Filter by input type
Select all
News
Pages
Events
Filter by category
Select all
AI ANALYTICS
Mobile Apps and Internet of Things
Advancement of science
big data
Connected communities
Coronavirus
Courses and training
DIAGNOSIS
Initial Editorial
Editorials
A world in the cloud
Events
Infographics
Artificial Intelligence and Science
IoT Apps
News
Digital platforms
Social networks
Review of scientific publications
Course Summary
Synopsis of essay
Overview of reference frames
Synopsis of recent publications
Use of Digital Platforms
Modelos de lenguaje en atención médica son capaces de reducir costos

Estudio de Mount Sinai muestra que los Grandes Modelos de Lenguaje o LLM pueden reducir costos en la atención médica manteniendo la eficiencia.

Un estudio reciente realizado por el Icahn School of Medicine de Mount Sinai ha identificado formas de integrar modelos de lenguaje avanzado (LLMs, en inglés) en los sistemas de salud, optimizando su uso para reducir costos y mejorar la eficiencia operativa sin sacrificar el rendimiento. Los resultados, publicados en npj Digital Medicine journal, destacan cómo estas herramientas pueden automatizar tareas de manera eficaz, permitiendo un uso más amplio y asequible en hospitales y centros de atención médica.

Los hospitales generan diariamente grandes volúmenes de datos, y los LLMs como GPT-4 ofrecen una oportunidad prometedora para agilizar flujos de trabajo en tareas como la identificación de pacientes para estudios clínicos o la estructuración de cohortes de investigación. No obstante, el alto costo de operar estos modelos ha limitado su adopción a gran escala.

“Nuestro estudio está motivado por la necesidad de encontrar formas prácticas de reducir los costes y mantener el rendimiento para que los sistemas sanitarios puedan utilizar con confianza los LLM a gran escala. Nos propusimos realizar una ‘prueba de estrés’ de estos modelos, evaluando su capacidad para gestionar múltiples tareas simultáneamente, y determinar estrategias que mantuvieran un alto rendimiento y unos costes manejables”, expresó el Dr. Eyal Klang, primer autor y director del Programa de Investigación de IA Generativa del D3M en el Icahn Mount Sinai.

El estudio evaluó cómo mantener un equilibrio entre rendimiento y costos. Al realizar más de 300,000 experimentos con diez modelos de inteligencia artificial (IA) y datos clínicos reales, los investigadores identificaron una estrategia clave: agrupar hasta 50 tareas clínicas relacionadas, lo que permite reducir hasta 17 veces los costos asociados a las llamadas de programación de aplicaciones (API, en inglés) de los LLMs.

De esta manera, agrupar tareas como revisiones de seguridad de medicamentos, extracción de datos para estudios epidemiológicos y selección de pacientes para detecciones preventivas permitió a los LLMs procesarlas simultáneamente sin comprometer su precisión ni su eficacia. Es decir, esto no solo optimiza los flujos de trabajo, sino que podría, según el estudio, traducirse en ahorros de millones de dólares anuales para sistemas de salud de gran escala, como lo es Mount Sinai.

Asimismo, los investigadores también identificaron un desafío importante, que incluso los modelos más avanzados, como GPT-4, muestran caídas impredecibles en su rendimiento cuando se someten a grandes cargas cognitivas. Por lo tanto, reconocer estos límites resulta fundamental para garantizar que estas herramientas sigan siendo fiables en contextos críticos.

Este estudio representa un avance significativo en el uso práctico de la IA y los LLMs en atención médica, ya que aborda las barreras económicas y técnicas que sufren los grandes sistemas de salud.  “Esta investigación tiene implicaciones significativas para la forma en que la IA puede integrarse en los sistemas de atención sanitaria. Agrupar las tareas de los LLM no solo reduce los costes, sino que también conserva recursos que pueden destinarse mejor a la atención de los pacientes”, indicó el coautor David L. Reich, director clínico del Sistema Mount Sinai.

Según los autores, los próximos pasos incluyen probar estos modelos en entornos clínicos en tiempo real, evaluando su rendimiento con pacientes reales y equipos médicos. El objetivo final es desarrollar un marco confiable que equilibre eficiencia, precisión y costo, promoviendo un sistema de salud más equitativo y centrado en el paciente.

Outstanding news

News by country

Related Content

Secured By miniOrange