Aprovechamiento de Modelos de Lenguaje Grandes para la Extracción y Concordancia de Información de Nódulos Tiroideos en Informes Médicos | JoVE Visualize

Área de la Ciencia:

Informática Médica
Inteligencia Artificial en la Atención Médica
Análisis de Datos Oncológicos

Sus antecedentes:

La extracción manual de características de nódulos tiroideos de informes clínicos consume mucho tiempo e es inconsistente.
La extracción precisa de características es vital para las decisiones de manejo del paciente, incluida la cirugía o la vigilancia.
Los datos de los registros médicos electrónicos presentan desafíos para la recuperación eficiente de información.

Objetivo del estudio:

Evaluar la eficacia de los modelos de lenguaje grandes (LLM) de código abierto en la automatización de la extracción y concordancia de características de nódulos tiroideos.
Comparar el rendimiento de los LLM con las anotaciones manuales utilizando un conjunto de datos retrospectivo.
Evaluar el potencial de los LLM para reducir la carga de trabajo clínica y la variabilidad entre evaluadores.

Principales métodos:

Desarrolló un esquema de anotación para características de nódulos tiroideos a partir de informes de ultrasonido y patología.
Utilizó un conjunto de datos retrospectivo que comprende 451 pares de informes de ultrasonido y patología.
Se compararon dos LLM, Llama-3.3 70B y QwQ-32B, con la extracción y anotación manual.

Principales resultados:

Ambos LLM evaluados demostraron alta precisión en la extracción de características clave de nódulos tiroideos (p. ej., ubicación, tamaño, resultados de biopsia).
QwQ-32B logró una puntuación F1 superior de 0,987 para la compleja tarea de hacer coincidir nódulos entre diferentes informes.
El rendimiento de los LLM se aproximó estrechamente a la precisión de la anotación manual para datos clínicos críticos.

Conclusiones:

Los LLM de código abierto muestran una promesa significativa para automatizar la extracción y concordancia de características de nódulos tiroideos a partir de informes clínicos.
La integración de LLM en los flujos de trabajo clínicos puede disminuir sustancialmente la carga de trabajo del médico y mejorar la consistencia.
La automatización impulsada por LLM mantiene una alta precisión, lo que apoya las decisiones informadas de manejo del paciente para los nódulos tiroideos.