Transformación de datos portátiles en información de salud personal utilizando agentes de modelos de lenguaje grandes

Área de la Ciencia:

• Inteligencia Artificial
• Salud Digital
• Ciencias de la Conducta

Sus antecedentes:

• Los modelos de lenguaje grandes (LLM) estándar tienen dificultades con el razonamiento numérico complejo para obtener información de salud personalizada a partir de dispositivos portátiles.
• Se necesitan enfoques basados en herramientas, en particular la generación de código, para un análisis de datos eficaz.

Objetivo del estudio:

• Presentar el Agente de Información de Salud Personal (PHIA), un agente LLM diseñado para el análisis escalable de datos de salud conductual.
• Evaluar el rendimiento de PHIA en comparación con una línea de base de generación de código utilizando nuevos conjuntos de datos de referencia.

Principales métodos:

• Se desarrolló PHIA, un sistema que combina razonamiento de varios pasos, generación de código y recuperación de información.
• Se crearon dos conjuntos de datos de referencia con más de 4000 preguntas sobre información de salud.
• Se realizó una evaluación de expertos humanos de 650 horas que comparó PHIA con una línea de base.

Principales resultados:

• PHIA logró una precisión del 84% en preguntas objetivas y numéricas sobre salud.
• Para preguntas abiertas, PHIA obtuvo un 83% de calificaciones favorables y fue el doble de probable que recibiera la calificación de mayor calidad.
• PHIA superó significativamente a la línea de base de generación de código.

Conclusiones:

• PHIA demuestra un enfoque potente para analizar datos complejos de salud conductual de rastreadores portátiles.
• Esta tecnología puede capacitar a las personas para comprender sus datos de salud, promoviendo un bienestar accesible y personalizado.
• Los hallazgos sugieren una nueva era de gestión personal de la salud basada en datos.