Facilitación de la Extracción de Información Clínica con Datos Sintéticos y Ontología utilizando Modelos de Lenguaje...

Área de la Ciencia:

• Procesamiento del Lenguaje Natural
• Inteligencia Artificial en la Atención Médica

Sus antecedentes:

• Los registros de salud electrónicos contienen una gran cantidad de texto clínico no estructurado.
• El desarrollo de sistemas de extracción de información es crucial, pero se ve limitado por la escasez de datos anotados.

Objetivo del estudio:

• Explorar modelos de lenguaje grandes para generar datos clínicos sintéticos para el reconocimiento de entidades nombradas.
• Evaluar el impacto de los datos sintéticos en el rendimiento y la generalización del modelo.

Principales métodos:

• Un marco novedoso que utiliza la generación de datos sintéticos autoverificados con mapeo semántico SNOMED-CT.
• Aprovechamiento de GPT-4o-mini para la creación de datos y LLaMA-3-8B para el ajuste fino.
• Verificación iterativa y detección de anomalías para refinar la calidad de los datos sintéticos.

Principales resultados:

• La autoverificación y el mapeo semántico mejoran significativamente la utilidad de los datos sintéticos.
• Una proporción de 1:1 de datos anotados por humanos a datos sintéticos produjo ganancias óptimas en el rendimiento.
• Se observó una mejora en la generalización del modelo en cuatro conjuntos de datos clínicos diversos.

Conclusiones:

• La generación de datos sintéticos es una solución escalable para los desafíos de anotación de PNL clínica.
• Equilibrar los datos humanos y sintéticos es clave para mejorar el rendimiento del modelo.
• El marco propuesto avanza las capacidades de extracción de información clínica.