Modelos Lingüísticos Grandes para una Supervisión Eficiente de la Paridad en Salud Mental

Área de la Ciencia:

• Derecho Sanitario
• Inteligencia Artificial
• Regulación de Seguros de Salud

Sus antecedentes:

• La Ley de Paridad en Salud Mental y Equidad en Adicciones (MHPAEA) exige una cobertura igualitaria para los trastornos de salud mental y de uso de sustancias.
• Garantizar el cumplimiento de la MHPAEA en los documentos de los planes de seguro de salud es complejo y requiere muchos recursos.
• El potencial de la inteligencia artificial, específicamente los modelos lingüísticos grandes (LLM), para ayudar en el cumplimiento normativo es un área emergente de investigación.

Objetivo del estudio:

• Evaluar la eficacia de un modelo lingüístico grande (LLM) en la identificación de posibles incumplimientos de la Ley de Paridad en Salud Mental y Equidad en Adicciones (MHPAEA) en documentos de planes de seguro de salud.
• Evaluar el valor predictivo positivo (VPP) de un LLM en la detección de violaciones de la MHPAEA.
• Determinar si los LLM pueden ayudar a priorizar áreas de posible incumplimiento para la revisión humana.

Principales métodos:

• Análisis de la documentación primaria de los planes de referencia de Beneficios de Salud Esenciales para 2026.
• Validación de un prompt específico de LLM diseñado para identificar el incumplimiento de la MHPAEA.
• Aplicación del LLM Claude 3.5 Sonnet de Anthropic para evaluar posibles violaciones.
• Cálculo del valor predictivo positivo (VPP) del LLM para las áreas de incumplimiento identificadas.

Principales resultados:

• El LLM identificó un promedio de 3.8 áreas potenciales de incumplimiento de la MHPAEA por documento.
• El valor predictivo positivo (VPP) promedio para la identificación de incumplimiento por parte del LLM fue del 49%.
• El LLM priorizó con éxito las 10 áreas principales de incumplimiento entre las identificadas con precisión.

Conclusiones:

• Los LLM actuales demuestran un valor predictivo positivo (VPP) relativamente bajo para tareas de supervisión regulatoria como la verificación del cumplimiento de la MHPAEA.
• Los LLM muestran una promesa en la mejora de la eficiencia para los organismos reguladores al identificar rápidamente posibles incumplimientos.
• Las ideas generadas por LLM pueden ayudar a priorizar áreas dentro de documentos complejos que requieren un examen humano más detallado para la adhesión a la MHPAEA.