Mejora de la predicción de la disposición del alta hospitalaria con clasificación de modelos de lenguaje basada en...

Área de la Ciencia:

• Informática Clínica
• Procesamiento del Lenguaje Natural
• Análisis Predictivo de la Atención Médica

Sus antecedentes:

• La planificación eficaz de la transición de la atención requiere la identificación temprana de pacientes dados de alta en centros de enfermería especializada (SNF).
• La información clínica predictiva a menudo está fragmentada en notas extensas de historial de admisión y examen físico (H&P).
• Los modelos de lenguaje existentes enfrentan desafíos con documentos largos, datos ruidosos y falta de transparencia.

Objetivo del estudio:

• Desarrollar y evaluar la clasificación de modelos de lenguaje basada en extracción (ELC) para predecir altas de SNF.
• Evaluar si las instantáneas de riesgo de IA derivadas de ELC mejoran el rendimiento del modelo de lenguaje en comparación con el texto H&P sin procesar.
• Mitigar las limitaciones de los modelos de lenguaje en el procesamiento de documentación clínica extensa.

Principales métodos:

• Se desarrolló ELC para destilar H&P en datos estructurados y instantáneas de riesgo de IA concisas.
• Se compararon retrospectivamente nueve modelos de lenguaje utilizando texto H&P sin procesar, notas truncadas, datos extraídos estructurados e instantáneas de riesgo de IA.
• Se evaluó el rendimiento del modelo utilizando el área bajo la curva característica operativa del receptor (AUROC) y el área bajo la curva de precisión-recuperación (AUPRC).

Principales resultados:

• ELC redujo significativamente la longitud de los datos de entrada (mediana de instantánea de riesgo de IA de 141 tokens frente a mediana de H&P sin procesar de 2120 tokens).
• El AUROC y AUPRC promedio mejoraron en todos los modelos al usar predictores derivados de ELC.
• Bio+Clinical BERT ajustado con instantáneas de riesgo de IA logró el AUROC más alto de 0.851.

Conclusiones:

• ELC estructura y resume eficazmente las notas H&P, superando las limitaciones de longitud de los tokens de los modelos de lenguaje.
• Las instantáneas de riesgo de IA mejoran el rendimiento predictivo y la interpretabilidad, alineándose con las evaluaciones clínicas.
• ELC representa un enfoque prometedor para mejorar la predicción de altas de SNF y facilitar las transiciones de atención.