使用大型语言模型来预测代谢功能障碍相关的性肝病 (MASLD) 中的晚期肝纤维化:一个概念验证分析

科学领域:

• 人工智能在医学中的应用
• 肝病学和胃肠病学 肝病学和胃肠学
• 在医疗保健中的数据科学.

背景情况:

• 与代谢功能障碍相关的脂肪性肝病 (MASLD) 是一个日益严重的健康问题,通常与代谢综合征有关.
• 在MASLD患者中,早期发现晚期肝纤维化 (≥F3) 对于管理和预防并发症至关重要.
• 现有的风险评分,如FIB-4和NAFLD纤维化评分有局限性,需要先进的预测工具.

研究的目的:

• 评估使用GPT-4和GPT-3.5大型语言模型 (LLM) 预测MASLD中晚期肝纤维化的可行性.
• 为了评估LLM的表现,仅使用来自国家健康和营养检查调查 (NHANES) 的结构化临床数据.
• 将LLM的预测能力与传统的纤维化风险得分进行比较.

主要方法:

• 利用了包括162名MASLD参与者的NHANES 2017-2020数据.
• 通过API使用GPT-4和GPT-3.5,输入临床变量 (年龄,BMI,AST,ALT,血小板,HbA1c) 来预测纤维化风险.
• 使用AUROC,灵敏度,特异性和Brier分数评估性能,每个LLM都有优化的值.

主要成果:

• GPT-4实现了0.91的接收器运行特征曲线 (AUROC) 下面面积 (95% CI:0.86-0.96).
• GPT-3.5获得了0.90的可比AUROC (95%CI:0.85-0.95),证明了两种模型的强大的校准.
• GPT-4表现出优异的特异性 (0.86对0.82),两种LLM都超过了传统的得分,如FIB-4.

结论:

• 基于GPT的LLM显示出作为可扩展和可解释的工具来预测MASLD中先进纤维化的显著潜力.
• 这些人工智能模型为传统风险评估方法提供了一个有希望的替代方案或补充.
• 在广泛的临床采用之前,建议在不同人群和临床环境中进一步验证.