Los médicos toman decisiones críticas con limitaciones de tiempo todos los días. El uso de modelos de lenguaje médico predictivos basados en datos existentes ayudan a los profesionales de la salud en la toma de decisiones.
Aunque estos modelos tienen limitaciones en cuanto al procesamiento de datos y el desarrollo de los modelos, lo que dificulta su implementación en la práctica diaria.
Para superar estas limitaciones, se propone el uso de notas clínicas no estructuradas de historias clínicas electrónicas para entrenar modelos de lenguaje clínico, los cuales pueden ser utilizados como motores predictivos clínicos de uso múltiple con mayor facilidad de desarrollo e implementación.
El enfoque propuesto se basa en el desarrollo de un gran modelo de lenguaje médico llamado NYUTron, el cual es entrenado utilizando avances recientes en el procesamiento del lenguaje natural. Posteriormente, este modelo es ajustado para diversas tareas predictivas clínicas y operativas.
La investigación evaluó el desempeño de NYUTron en cinco tareas dentro de un sistema de salud, incluyendo la predicción de readmisión a 30 días, mortalidad hospitalaria, índice de comorbilidad, duración de la estancia y denegación de seguro.
Resultados de la investigación utilizando modelos de lenguaje médico
Los resultados mostraron que NYUTron obtuvo un área bajo la curva (AUC) entre 78.7% y 94.9%, lo cual representó una mejora de 5.36% a 14.7% en comparación con los modelos tradicionales utilizados. Además, se demostraron los beneficios del entrenamiento previo con texto clínico, el potencial para aumentar la generalización a diferentes sitios y el despliegue completo del sistema en un ensayo prospectivo.
Los datos sugieren el potencial de utilizar modelos de lenguaje clínico en medicina para brindar apoyo a los médicos en el punto de atención. Los modelos pueden leer junto con los médicos, proporcionando orientación en la toma de decisiones críticas.
La integración de los modelos en flujos de trabajo clínicos, como la escritura de notas y la realización de pedidos electrónicos, puede facilitar su implementación en tiempo real.
Se destaca la importancia del uso de modelos de lenguaje grande (LLM) en el análisis predictivo médico. Estos modelos neuronales masivos han demostrado su eficacia en la interpretación del lenguaje humano y podrían resolver el “problema de la última milla” en el desarrollo y despliegue de modelos predictivos médicos.
Al utilizar las notas escritas por los médicos como fuente de información, los LLM pueden acceder rápidamente a una descripción completa del estado médico de un paciente, brindando soporte en diversas tareas clínicas y operativas.
Aquí se demuestra que el uso de modelos de lenguaje clínico entrenados con notas clínicas no estructuradas puede mejorar la precisión de los modelos clínicos predictivos.
Dichos modelos tienen el potencial de ser utilizados como herramientas de apoyo a la toma de decisiones en medicina, trabajando en conjunto con los médicos para proporcionar información relevante en el punto de atención, en condiciones de extrema urgencia o una amplia gama de tareas predictivas médicas.
El estudio completo pueden encontrarlo aquí.
