.org/abs/2302.11382
Liu NF, Lin K, Hewitt J, Paranjape A, Bevilacqua M, Petroni F, et al. Lost in the Middle: How Language Models Use Long Contexts [Internet]. arXiv; 2023 [citado 25 de março de 2025]. Disponível em: http://arxiv.org/abs/2307.03172
An S, Ma Z, Lin Z, Zheng N, Lou JG. Make Your LLM Fully Utilize the Context [Internet]. arXiv; 2024 [citado 25 de março de 2025]. Disponível em: http://arxiv.org/abs/2404.16811
Baker GA, Raut A, Shaier S, Hunter LE, Wense K von der. Lost in the Middle, and In-Between: Enhancing Language Models’ Ability to Reason Over Long Contexts in Multi-Hop QA [Internet]. arXiv; 2024 [citado 25 de março de 2025]. Disponível em: http://arxiv.org/abs/2412.10079
Chang Y, Wang X, Wang J, Wu Y, Yang L, Zhu K, et al. A Survey on Evaluation of Large Language Models [Internet]. arXiv; 2023 [citado 25 de março de 2025]. Disponível em: http://arxiv.org/abs/2307.03109
Verspoor K. “Fighting fire with fire” - using LLMs to combat LLM hallucinations. Nature. junho de 2024;630(8017):569–70.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Rita de Cássia Almeida Sales, Isaura Romero Peixoto, Shirley da Silva Jacinto de Oliveira Cruz, Wellington Pinheiro dos Santos
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
