Video Experimental Relacionado
Updated: May 5, 2026
Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
Modelos de Lenguaje Grandes para la Extracción Precisa de Gráficos Médicos: Habilitando la Implementación Escalable y
Zhusi Zhong1, Carl M Porto1, David Hong1
1From the Warren Alpert Medical School of Brown University (Z.Z., C.M.P, M.G., R.K., G.K., L.B., J.R.F., E.S., S.C., L.S., G.B., M.J., S.Y., Z.J., D.N.W.), Department of Radiology (Z.Z., G.B., M.J., Z.J.), Brown University Health, Department of Interventional Radiology (D.N.W.), Brown University Health, Department of Neurosurgery (J.R.F.), Brown University Health, Providence 02903, USA.
Los modelos de lenguaje grandes (LLM) pueden extraer con precisión datos clínicos de informes de accidentes cerebrovasculares neurointervencionales. Este enfoque de IA ayuda a la investigación al estructurar la información médica compleja de manera eficiente.
Área de la Ciencia:
- Inteligencia Artificial
- Informática Médica
- Radiología Neurointervencionista
Sus antecedentes:
- La abstracción de historias clínicas es vital para la investigación clínica y la monitorización de la calidad.
- Los informes de procedimientos no estructurados dificultan el análisis a gran escala de datos clínicos.
Objetivo del estudio:
- Desarrollar y evaluar un marco de modelo de lenguaje grande (LLM) basado en prompting.
- Automatizar la extracción de variables clínicas estructuradas de informes de procedimientos neurointervencionales para pacientes con accidente cerebrovascular isquémico agudo (AIS) con oclusiones de grandes vasos (LVO).
Principales métodos:
- Análisis retrospectivo de 2416 informes de trombectomía neurointervencional.
- Evaluación de 22 LLM ajustados a instrucciones utilizando estrategias de prompting de respuesta rápida y cadena de pensamiento (CoT).
- Comparación con anotaciones de personal no experto y calificaciones de expertos médicos en cuanto a precisión y acuerdo.
Principales resultados:
- LLaMA3.3-70B logró una precisión del 94.8%, superando las anotaciones de no expertos.
- El prompting de CoT mejoró la extracción de variables inferenciales.
- Quick Response se destacó para campos de procedimiento directos.
- Las predicciones de IA se alinearon mejor con las interpretaciones de expertos que con el personal no experto, especialmente para variables estructuradas.
Conclusiones:
- Los LLM con prompting pueden extraer de manera precisa y escalable información clínica crítica de informes de radiología neurovascular.
- Este marco apoya la integración en la investigación retrospectiva y la curación automatizada de registros de accidentes cerebrovasculares sin preprocesamiento personalizado.
