Manifestaciones Clínicas

Área de la Ciencia:

• Inteligencia Artificial
• Procesamiento del Lenguaje Natural
• Informática Médica

Sus antecedentes:

• La enfermedad de Alzheimer y las demencias relacionadas (ADRD) plantean desafíos de salud pública, lo que requiere un diagnóstico preciso del deterioro cognitivo (CI).
• Los registros de salud electrónicos (HCE) contienen datos valiosos de CI dentro de notas clínicas no estructuradas.
• Los modelos de lenguaje grandes (LLM) como GPT-4o ofrecen potencial para analizar datos de HCE para la identificación y estadificación de CI.

Objetivo del estudio:

• Desarrollar y evaluar un marco impulsado por GPT-4o para la estadificación de CI y la puntuación automatizada de la Clinical Dementia Rating (CDR) utilizando datos de HCE.
• Comparar el rendimiento del marco GPT-4o con modelos tradicionales de PNL y basados en incrustaciones para la clasificación de CI.

Principales métodos:

• Se desarrolló un marco GPT-4o para la estadificación de CI, que incorpora consulta de datos, extracción de características y clasificación en 1002 pacientes de Medicare.
• GPT-4o generó resúmenes de múltiples notas y realizó una clasificación ordinal de CI con niveles de confianza.
• Se logró la puntuación automatizada de CDR utilizando plantillas de respuesta estructuradas, generación aumentada por recuperación (RAG) y recuentos de dominios de CDR con niveles de confianza.

Principales resultados:

• El marco GPT-4o demostró una alta precisión en la estadificación de CI (kappa de Cohen ponderada = 0.95, correlación de Spearman = 0.93).
• El rendimiento fue superior a los modelos tradicionales de extracción de características y basados en incrustaciones, especialmente para predicciones de alta confianza.
• La puntuación automatizada de CDR utilizando recuentos de dominios logró una alta precisión (kappa de Cohen ponderada = 0.83).

Conclusiones:

• El marco GPT-4o muestra un potencial significativo para la revisión automatizada de gráficos en el diagnóstico de demencia, superando a los modelos existentes.
• El despliegue clínico requiere un enfoque de "humano en el bucle" para mitigar los riesgos de clasificación errónea y garantizar la seguridad.
• Este modelo híbrido IA-humano equilibra las capacidades de diagnóstico de la IA con la interpretabilidad y la gestión de riesgos.