Mejora de la precisión del triaje de traumatismos con modelos de lenguaje grandes: una comparación con las decisiones...

Área de la Ciencia:

• Informática Médica
• Inteligencia Artificial en la Atención Médica
• Cirugía de Traumatología

Sus antecedentes:

• El triaje preciso de traumatismos prehospitalarios es fundamental para los resultados de los pacientes y la eficiencia del sistema de atención médica.
• Los modelos de lenguaje grandes (LLM) presentan una nueva oportunidad para mejorar los procesos de triaje de traumatismos prehospitalarios.
• La implementación actual de LLM en la atención de traumatismos prehospitalarios es limitada.

Objetivo del estudio:

• Evaluar el rendimiento de los LLM en el triaje de traumatismos pediátricos.
• Evaluar la precisión de la comunicación remota prehospitalaria asistida por LLM.
• Comparar la precisión del triaje de LLM con el rendimiento de los médicos humanos.

Principales métodos:

• Estudio de cohorte retrospectivo de 133 activaciones de traumatismos pediátricos en un centro de Nivel I.
• Análisis de grabaciones de EMS, páginas de traumatismos y puntuaciones de gravedad de lesiones (ISS).
• Se utilizó OpenAI Whisper para la transcripción y el reconocimiento de entidades nombradas (NER) para la extracción de datos estructurados; la evaluación prospectiva involucró a cirujanos de traumatología.

Principales resultados:

• El triaje con LLM demostró una precisión comparable a la de los médicos humanos en el análisis retrospectivo (83,5 % frente al 78,9 %).
• El triaje asistido por LLM mostró una tendencia a reducir el subtriaje (4,8 % frente al 5,1 %) y redujo significativamente el sobretriaje (58,6 % frente al 71,8 %).
• La evaluación prospectiva indicó una mejora en la precisión del triaje humano después de la exposición a LLM, lo que aumentó las probabilidades de una decisión de triaje correcta.

Conclusiones:

• Los LLM logran una precisión comparable a la del personal de traumatología en el triaje retrospectivo de traumatismos pediátricos.
• El uso de «Transcripciones Esenciales» estructuradas redujo significativamente la longitud de los datos manteniendo la precisión.
• Es esencial una investigación adicional para validar la generalización de los LLM, los resultados clínicos y la aceptación por parte del usuario para su implementación generalizada.