Estrategias de rendimiento y mejora para la adaptación de modelos generativos de lenguaje grande para aplicaciones de...

Área de la Ciencia:

• Informática biomédica
• Inteligencia artificial en el cuidado de la salud
• Ciencia de los datos de salud

Sus antecedentes:

• Los modelos generativos de lenguaje grande (LLM) ofrecen potencial para el análisis de los registros electrónicos de salud (EHR).
• La adaptación de los LLM a los datos del DSE requiere estrategias eficaces de rendimiento y mejora.
• Se necesita una síntesis sistemática de las estrategias actuales y su impacto evaluado.

Objetivo del estudio:

• Sintetizar las estrategias de rendimiento y mejora para adaptar los LLM generativos en los análisis de DSE.
• Identificar las principales aplicaciones clínicas y resumir las evaluaciones de rendimiento comunicadas.

Principales métodos:

• Revisión sistemática siguiendo las pautas de PRISMA (PubMed, Web of Science, enero de 2023 - noviembre de 2024).
• Incluir estudios que utilicen LLM generativos para el análisis de datos de la HSE en el mundo real con evaluaciones cuantitativas del rendimiento.
• Entre los revisores se encontraban informáticos biomédicos y un médico.

Principales resultados:

• 196 estudios cumplieron los criterios; el 57,1% se centró en el apoyo a la decisión clínica, el 20,4% en la documentación.
• La mayoría de los estudios (88,8%) no evaluaron cuantitativamente las estrategias de mejora.
• El impulso de pocos disparos, el ajuste fino y la integración multimodal mostraron resultados mixtos; los modelos ajustados más pequeños a veces superaron a los más grandes.

Conclusiones:

• Las estrategias de mejora del rendimiento de las LLM en los DSE no garantizan mejores resultados.
• Son necesarias directrices detalladas y basadas en la evidencia para la aplicación efectiva y segura de estas estrategias.
• El análisis cuantitativo adicional es crucial para desarrollar estas directrices.