Mejorar el modelado predictivo para el apoyo respiratorio con la adhesión a las directrices impulsadas por LLM

Área de la Ciencia:

• Medicina de cuidados intensivos
• Inteligencia artificial en el cuidado de la salud
• Tratamiento respiratorio

Sus antecedentes:

• La selección óptima entre la cánula nasal de alto flujo (HFNC) y la ventilación no invasiva (NIV) para los pacientes de la unidad de cuidados intensivos (UCI) con riesgo de ventilación mecánica invasiva (IMV) no está clara.
• Los modelos contrafactuales profundos anteriores (RepFlow-CFR) carecían de interpretabilidad y alineación con las directrices clínicas.
• Este estudio aborda estos desafíos mediante la integración de un LLM basado en directrices clínicas.

Objetivo del estudio:

• Desarrollar e integrar un LLM basado en directrices clínicas para mejorar las recomendaciones del modelo contrafactual profundo para NIV frente a HFNC.
• Mejorar la interpretabilidad y el cumplimiento de las directrices clínicas para las decisiones de soporte respiratorio en pacientes de UCI de alto riesgo.
• Evaluar el impacto de las recomendaciones mejoradas por el LLM en los resultados de los pacientes y la práctica clínica.

Principales métodos:

• Mejoró el modelo RepFlow-CFR incorporando un modelo de lenguaje grande (LLM, Claude 3.5 Sonnet) para el cumplimiento de las directrices y las recomendaciones explicables.
• Configuró el LLM en un entorno AWS compatible con HIPAA, utilizando datos estructurados de pacientes, notas clínicas y criterios de directrices para el aviso.
• Comparó las recomendaciones mejoradas por LLM con las decisiones reales de tratamiento, evaluando la ventilación mecánica invasiva (VMI) y las tasas de mortalidad / hospicio. Se realizó una revisión de la cartografía para la validez clínica y la seguridad.

Principales resultados:

• Los tratamientos concordantes con las recomendaciones mejoradas por LLM se asociaron con tasas significativamente más bajas de VMI (24,47% frente a 52,94%) y probabilidades reducidas de mortalidad o alta de hospicio (OR=0,670, p=0,046).
• En una revisión gráfica de 20 casos, el 95% de las recomendaciones de LLM se alinearon con las directrices clínicas, y los médicos estuvieron de acuerdo con el 65% de las recomendaciones finales.
• Se identificaron errores en 11 de 20 casos, de los cuales la mayoría se consideró de bajo o moderado riesgo; solo 2 fueron calificados como potencialmente dañinos.

Conclusiones:

• La integración de los LLM mejora la interpretabilidad y la alineación clínica de los modelos contrafácticos para la toma de decisiones de apoyo respiratorio.
• Este marco híbrido mejora la concordancia con la práctica del mundo real y muestra potencial para mejores resultados para los pacientes.
• El trabajo futuro se centrará en refinar la detección de contraindicaciones y ampliar la validación a través de posibles ensayos clínicos.