Modele lingvistice mari (LLM) în cardiologie: revizuire sistematică a 33 de studii — diagnostic ECG, insuficiență cardiacă și educație medicală, JMIR Cardio 2026

LLM în medicină — de la ChatGPT la aplicații cardiologice specializate

Modelele de limbaj mare (Large Language Models — LLM) reprezintă cea mai recentă și mai spectaculoasă generație de sisteme de inteligență artificială (IA) bazate pe arhitecturi transformer, cu potențial transformațional în medicină și în cardiologie în particular:

• Evoluția LLM-urilor și arhitectura transformer: LLM-urile sunt rețele neuronale de mari dimensiuni (sute de miliarde de parametri) pre-antrenate pe corpusuri masive de text (internet, cărți, articole medicale, cod de programare) prin modelare auto-regresivă sau masked language modeling; GPT (Generative Pre-trained Transformer): familia principală — GPT-3 (175 miliarde parametri, 2020), GPT-3.5 (ChatGPT, lansat noiembrie 2022), GPT-4 (multimodal, 2023); alte LLM relevante în medicină: Claude (Anthropic), Gemini (Google DeepMind), LLaMA (Meta), Meditron (Medical LLM open-source), BioMedLM, Med-PaLM 2; RLHF (Reinforcement Learning from Human Feedback): tehnica prin care ChatGPT a fost aliniat la preferințele umane → răspunsuri mai clare, mai utile, mai sigure.
• Aplicațiile potențiale ale LLM în cardiologie: educație medicală și a pacienților: explicarea bolilor cardiovasculare, a medicamentelor și procedurilor în limbaj accesibil → reducerea decalajului de cunoaștere între medic și pacient; asistența în diagnosticul diferențial: analiza istoricului medical, a simptomelor și a rezultatelor investigațiilor → liste de diagnostic diferențial; interpretarea investigațiilor: EKG, ecocardiografie, angiografie coronariană (necesită modele multimodale); suport decizional clinic: recomandarea terapeutică bazată pe ghiduri (ACC/AHA, ESC), verificarea contraindicațiilor medicamentoase, calculatoare de risc cardiovascular (SCORE2, Framingham, STS score); documentarea medicală: generarea automată a scrisorilor de externare, a rapoartelor de consultație, a epicrizelor; cercetare: analiza rapidă a literaturii medicale, sinteza sistematică, generarea de ipoteze de cercetare.
• Riscurile și limitele LLM în context clinic: halucinațiile (hallucinations): LLM-urile pot genera informații plauzibile dar incorecte cu mare încredere — risc major în context clinic unde acuratețea este vitală; informații perimate (outdated information): GPT-3.5 are un prag de cunoaștere (knowledge cutoff) din septembrie 2021, GPT-4 din aprilie 2023 — ghidurile cardiologice actualizate frecvent nu sunt incluse; lipsa gândirii cauzale: LLM-urile identifică tipare statistice, nu înțeleg cauzalitatea mecanistică → limitare în raționamentul medical complex; absența conștiinței: LLM-urile nu știu ce nu știu → nu recunosc limitele cunoașterii lor (spre deosebire de un clinician experimentat); reglementarea: LLM-urile nu sunt dispozitive medicale aprobate FDA/CE → nu pot fi folosite ca diagnostic definitiv; confidențialitate (GDPR, HIPAA): datele pacienților nu pot fi introduse în LLM-uri publice fără garanții de confidențialitate adecvate.

Performanțele ChatGPT în cardiologie — rezultatele revizuirii sistematice din 33 de studii

Gendler, Nadkarni, Sudri, Cohen-Shelly, Glicksberg, Efros, Soffer și Klang (JMIR Cardio, epub 2026-04-16) sintetizează performanțele LLM în aplicații cardiologice specifice:

