CARE-AD: un marco de modelos de lenguaje de gran alcance para la predicción de la enfermedad de Alzheimer utilizando...

Área de la Ciencia:

• La inteligencia artificial en la medicina
• Neurociencia computacional
• Informática clínica

Sus antecedentes:

• Los modelos de lenguaje grande (LLM) demuestran potencial en varios campos, pero tienen una aplicación limitada en la predicción clínica compleja.
• La predicción temprana de la enfermedad de Alzheimer (EA) es crucial para la intervención y el tratamiento oportunos.

Objetivo del estudio:

• Introducir CARE-AD, un nuevo marco de LLM multi-agente para pronosticar el inicio de la enfermedad de Alzheimer.
• Evaluar la eficacia de CARE-AD en el análisis de las notas longitudinales de los registros electrónicos de salud (EHR) para la evaluación temprana del riesgo de EA.

Principales métodos:

• Desarrolló CARE-AD, un marco que utiliza agentes especializados de LLM para extraer signos y síntomas relevantes de AD de las notas de EHR.
• Emuló un proceso de diagnóstico colaborativo mediante la asignación de tareas de evaluación específicas de dominio a los agentes individuales de LLM.
• Se llevó a cabo una evaluación retrospectiva comparando CARE-AD con los enfoques basados en un solo modelo.

Principales resultados:

• CARE-AD logró una mayor precisión (0,53) en la predicción del riesgo de EA 10 años antes del diagnóstico en comparación con los modelos de referencia (0,26-0,45).
• El sistema multi-agente demostró un rendimiento superior en el análisis de datos longitudinales de EHR para la predicción del riesgo de EA.

Conclusiones:

• Los sistemas LLM de agentes múltiples son factibles para apoyar la evaluación temprana del riesgo de la enfermedad de Alzheimer.
• El rendimiento de CARE-AD destaca el potencial de la integración de la IA avanzada en los flujos de trabajo de apoyo a la toma de decisiones clínicas para enfermedades neurodegenerativas.