Utilizando estadísticas avanzadas e IA para mejorar la salud

Matlin Gilman, doctorado en 2026, estudia los efectos de salud del mundo real de las decisiones de política y construye herramientas de inteligencia artificial para avanzar en la atención médica.

Después de una década trabajando en investigación de políticas de salud en universidades, organizaciones sin fines de lucro y el gobierno federal, Matlin Gilman llegó a la Escuela de Salud Pública de Harvard T.H. con la firme creencia de que, como él lo dijo: «el análisis de políticas riguroso y la ciencia de datos moderna pueden ser herramientas poderosas para mejorar la salud de las personas y promover la equidad en salud».

Como candidato a doctorado en ciencias de la salud de la población en la Escuela de Artes y Ciencias Kenneth C. Griffin de Harvard, Gilman ha trazado un camino académico único en busca de convertir esa idea en realidad. Dentro del Departamento de Ciencias Sociales y del Comportamiento de la Escuela de Salud Pública de Harvard, se ha centrado en cómo analizar los efectos en la salud de las decisiones de política utilizando métodos estadísticos avanzados. Y como estudiante de registro cruzado en la Escuela de Ingeniería y Ciencias Aplicadas John A. Paulson de Harvard (Harvard SEAS), se ha centrado en estudiar técnicas de inteligencia artificial (IA) y aprendizaje automático para ayudar a capacitar a hospitales y médicos para mejorar la atención al paciente.

Medición de los efectos de las prohibiciones del aborto

Cuando la Corte Suprema de EE. UU. anuló las protecciones federales al aborto en junio de 2022, la atención médica reproductiva cambió drásticamente. Trece estados prohibieron el aborto ese año y cuatro más han promulgado prohibiciones desde entonces. Para su tesis, Gilman se propuso medir cómo estas prohibiciones estatales de aborto impactaron en los resultados de salud reproductiva, materna e infantil en los dos años siguientes al fallo de la Corte Suprema.

«El acceso a la atención reproductiva cambió drásticamente en algunos estados y no cambió en absoluto en otros», dijo Gilman. «Ese tipo de variación hace posible estudiar la causa y el efecto, pero solo si se puede construir una imagen creíble de lo que hubiera pasado sin las prohibiciones».

Para construir esta imagen, Gilman utilizó la modelización bayesiana, un enfoque estadístico que integra dinámicamente nuevos datos para mejorar las predicciones. Construyó un modelo que predecía los resultados de salud reproductiva a nivel estatal si el acceso al aborto hubiera sido respetado, teniendo en cuenta la trayectoria previa a la prohibición de cada estado, así como las tendencias nacionales más amplias, como los cambios en la economía y la pandemia de COVID-19 que el modelo capturó indirectamente. «La diferencia entre las predicciones del modelo y los resultados de salud reproductiva que realmente se produjeron fue el efecto estimado de las prohibiciones», explicó Gilman.

Gilman encontró que en los estados que introdujeron prohibiciones al aborto, las tasas de natalidad aumentaron más de lo que se habría esperado sin las prohibiciones, especialmente entre las mujeres hispanas y negras y las mujeres cuyo mayor logro educativo fue la secundaria. En contraste, Gilman dijo: «No vimos un efecto significativo entre las mujeres con un título universitario, lo que sugiere que las soluciones disponibles para algunas poblaciones, como la telemedicina ampliada o viajar a otro estado para recibir atención de aborto, pueden estar fuera del alcance para otros».

La investigación de Gilman también encontró aumentos en la mortalidad neonatal, muertes dentro de los primeros 28 días de vida, en los estados con prohibiciones, impulsados en gran medida por muertes por graves defectos de nacimiento. Estos estados también tuvieron tasas más altas de mortalidad entre los bebés negros de lo esperado. Gilman no encontró un efecto estadísticamente detectable en la mortalidad materna, aunque señaló que las muertes maternas son lo suficientemente raras como para que los pequeños cambios sean difíciles de detectar. «El impacto completo de las prohibiciones del aborto en la salud materna puede tardar años en emerger», dijo.

Construcción de herramientas de IA para la atención médica

Durante su tiempo en la Escuela de Salud Pública de Harvard, el enfoque de Gilman se expandió más allá de medir los efectos de las políticas. Se interesó en explorar cómo la información compleja de la atención médica podría volverse más accesible y útil para las personas que necesitan actuar sobre ella, ya sea un hospital tratando de entender su propio desempeño o un médico buscando la mejor evidencia disponible.

Gilman decidió complementar sus estudios de salud pública con el estudio de la ciencia de datos. Se registró cruzadamente en Harvard SEAS, centrándose en el aprendizaje automático, la arquitectura detrás de grandes modelos de lenguaje y la ingeniería.

Para uno de sus proyectos en Harvard SEAS, analizó el programa de Compra de Atención Hospitalaria Basada en el Valor de Medicare, que ajusta los reembolsos hospitalarios, en hasta millones de dólares, en función de los resultados clínicos, la seguridad, la experiencia del paciente y la eficiencia. Construyó un modelo de aprendizaje automático para predecir si un hospital recibiría reembolsos más altos o más bajos según su desempeño, e identificó qué factores eran más importantes para esa predicción.

«El modelo muestra a los hospitales individuales en qué enfocarse para mejorar su desempeño en el programa. La experiencia del paciente y la eficiencia impulsaron las predicciones más que los otros dominios», dijo. «Esa es información especialmente valiosa para los hospitales de seguridad social, que a menudo enfrentan inestabilidad financiera».

En otro proyecto, Gilman concibió una aplicación web impulsada por IA que los clínicos podrían usar para buscar de manera efectiva y eficiente a través de la literatura médica publicada para mantenerse al día con los hallazgos de investigación actuales, una tarea monumental ya que se publican miles de nuevos estudios diariamente. Construyó la herramienta con sus compañeros de clase de Harvard SEAS. Utiliza grandes modelos de lenguaje para comprender el significado de la pregunta del usuario, luego recupera estudios relevantes de una base de datos indexada de investigación médica y genera una respuesta sintetizada con citas directas. Cada estudio citado está etiquetado con su estado de conflicto de intereses, cuán ampliamente ha sido citado y cuán recientemente fue publicado. Los usuarios pueden filtrar los resultados en cualquiera de estos atributos y cambiar entre modos clínicos e investigativos para que las respuestas se adapten a sus necesidades.

«La literatura es vasta y nadie puede leerlo todo», dijo Gilman. «Creamos una herramienta que sintetiza la evidencia, la vincula a sus fuentes y permite al usuario decidir qué estudios priorizar, para que las respuestas sean útiles y verificables».

Mirando hacia el futuro

A medida que se acerca la finalización de su doctorado, Gilman está explorando roles en la academia, los sistemas de salud y la tecnología. Su objetivo final es utilizar los datos para ayudar a mejorar los resultados de salud y hacer que el bienestar sea alcanzable en todas las comunidades.

«T…

Última actualización

Obtenga las últimas noticias de salud pública

Manténgase conectado con la Escuela de Salud Pública de Harvard.