機能的状態スケール評価のための大規模言語モデルアプローチ | JoVE Visualize

科学分野:

医療における人工知能
小児集中治療
ヘルスインフォマティクス

背景:

重症児の機能的状態の推定は、ケア計画と転帰評価にとって重要です。
機能的状態スケール（FSS）は一般的なツールですが、手動での採点は時間がかかり、主観的になる可能性があります。
GPT-4oのような高度なAIを活用することで、自動化された効率的なFSS採点の可能性が提供されます。

研究の目的:

微調整された生成事前学習済みトランスフォーマー（GPT）-4o人工知能（AI）モデル（FSS-AI）を開発および評価し、重症児のFSSスコアを推定することを目的としました。
入院中のさまざまな時点での手動で割り当てられたスコアと比較して、AI生成のFSSスコアの精度と合意を評価することを目的としました。

主な方法:

機械的人工呼吸を受けている子供（1か月から18歳）の前向きコホートの後向き分析が実施されました。
ベースライン、PICU転送、および退院時の患者記録を使用して、カスタムGPT-4oモデル（FSS-AI）をトレーニングおよびテストしました。
FSS-AIのパフォーマンスは、加重コーエンのカッパおよび精度メトリックを使用して、将来決定された手動FSSスコアと比較することによって評価されました。

主要な成果:

FSS-AIは428件の患者記録を分析し、ベースライン（Kappa=0.59）および退院時（Kappa=0.51）で手動FSSスコアと中程度の合意を示しました。
モデルは、正常および異常なFSSスコア間の良好な識別能力を示し、ベースラインでの精度（0.90）とPPV（0.95）が最も高くなりました。
FSS-AIは、退院時の新規罹患率を75％の精度と56％の感度で特定しました。

結論:

カスタムGPT-4oモデル（FSS-AI）は、入院中のさまざまな段階で重症児のFSSスコアを効果的に推定できます。
AIツールは手動採点と中程度の合意を示し、正常と異常な機能的状態を区別できます。
FSS-AIは、小児集中治療の設定で機能的状態を評価し、新規罹患率を特定するための効率的なツールとしての可能性を示しています。