Aprovechamiento de Modelos de Lenguaje Grandes para Derivar Evaluaciones de Progresión de Esclerosis Múltiple a...

Área de la Ciencia:

• Neurología
• Inteligencia Artificial
• Informática Clínica

Sus antecedentes:

• La evaluación precisa de la progresión de la esclerosis múltiple (EM) es crucial para la atención al paciente y la investigación.
• Los indicadores clave de progresión a menudo están incrustados en notas clínicas no estructuradas.
• Los métodos actuales para extraer estos datos pueden requerir mucho trabajo.

Objetivo del estudio:

• Evaluar la viabilidad de desarrollar y validar un clasificador basado en modelos de lenguaje grandes (LLM).
• Determinar la progresión de la esclerosis múltiple (EM) utilizando notas clínicas.
• Extraer automáticamente las puntuaciones de la Escala Expandida de Estado de Discapacidad (EDSS) y de Sistemas Funcionales (FS).

Principales métodos:

• Desarrollo de un clasificador de modelo de lenguaje grande (LLM).
• Utilización de notas clínicas como fuente de datos.
• Validación del rendimiento del LLM en la clasificación de indicadores de progresión de la EM.

Principales resultados:

• El estudio evaluó la viabilidad del enfoque basado en LLM.
• Los hallazgos preliminares indican el potencial para la determinación automatizada de la progresión de la EM.
• Se requiere una validación adicional para confirmar la precisión y la fiabilidad.

Conclusiones:

• El desarrollo de un clasificador basado en LLM es un enfoque factible para la determinación de la progresión de la EM a partir de notas clínicas.
• Este método es prometedor para mejorar la eficiencia en la atención clínica y la investigación.
• El trabajo futuro debe centrarse en la validación robusta y la integración en los flujos de trabajo clínicos.