Cada año, millones de estadounidenses se someten a cirugía. Después de la cirugía, prevenir complicaciones como la neumonía, los coágulos de sangre y la infección pueden ser una diferencia entre la recuperación exitosa y el establecimiento hospitalario largo y doloroso, o incluso peor. Más del 10 % de los pacientes quirúrgicos sufren complicaciones que pueden conducir a una unidad de cuidados intensivos (UCI), una alta tasa de mortalidad y aumentar los costos de atención médica. La identidad inicial de los pacientes riesgosos es muy importante, pero predecir adecuadamente estos riesgos sigue siendo un desafío.
El nuevo progreso en la inteligencia artificial (IA), especialmente los modelos de idiomas grandes (LLM), ahora ofrecen una solución prometedora. Un estudio reciente dirigido por el profesor de Flegraph y director de IA Chaning Lou en la Maccly School of Engineering de la Universidad de Washington en St. Louis, director del diagnóstico de AIA AI y director de AII, en la Universidad de Washington en St. Louis. Trabajo, apareció en línea el 11 de febrero Medicina digital NPJMuestra que los riesgos especiales de LLM posaperatorios pueden mejorar significativamente los métodos de aprendizaje automático tradicionales.
“Existen riesgos y costos importantes en la cirugía, sin embargo, las notas clínicas tienen información valiosa por parte del equipo quirúrgico”, dijo Lo. “Nuestro modelo de lenguaje grande, especialmente desarrollado para notas quirúrgicas, permite predicciones tempranas y precisas de las complicaciones postoperatorias. Al identificar rápidamente los riesgos, los médicos pueden interferir con la piel, mejorar la seguridad y los resultados de los pacientes”.
Los modelos de pronóstico de riesgo tradicional se han basado principalmente en datos estructurales, como resultados de pruebas de laboratorio, estadísticas de los pacientes y detalles quirúrgicos, como detalles quirúrgicos o experiencia de cirujano. Aunque esta información es indudablemente valiosa, a menudo carece de la importancia de la declaración médica única del paciente, que se ve atrapada en el texto detallado de la nota clínica. Estas notas incluyen cuentas del historial médico del paciente, la condición actual y otros factores que afectan la posibilidad de complicaciones.
Los autores de Lou y Co -Primeros Charles Alba y Bang Zio, ambos estudiantes graduados, estudiaban cuando trabajaban con la LU, especialmente empleados por literatura médica especialmente capacitada y registros electrónicos de salud. Luego fijó el modelo prepreparado en notas quirúrgicas para hacer mejores predicciones sobre los resultados quirúrgicos. El método resultante, el primer método de su tipo que usa notas quirúrgicas y las usa para predecir los resultados pospartos, puede ir más allá de los datos estructurales para identificar muestras en la condición del paciente, que de otro modo se puede ignorar.
Basado en los resultados de aproximadamente 85,000 notas quirúrgicas de un centro médico educativo y los resultados de los pacientes afiliados a un centro médico educativo en el Medio Oeste, que se recopiló entre 2018 y 2021, el equipo informó que su modelo funcionó mejor en formas tradicionales para predecir las complicaciones. Por cada 100 pacientes que se encontraron con una complejidad post -particular, el nuevo modelo del equipo predijo 39 pacientes más, incluidas las complicaciones en comparación con el modelo tradicional de procesamiento del lenguaje natural.
Más allá del número de pacientes que pueden producir complicaciones quirúrgicas e inicialmente atrapados, el estudio también muestra la resistencia de los modelos de IA fundamentales, que se fabrican para tareas múltiples y pueden aplicarse a problemas generalizados.
“Los modelos de base pueden ser diversos, por lo que generalmente son más útiles que los modelos especiales. En este caso, donde sean posibles muchas complicaciones, el modelo debe ser suficiente versátil para predecir muchos resultados diferentes”, que también es la división de ciencias de datos y de datos de una VASU. “Arreglamos nuestro modelo al mismo tiempo y descubrimos que predice complicaciones más precisas que los modelos especialmente capacitados para detectar complicaciones individuales.
“Este modelo versátil tiene la capacidad de desplegarse en varios entornos clínicos”, dijo Joanna Ibrahim, profesora asociada de anestesiología en Wasu Medicine y miembro del Instituto de Información (I2) en Wasu Medicine. “Al señalar los riesgos iniciales, puede convertirse en una herramienta invaluable para los terapeutas, lo que les permite realizar medidas activas activas y adaptar la intervención para mejorar los resultados de los pacientes”.
El estudio cuenta con el apoyo de la Agencia para la Investigación y Calidad de la Atención Médica dentro del Departamento de Salud y Servicios Humanos de los Estados Unidos (R01 HS029324-02).
