Predicción del cáncer colorrectal de aparición temprana con modelos de lenguaje grandes

Área de la Ciencia:

• Oncología; Inteligencia Artificial; Informática Médica

Sus antecedentes:

• La incidencia del cáncer colorrectal de aparición temprana (EoCRC) está aumentando en personas menores de 45 años.
• Este grupo demográfico se encuentra por debajo de las pautas nacionales actuales de edad para el cribado del cáncer.
• Se necesitan modelos predictivos para identificar a las personas en riesgo de padecer EoCRC.

Objetivo del estudio:

• Evaluar los modelos de aprendizaje automático (ML) y los modelos de lenguaje grandes (LLM) para predecir el cáncer colorrectal de aparición temprana (EoCRC).
• Comparar el rendimiento predictivo de varios modelos de ML con LLM avanzados.
• Utilizar datos del recorrido del paciente dentro de los seis meses anteriores al diagnóstico para la predicción de EoCRC.

Principales métodos:

• Análisis retrospectivo de 1.953 pacientes con cáncer colorrectal (CRC) de sistemas de salud de EE. UU.
• Aplicación y comparación de 10 modelos distintos de aprendizaje automático.
• Se utilizó un modelo de lenguaje grande (LLM) ajustado que incorpora condiciones del paciente, resultados de laboratorio y observaciones.

Principales resultados:

• El LLM ajustado demostró un rendimiento superior en la predicción de EoCRC.
• Se logró una sensibilidad promedio del 73% para la predicción de EoCRC.
• Se logró una especificidad promedio del 91% para la predicción de EoCRC.

Conclusiones:

• Los LLM ajustados muestran un potencial significativo para la detección temprana del cáncer colorrectal en poblaciones más jóvenes.
• Los LLM pueden analizar eficazmente diversos datos de pacientes para la predicción del riesgo de cáncer.
• Este enfoque puede ayudar en el desarrollo de estrategias de cribado específicas para el cáncer colorrectal de aparición temprana.