Comparación de la identificación de trastorno por uso de opioides mediante fenotipos computables estructurados frente...

Área de la Ciencia:

• Medicina de Emergencia
• Informática Clínica
• Inteligencia Artificial en la Atención Médica

Sus antecedentes:

• El trastorno por uso de opioides (TUO) es un problema de salud pública significativo, que se encuentra con frecuencia en los departamentos de emergencia (ED).
• Los métodos de identificación actuales, como los fenotipos computables estructurados, pueden no capturar el contexto clínico completo necesario para un diagnóstico preciso.

Objetivo del estudio:

• Comparar el rendimiento de un fenotipo computable estructurado de TUO frente a un modelo de lenguaje grande (LLM) de cero disparos.
• Evaluar estos métodos frente a la revisión clínica experta como estándar de referencia para la identificación de TUO en el ED.

Principales métodos:

• Análisis retrospectivo de 202 encuentros de adultos en el ED.
• Revisión por médicos expertos con adjudicación de consenso determinó el estándar de referencia para el estado de TUO.
• Un fenotipo estructurado utilizó códigos ICD-10, medicamentos, toxicología y reglas de palabras clave.
• Un LLM de cero disparos (GPT-4.1) clasificó el TUO basándose en notas clínicas concatenadas del ED.

Principales resultados:

• Los revisores expertos lograron un acuerdo sustancial (κ=0.77), identificando el TUO en el 28% de los encuentros.
• El fenotipo estructurado demostró alta sensibilidad (0.98) pero baja especificidad (0.54).
• El LLM de cero disparos logró alta sensibilidad (0.93) y mejoró significativamente la especificidad (0.90) en comparación con el fenotipo (p<0.001).

Conclusiones:

• Un LLM de cero disparos ofrece un perfil de rendimiento equilibrado, destacando en especificidad y manteniendo alta sensibilidad para la detección de TUO.
• Esto sugiere que los LLM pueden ser una herramienta valiosa para estrategias de detección por niveles en entornos de ED para el trastorno por uso de opioides.
• Los enfoques basados en LLM pueden mejorar la precisión y la eficiencia de la identificación de TUO en la atención de emergencia.