Modelos de lenguaje mejorados para predecir y comprender la interrupción de la atención del VIH: un estudio de caso...

Área de la Ciencia:

• Inteligencia Artificial en Medicina
• Informática de Salud Pública
• Investigación sobre el VIH/SIDA

Sus antecedentes:

• El compromiso sostenido en la atención del VIH y la adherencia a la terapia antirretroviral (TAR) son fundamentales para alcanzar los objetivos mundiales de control del VIH.
• La interrupción de la atención del VIH es un desafío importante, particularmente en el África subsahariana, lo que dificulta la eficacia del tratamiento.
• Los modelos tradicionales de aprendizaje automático (ML) muestran un éxito moderado en la predicción de la interrupción del paciente, lo que requiere herramientas predictivas mejoradas.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de lenguaje grande (LLM) mejorado para predecir personas con alto riesgo de interrumpir la atención del VIH.
• Aprovechar los registros médicos electrónicos (HCE) para mejorar la precisión de la predicción en comparación con los LLM de ML tradicionales y de cero disparos.
• Evaluar la relevancia clínica y la utilidad de las predicciones del LLM a través de la evaluación experta por parte de médicos de VIH.

Principales métodos:

• Se utilizaron 4,8 millones de registros médicos electrónicos (HCE) del Programa Nacional de Atención y Tratamiento del VIH de Tanzania (2018-2023).
• Se desarrolló y ajustó un modelo de lenguaje grande (LLM) mejorado utilizando datos de HCE para identificar riesgos asociados con la falta de adherencia a la TAR, la falta de supresión viral y la pérdida de seguimiento.
• Médicos de VIH en Tanzania evaluaron las predicciones y justificaciones del LLM en cuanto a relevancia clínica y alineación con la opinión experta.

Principales resultados:

• El LLM mejorado demostró potencial para superar a los modelos de ML tradicionales y a los LLM de cero disparos en la predicción de la interrupción de la atención del VIH.
• Las evaluaciones de los médicos mostraron una alineación del 65% entre las predicciones del LLM y las evaluaciones clínicas expertas.
• De las predicciones alineadas, el 92,3% se consideraron clínicamente relevantes, lo que indica una utilidad práctica.

Conclusiones:

• El LLM mejorado muestra una promesa como herramienta para identificar pacientes en riesgo de interrumpir la atención del VIH.
• Este enfoque impulsado por IA puede respaldar la toma de decisiones basada en datos en la gestión del VIH.
• El modelo tiene el potencial de mejorar los resultados de los pacientes, mejorar la adherencia al tratamiento y reducir las tasas de transmisión del VIH.