Video Experimental Relacionado
Updated: Jan 8, 2026
Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
Desarrollo y validación de un modelo de lenguaje preentrenado para morbilidades neonatales: un estudio pronóstico
Feng Xie1, Philip Chung2, Jonathan D Reiss3
1Department of Anesthesiology, Perioperative and Pain Medicine, Stanford University, Stanford, CA, USA; Department of Pediatrics, Stanford University School of Medicine, Stanford, CA, USA; Department of Biomedical Data Science, Stanford University, Stanford, CA, USA; Division of Computational Health Sciences, Department of Surgery, University of Minnesota, Minneapolis, MN, USA.
NeonatalBERT, un modelo de lenguaje grande (LLM), estima eficazmente el riesgo de morbilidad neonatal a partir de notas clínicas. Esta herramienta de IA muestra potencial para mejorar la atención al recién nacido y la eficiencia hospitalaria.
Área de la Ciencia:
- Inteligencia Artificial en Medicina
- Informática Clínica
- Salud Neonatal
Sus antecedentes:
- La identificación temprana de las morbilidades neonatales es crucial para intervenciones oportunas.
- Los métodos tradicionales que utilizan biomarcadores y datos tabulares tienen limitaciones para evaluar el riesgo de morbilidad en recién nacidos.
- Los Modelos de Lenguaje Grandes (LLMs) ofrecen potencial para analizar notas clínicas no estructuradas.
Objetivo del estudio:
- Desarrollar y evaluar NeonatalBERT, un novedoso LLM para estimar el riesgo de morbilidad neonatal.
- Comparar el rendimiento de NeonatalBERT con LLMs existentes y modelos tradicionales.
- Evaluar la utilidad de las notas clínicas para predecir complicaciones neonatales.
Principales métodos:
- Un estudio pronóstico utilizando cohortes primarias y externas retrospectivas de dos centros médicos académicos de EE. UU.
- NeonatalBERT fue preentrenado y ajustado en notas clínicas.
- El rendimiento se evaluó frente a BioBERT, Bio-ClinicalBERT y modelos tradicionales utilizando el Área Bajo la Curva de Precisión-Recall (AUPRC) y las puntuaciones F1 para 19 morbilidades neonatales.
Principales resultados:
- NeonatalBERT logró un AUPRC medio de 0.291 en la cohorte principal y 0.360 en la cohorte externa, superando a otros modelos.
- En la cohorte principal, NeonatalBERT superó a Bio-ClinicalBERT (0.238), BioBERT (0.217) y modelos tradicionales (0.194).
- En la cohorte externa, el AUPRC medio de NeonatalBERT (0.360) superó el rango de otros modelos (0.224-0.333).
Conclusiones:
- NeonatalBERT estima eficazmente el riesgo de morbilidad neonatal a partir de notas clínicas no estructuradas.
- El modelo demuestra un potencial significativo para mejorar la atención neonatal.
- Este enfoque de IA puede ayudar a optimizar las operaciones hospitalarias y mejorar los resultados de los pacientes.
