Un modelo de lenguaje grande aumentado por contexto para recomendaciones precisas de medicina de precisión en...

Área de la Ciencia:

• Oncología
• Informática Médica
• Inteligencia Artificial

Sus antecedentes:

• La oncología de precisión se basa en terapias informadas molecularmente y en la evolución de las aprobaciones regulatorias.
• Los modelos de lenguaje grandes (LLM) actuales carecen del conocimiento especializado para recomendaciones de tratamiento actualizadas y de nicho en oncología.
• La integración de terapias avanzadas en la atención al paciente presenta desafíos para los oncólogos.

Objetivo del estudio:

• Desarrollar y evaluar un flujo de trabajo RAG-LLM para oncología de precisión.
• Comparar el enfoque RAG-LLM con un LLM estándar para recomendaciones de tratamiento basadas en biomarcadores.
• Explorar estrategias para mejorar el rendimiento del LLM en entornos de oncología clínica.

Principales métodos:

• Se desarrolló un flujo de trabajo RAG-LLM que incorpora el "Molecular Oncology Almanac" (MOAlmanac).
• Se comparó el RAG-LLM con un enfoque solo LLM utilizando consultas clínicas sintéticas y del mundo real.
• Se investigaron varias estrategias de indicaciones y recuperación para optimizar el rendimiento.

Principales resultados:

• El RAG-LLM alcanzó hasta un 95 % de precisión en consultas sintéticas.
• El RAG-LLM demostró un 93 % de precisión en consultas del mundo real de oncólogos en ejercicio.
• Se identificaron estrategias efectivas de indicaciones y recuperación para mejorar el rendimiento del LLM.

Conclusiones:

• El flujo de trabajo RAG-LLM desarrollado muestra un potencial significativo para apoyar la oncología de precisión.
• Este enfoque puede proporcionar recomendaciones de tratamiento precisas y actualizadas para pacientes con cáncer.
• El estudio ofrece orientación para la implementación de LLM en entornos clínicos para ayudar en las decisiones de tratamiento del cáncer.