Los modelos de lenguaje a escala del sistema de salud son motores de predicción para todo uso

Los médicos toman decisiones críticas bajo presión de tiempo todos los días. Los modelos predictivos clínicos pueden ayudar a médicos y administradores a tomar decisiones al pronosticar eventos clínicos y operativos. Los modelos predictivos clínicos existentes basados en datos estructurados tienen uso limitado en la práctica diaria debido a la complejidad en el procesamiento de datos, así como en el desarrollo y despliegue del modelo1-3. Aquí mostramos que las notas clínicas no estructuradas del registro electrónico de salud pueden permitir el entrenamiento de modelos de lenguaje clínico, que pueden ser usados como motores predictivos clínicos para todo uso con un desarrollo y despliegue de baja resistencia. Nuestro enfoque aprovecha los avances recientes en procesamiento de lenguaje natural4,5 para entrenar un modelo de lenguaje grande para lenguaje médico (NYUTron) y posteriormente afinarlo en una amplia gama de tareas predictivas clínicas y operativas. Evaluamos nuestro enfoque dentro de nuestro sistema de salud para cinco de estas tareas: predicción de reingreso a 30 días por cualquier causa, predicción de mortalidad intrahospitalaria, predicción del índice de comorbilidad, predicción de duración de la estancia, y predicción de rechazo de seguro. Mostramos que NYUTron tiene un área bajo la curva (AUC) de 78.7-94.9%, con una mejora de 5.36-14.7% en el AUC comparado con modelos tradicionales. Además demostramos los beneficios del preentrenamiento con texto clínico, el potencial para aumentar la generalizabilidad a diferentes sitios mediante afinación y el despliegue completo de nuestro sistema en un ensayo prospectivo de brazo único. Estos resultados muestran el potencial para usar modelos de lenguaje clínico en medicina para leer junto a los médicos y proporcionar orientación en el punto de atención.