Analiza sentimentelor generată de modele lingvistice mari pentru predicția sindromului hepatorenal

Un studiu realizat la Universitatea din California, San Francisco a utilizat modele lingvistice mari pentru a analiza notele clinice de internare ale pacienților cu ciroză decompensată și leziune renală acută. Cercetarea a evaluat dacă analiza sentimentului din documentația clinică neorganizată poate îmbunătăți predicția instalării sindromului hepatorenal–leziune renală acută.
Modelele lingvistice mari, capabile să înțeleagă și să reproducă limbajul uman, sunt tot mai utilizate în domeniul medical pentru extragerea automată de informații și pentru modelarea riscului clinic. Notele clinice reprezintă un depozit bogat de detalii, însă natura lor neorganizată limitează utilizarea lor în predicția medicală standard, care se bazează în principal pe date structurate.

Analiza sentimentului este o formă de procesare a limbajului natural care cuantifică polaritatea unei opinii. În context medical, aceasta poate surprinde gradul de îngrijorare exprimat de clinicieni față de o anumită problemă. În special în ciroză, un domeniu în care judecata clinică joacă un rol esențial, sentimentul exprimat în notele de internare poate reflecta suspiciunea precoce pentru complicații severe.

Sindromul hepatorenal–leziune renală acută este una dintre cele mai grave complicații ale cirozei decompensate, cu o mortalitate de aproximativ cincizeci la sută în primele luni. În absența unor biomarkeri fiabili și în contextul unei diagnostici bazate în mare parte pe excludere, utilizarea analizei sentimentului asupra documentației clinice ar putea reprezenta o sursă suplimentară de informație pentru modele predictive.

Despre studiu

Designul cercetării și populația studiată

Studiul a inclus pacienți înscriși anterior într-o cohortă prospectivă de transplant hepatic, internați consecutiv între anul 2012 și anul 2023. Au fost analizați trei sute paisprezece pacienți adulți cu ciroză decompensată și leziune renală acută prezentă la internare, definită prin creșterea creatininei serice cu cel puțin zero virgula trei miligrame pe decilitru sau cu cel puțin cincizeci la sută peste valoarea de bază din ultimele șapte zile.

Au fost excluși pacienții în dializă ambulatorie și cei fără note de internare accesibile. Diagnosticul final de sindrom hepatorenal–leziune renală acută a fost stabilit prin revizuire manuală a rezumatelor de externare, aplicând definițiile ghidurilor internaționale privind ciroza și leziunea renală acută.

Analiza sentimentului generată de modelul lingvistic mare

Sentimentul clinic a fost extras din notele de internare utilizând versiunea instituțională a modelului gpt-4o, configurată pentru protecția datelor sensibile. Sistemul a fost instruit prin iterații succesive pentru a produce:

• un scor numeric între zero și unu, care exprimă gradul de suspiciune clinică pentru sindromul hepatorenal–leziune renală acută,
• cinci expresii cheie folosite în fundamentarea scorului,
• un indicator binar pentru prezența sau absența unor termeni clinici relevanți.

Un scor mai apropiat de unu indica o suspiciune mai puternică din partea echipei medicale. Modelul a fost setat cu temperatură zero pentru a obține rezultate cât mai deterministe.

Extracția termenilor clinici din text neorganizat

În completarea scorului de sentiment, modelul lingvistic a fost folosit pentru a identifica opt caracteristici clinice dificil de codificat în format structurat: intoleranța la diuretice, semne sugestive pentru șoc, ascită refractară, expunere la nefrotoxice, indicii pentru leziune renală prerenală, prezența peritonitei bacteriene spontane, administrarea de octreotid și prezența edemului pulmonar. Acestea au fost utilizate ca variabile în modele de regresie logistică.

Date clinice structurate

Setul de covariate structurate a inclus vârsta, sexul, presiunea arterială medie, valorile de laborator la internare (albumină, bilirubină totală, raportul internațional normalizat, sodiu, creatinină), creatinina de bază și prezența ascitei.

Modelarea statistică

Au fost construite patru modele multivariate:

• modelul cu date structurate,
• modelul cu date structurate și scorul de sentiment,
• modelul cu date structurate și termenii clinici extrași,
• modelul complet, care include atât scorul de sentiment, cât și termenii clinici extrași.

Datele au fost împărțite într-un set de antrenament (optzeci la sută) și unul de testare (douăzeci la sută), iar performanța modelelor a fost evaluată prin sensibilitate, specificitate, valori predictive și aria de sub curba operațională a receptorului.

Rezultate

Caracteristicile populației

Vârsta mediană a pacienților a fost de cincizeci și nouă virgula cinci ani, cu un procent ușor mai ridicat de bărbați. Pacienții care au dezvoltat sindrom hepatorenal–leziune renală acută au prezentat valori mai ridicate ale creatininei bazale și scoruri de severitate hepatică mai mari. Scorurile de sentiment au fost mai ridicate în grupul cu sindrom hepatorenal–leziune renală acută, media intercuartilică fiind zero virgula opt față de zero virgula șapte.

Performanța scorului de sentiment

În analiză univariată, o creștere cu zero virgula unu a scorului de sentiment a fost asociată cu o probabilitate semnificativ mai mare de sindrom hepatorenal–leziune renală acută. Această asociere s-a menținut și în modelele ajustate pentru variabile clinice. Modelul lingvistic a identificat frecvent termeni precum albumină, ascită și hepatorenal, sugerând că sistemul surprinde elemente clinice relevante pentru diagnosticul sindromului.

Performanța termenilor clinici extrași

Unii termeni extrași – precum ascita refractară, intoleranța la diuretice și administrarea de octreotid – s-au asociat cu prezența sindromului hepatorenal–leziune renală acută în analizele neajustate. După ajustare, asocierile au fost atenuate, însă au păstrat direcția relației.

Performanța modelelor predictive

Modelul bazat exclusiv pe date structurate a avut o arie sub curba operațională a receptorului de zero virgula șaizeci și trei. Adăugarea scorului de sentiment a crescut performanța la zero virgula șaptezeci. Adăugarea termenilor clinici extrași a ridicat performanța la zero virgula șaptezeci și patru. Modelul complet, care a integrat atât sentimentul, cât și termenii extrași, a obținut cea mai bună performanță, cu o arie sub curba operațională a receptorului de zero virgula șaptezeci și nouă.

Interpretarea generală

Scorurile de sentiment generate de modelul lingvistic au surprins nuanțe ale gândirii clinicienilor care nu sunt reflectate în datele structurate. De asemenea, extragerea automată a caracteristicilor clinice dificil de codificat a oferit informații suplimentare, îmbunătățind performanța modelelor predictive. Aceste rezultate sugerează că inteligența artificială poate „traduce” notele clinice într-un set de variabile cu valoare prognostică, depășind limitele modelelor standard.

Concluzii

Modelele lingvistice mari pot analiza documentația clinică neorganizată pentru a genera scoruri de sentiment și variabile clinice tacite care, integrate cu datele structurate, îmbunătățesc predicția sindromului hepatorenal–leziune renală acută. Studiul demonstrează potențialul utilizării inteligenței artificiale pentru a valorifica informațiile ascunse în notele clinice și pentru a completa instrumentele clinice tradiționale.

Rezultatele sugerează că analiza sentimentului poate deveni un instrument valoros atât în cercetare, cât și în suportul decizional clinic, cu potențialul de a fi extinsă către numeroase alte domenii medicale.