Predicción del Riesgo Clínico a partir de Series Temporales Textuales: Estructuración de Narrativas para IA Temporal...

Área de la Ciencia:

• Inteligencia Artificial; Informática Clínica; Procesamiento del Lenguaje Natural

Sus antecedentes:

• Los informes de casos clínicos contienen valiosos datos temporales de pacientes.; Los métodos tradicionales de aprendizaje automático a menudo no aprovechan esta información temporal de manera efectiva.; Los modelos de lenguaje grandes (LLMs) ofrecen nuevas posibilidades para analizar texto clínico no estructurado.

Objetivo del estudio:

• Introducir y abordar el problema de la predicción utilizando series temporales textuales de notas clínicas.; Evaluar varios modelos de aprendizaje automático para predecir trayectorias de pacientes.; Comparar el rendimiento de diferentes arquitecturas de modelos en distintas tareas de predicción temporal.

Principales métodos:

• Extracción de hallazgos clínicos con marca de tiempo utilizando un pipeline de anotación asistido por LLM.; Desarrollo de un conjunto de datos de series temporales textuales a partir de notas clínicas.; Evaluación sistemática de transformadores basados en codificadores y LLMs basados en decodificadores en tareas de predicción de eventos, ordenamiento temporal y análisis de supervivencia.

Principales resultados:

• Los modelos basados en codificadores superaron a otros en tareas de predicción de ocurrencia de eventos y ordenamiento temporal (mayores puntuaciones F1, mejor concordancia temporal).; Los enfoques de enmascaramiento ajustados mejoraron el rendimiento de clasificación.; Los modelos de decodificadores ajustados por instrucciones mostraron ventajas en el pronóstico temprano dentro del análisis de supervivencia.

Conclusiones:

• El orden temporal del texto clínico es crucial para predicciones temporales precisas, superando al simple ordenamiento de texto.; Los LLMs se pueden adaptar eficazmente para el análisis de series temporales clínicas, mejorando la predicción de trayectorias de pacientes.; Este trabajo subraya el valor de los datos clínicos ordenados en el tiempo para avanzar en la IA en la atención médica.