Investigadores italianos utilizaron GPT-4 para identificar lesiones en salas de emergencia a través de registros médicos de pacientes pediátricos.
Los grandes modelos de lenguaje o LLMs son una importante herramienta dentro de la inteligencia artificial (IA), la cual ofrece la oportunidad para analizar grandes cantidades de texto. Por ejemplo, al utilizar LLMs para el análisis de texto libre en registros médicos, puede identificar ciertos patrones de datos sobre un grupo de pacientes, lo cual permite mejorar la atención médica o la detección oportuna de enfermedades.
Recientemente investigadores italianos utilizaron un LLM para identificar y clasificar lesiones con datos del departamento de emergencias en texto libre. El estudio evaluó este modelo para clasificar lesiones a partir de registros de urgencias pediátricas.
El estudio permitió el análisis de 283 468 historias clínicas de un hospital en Padova, Italia con datos desde el 1 de enero de 2007 hasta el 31 de diciembre de 2018. De dichos datos se extrajo de forma aleatoria un subconjunto de 40,031 registros. Posteriormente, un médico experto clasificó manualmente los diagnósticos de alta en texto libre en italiano de acuerdo con el sistema de clasificación de lesiones de la Organización Mundial de la Salud (OMS). Esta clasificación manual sirvió como criterio estándar para evaluar el desempeño de GPT-4 en la tarea de clasificación.
La tarea de clasificación se realizó sobre 8,194 registros clasificados manualmente como lesiones no intencionales según el sistema de clasificación de la OMS. Entre las lesiones 520 (6%) se clasificaron como accidentes de tráfico, 589 (7%) como caídas, 194 (2%) como incendios y quemaduras y 176 (2%) como intoxicaciones. Los pacientes con lesiones incluyeron 4,325 hombres (53%) y 3,869 mujeres (47%), con una edad media de 7.3.
La sensibilidad en el desempeño del LLM para la tarea de clasificación fue de 1.000 puntos pata todas las categorías excepto caídas con .997. Por otro lado, la especificidad fue de .996. Además, no se detectaron errores de clasificación para las categorías de quemaduras y ahogamientos.
“Los hallazgos sugieren que el uso de LLM es factible para procesar información de texto libre no estructurado en otros idiomas además del inglés. Desde una perspectiva de salud pública, el análisis de información no estructurada permite la detección temprana de peligros emergentes, ayuda a identificar patrones de lesiones y proporciona datos a los responsables de políticas para desarrollar medidas preventivas”, explica el study published in JAMA Network.
No obstante, el estudio cuenta con limitaciones sujetas a su diseño unicéntrico y a la baja prevalencia de mecanismo de lesión específicos. Para ello es necesaria una evaluación del desempeño del modelo en conjuntos de datos aún más grandes, preferiblemente multicéntricos.
“A pesar del potencial de los LLM en la investigación y la práctica médica, su uso es objeto de debate porque plantean cuestiones relevantes, incluidas preocupaciones éticas, riesgo de desinformación y difusión de información errónea”, detallan los autores. No obstante, al igual que la mayoría de las tecnologías emergentes conllevan riesgos y beneficios. En resumen, los resultados del estudio sugieren que los LLM son una herramienta prometedora para clasificar las lesiones documentadas en los registros del servicio de urgencias, lo que ayuda con la vigilancia.
