Un enfoque de modelo de lenguaje grande para la evaluación de la escala de estado funcional

Área de la Ciencia:

• La inteligencia artificial en la medicina.
• Cuidados críticos pediátricos en cuidados intensivos pediátricos.
• Informática de la salud Informática de la salud.

Sus antecedentes:

• La estimación del estado funcional en niños con enfermedades críticas es crucial para la planificación de la atención y la evaluación de los resultados.
• La Escala de Estado Funcional (FSS) es una herramienta común, pero la puntuación manual puede llevar mucho tiempo y ser subjetiva.
• Aprovechar la IA avanzada como GPT-4o ofrece el potencial para una puntuación FSS automatizada y eficiente.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de inteligencia artificial (IA) 4o transformador generativo preentrenado (GPT) afinado, llamado FSS-AI, para estimar las puntuaciones de FSS en niños con enfermedades críticas.
• Evaluar la precisión y la concordancia de las puntuaciones FSS generadas por IA en comparación con las puntuaciones asignadas manualmente en diferentes puntos de tiempo de hospitalización.

Principales métodos:

• Se realizó un análisis secundario de una cohorte prospectiva de niños con ventilación mecánica (de 1 mes a 18 años).
• Las notas de los pacientes desde el inicio, la transferencia a la PICU y el alta hospitalaria se utilizaron para entrenar y probar el modelo personalizado GPT-4o (FSS-AI).
• El rendimiento de FSS-AI se evaluó comparando sus puntuaciones generadas con las puntuaciones de FSS manuales determinadas prospectivamente utilizando métricas ponderadas de Kappa y precisión de Cohen.

Principales resultados:

• FSS-AI analizó 428 notas de pacientes, lo que demuestra un acuerdo moderado con las puntuaciones manuales de FSS al inicio (Kappa = 0.59) y la descarga (Kappa = 0.51).
• El modelo mostró una buena discriminación entre las puntuaciones normales y anormales de FSS, con la mayor precisión (0,90) y PPV (0,95) al inicio.
• FSS-AI identificó nuevas morbilidades en el alta con una precisión del 75% y una sensibilidad del 56%.

Conclusiones:

• Un modelo personalizado GPT-4o (FSS-AI) puede estimar efectivamente las puntuaciones de FSS en niños en estado crítico en varias etapas de hospitalización.
• La herramienta de IA muestra un acuerdo moderado con la puntuación manual y puede diferenciar entre el estado funcional normal y anormal.
• FSS-AI demuestra el potencial como una herramienta eficiente para evaluar el estado funcional e identificar nuevas morbilidades en entornos de cuidados intensivos pediátricos.