Los grandes modelos de lenguaje deconstruyen la intuición clínica detrás del diagnóstico del autismo

Área de la Ciencia:

• La neurociencia
• Inteligencia artificial
• Psicología clínica

Sus antecedentes:

• Los métodos actuales de diagnóstico para el trastorno del espectro autista (TEA) que utilizan ensayos genómicos o escáneres cerebrales han tenido un éxito limitado.
• La intuición clínica de los profesionales de la salud sigue siendo el método principal para diagnosticar TEA, lo que pone de relieve una brecha en las herramientas de diagnóstico objetivas.

Objetivo del estudio:

• Desconstruir y analizar la lógica detrás de la intuición clínica experta en el diagnóstico del autismo utilizando el aprendizaje profundo.
• Identificar los indicadores clave dentro de los informes clínicos que contribuyen a diagnósticos precisos de autismo.

Principales métodos:

• Modelos de lenguaje de gran alcance (LLM) pre-entrenados en texto general y ajustados en más de 4.000 registros clínicos de salud.
• Empleó una estrategia de explicabilidad dentro de la arquitectura de LLM para identificar frases destacadas que impulsan las decisiones de diagnóstico.

Principales resultados:

• El LLM afinado distinguió con éxito entre casos confirmados y sospechosos de autismo.
• El marco identificó comportamientos repetitivos estereotipados, intereses especiales y comportamientos basados en la percepción como indicadores diagnósticos críticos para el autismo.
• Los hallazgos desafían el énfasis diagnóstico actual en los déficits en la interacción social.

Conclusiones:

• El análisis de aprendizaje profundo de informes clínicos puede capturar e interrogar efectivamente la intuición de diagnóstico de expertos.
• El estudio sugiere la necesidad de revisar los criterios de diagnóstico actuales para el autismo, particularmente el Manual Diagnóstico y Estadístico de Trastornos Mentales, 5a Edición (DSM-5), para incorporar mejor los factores de comportamiento y percepción.