Modelos de lenguaje grandes interpretables para la predicción temprana de la resistencia multidrogas antimicrobianas

Área de la Ciencia:

• Informática Médica
• Inteligencia Artificial en la Atención Médica
• Medicina de Cuidados Críticos

Sus antecedentes:

• La Resistencia Antimicrobiana (RAM) en Unidades de Cuidados Intensivos (UCI) representa un desafío creciente para la salud mundial, aumentando la mortalidad, la morbilidad y los gastos de atención médica.
• La predicción temprana de la RAM es crucial para estrategias efectivas de tratamiento e intervención en entornos de cuidados críticos.

Objetivo del estudio:

• Proponer y evaluar arquitecturas novedosas basadas en Modelos de Lenguaje Grandes (LLM) para la clasificación de Resistencia Antimicrobiana (RAM) en pacientes de Unidades de Cuidados Intensivos (UCI).
• Utilizar Registros de Salud Electrónicos (EHR), modelados como Series Temporales Multivariadas (MTS) irregulares, para la predicción de RAM.

Principales métodos:

• Evaluación de modelos basados en LLM frente a modelos de Aprendizaje Profundo (DL) de referencia (GRU, LSTM, Transformer, Mamba, GCN) utilizando 3502 EHR de pacientes de UCI anonimizados (2004-2020).
• Entrenamiento de modelos en datos MTS irregulares con ventanas predictivas de 4, 7 y 14 días.
• Evaluación de la interpretabilidad del modelo utilizando valores SHapley Additive exPlanations (SHAP).

Principales resultados:

• Los modelos basados en LLM superaron significativamente a las arquitecturas DL de referencia en la clasificación de RAM. InstructTime-LLM logró el mayor rendimiento (ROC-AUC 0.792 ± 0.009) en la ventana de predicción de 7 días; Blocks-LLM tuvo un rendimiento comparable en la ventana de 14 días. El análisis SHAP identificó factores de riesgo clínicamente relevantes, incluido el uso de catéter, la exposición a antibióticos y los cultivos microbianos.

Conclusiones:

• Las arquitecturas LLM propuestas demuestran un potencial significativo para la clasificación de RAM, ofreciendo alta precisión predictiva e interpretabilidad del modelo.
• Estos modelos proporcionan una base sólida para el desarrollo de sistemas de alerta temprana confiables en entornos de cuidados críticos para combatir la RAM.