SHREC: Un marco para avanzar en la fenotipificación computacional de próxima generación con modelos de lenguaje...

Área de la Ciencia:

• Informática biomédica
• Inteligencia artificial en la atención médica

Sus antecedentes:

• La fenotipificación computacional es crucial para la identificación de cohortes, pero requiere mucha mano de obra debido a la revisión manual de datos.
• La automatización limitada en los métodos de fenotipificación actuales dificulta la eficiencia y la escalabilidad.

Objetivo del estudio:

• Evaluar la eficacia de los modelos de lenguaje grandes (LLM) ligeros en la automatización de tareas de fenotipificación computacional.
• Introducir SHREC, un marco para integrar LLM en canalizaciones de fenotipificación.

Principales métodos:

• Se aplicaron tres LLM ligeros (Gemma2, Mistral Small, Phi-4) dentro del marco SHREC.
• Se probaron los LLM para la clasificación de conceptos y la fenotipificación de pacientes utilizando fenotipos para terapias de soporte respiratorio de Insuficiencia Respiratoria Aguda (ARF).
• Se evaluó el rendimiento del modelo utilizando el Área Bajo la Curva Característica Operativa del Receptor (AUROC) y la especificidad.

Principales resultados:

• Todos los LLM probados funcionaron bien en la clasificación de conceptos, con Mistral Small logrando un AUROC de 0.896.
• Para la fenotipificación, los LLM demostraron una alta especificidad, y Mistral Small logró un AUROC promedio de 0.853 para fenotipos de monoterapia.
• Los LLM mostraron adaptabilidad a nuevas tareas a través de la ingeniería de indicaciones y pudieron integrar datos brutos de Registros Electrónicos de Salud (EHR).

Conclusiones:

• Los LLM ligeros muestran un potencial significativo para ayudar a los investigadores en tareas de fenotipificación que consumen muchos recursos.
• El marco SHREC facilita la integración de LLM para la fenotipificación computacional de próxima generación.
• La investigación futura debería centrarse en optimizar la integración de datos biomédicos y comprender los errores de razonamiento de los LLM.