• Cunoașterea cardiologică generală și insuficiența cardiacă: evaluarea cunoașterii cardiologice prin întrebări standardizate (multiple-choice, întrebări deschise): ChatGPT-3.5: 91% răspunsuri corecte la întrebările despre insuficiența cardiacă — performanță comparabilă cu un rezident cardiolog; limitarea majoră: nivelul de lectură al răspunsurilor este semnificativ superior accesibilității pacienților (gradul de lectură adesea la nivel de universitate vs. recomandat grade 6-8 pentru materiale de sănătate publică) → informațiile sunt corecte, dar inaccesibile pacienților cu educație medie.
• Educația medicilor vs. educația pacienților: compararea utilității ChatGPT-4 pentru medici vs. pacienți: medici: 66% acuratețe în răspunsurile la întrebări clinice complexe → util ca instrument de referință rapidă sau de sinteză; pacienți: 38% acuratețe în răspunsurile adaptate nivelului pacienților — performanță semnificativ mai mică; explicația: ChatGPT este mai bun în limbajul medical specializat decât în simplificarea informațiilor medicale pentru publicul larg; implicație: LLM-urile pot fi mai utile ca instrumente pentru medici (suport decizional rapid) decât pentru autoconsultul direct al pacienților.
• Interpretarea EKG — o aplicație cu potențial deosebit: interpretarea EKG cu ChatGPT-4 (în studiile care au inclus imagini EKG — GPT-4 are capacitate multimodală): 91% acuratețe în interpretarea traseelor EKG standard (ritm sinusal, fibrilație atrială, bloc AV, STEMI, NSTEMI, WPW); limitele interpretării EKG de LLM: performanță mai slabă la EKG-uri cu anomalii subtile sau rare (flutter atrial cu conducere variabilă, sindrom Brugada incipient, WPW seronegativ); LLM-ul nu poate evalua starea clinică a pacientului → contextul clinic este esențial pentru interpretare; competiția cu algoritmi ECG dedicați: sisteme ECG digitale (Apple Watch ECG, algoritmi SCP-ECG, AliveCor KardiaMobile) cu sensibilitate/specificitate validate clinic → LLM mai puțin precis decât algoritmii specializați pentru diagnoza automată.
• Ghidajul de urgență cardiologică — domeniu critic cu performanțe slabe: scenarii de urgență cardiologică (sindrom coronarian acut, stop cardiac, aritmii amenințătoare de viață): performanță semnificativ mai slabă → risc de recomandări incorecte sau incomplete; LLM-urile nu oferă răspunsuri în timp real adaptate stării pacientului; halucinațiile sunt mai frecvente în scenariile de urgență cu date clinice incomplete; recomandările ghidurilor (ACLS, ESC) sunt urmate inconsistent → nu pot fi utilizate ca suport de decizie în urgență fără validare specifică.
• Acuratețea, ușurința de lectură și pregătirea clinică: disparitate acuratețe-lectură: LLM-uri cu acuratețe crescută (91% ChatGPT-3.5) au nivel de lectură ridicat → inaccesibil pacienților; pregătirea clinică (readiness): niciun LLM evaluat nu este pregătit pentru utilizare autonomă clinică → suport, nu substituție pentru clinician.

Direcțiile viitoare — modele multimodale, validare prospectivă și integrarea în practica cardiologică

Gendler et al. identifică condițiile pentru adoptarea LLM în cardiologia clinică:

• Modele multimodale pentru cardiologie — integrarea imaginilor și datelor clinice: GPT-4V, Gemini Ultra, Claude 3: modele cu capacitate de a procesa și text și imagini → potențial pentru interpretarea simultană a EKG, ecocardiografie, angiografie și date clinice; LLM specializate în cardiologie: fine-tuning-ul pe date cardiologice specifice (rapoarte de cateterism, date din registrele ACC, publicații ESC) → performanțe superioare față de LLM generaliste; CardioGPT, ECG-FM, HeartGPT — modele specializate în curs de evaluare, cu date preliminare promițătoare.
• Validarea prospectivă și integrarea în fluxul de lucru clinic: studii de impact clinic real: nu doar acuratețe pe benchmark-uri retrospective, ci dacă utilizarea LLM de către clinicieni reduce erorile diagnostice, îmbunătățește aderența la ghiduri, reduce timpul de luare a deciziilor; design-ul studiilor: studii clinice randomizate comparând clinicieni cu LLM-suport vs. clinicieni fără LLM → obiective secundare de siguranță și calitate; integrarea în sistemele informatice clinice (EHR — Electronic Health Records): accesul LLM la date clinice reale (anonimizate) din EHR → rezumate clinice automate, alertare la medicamentele contraindicate, recomandări ghid context-specifice; conformitatea cu GDPR (Europa) și HIPAA (SUA): utilizarea datelor pacienților de LLM necesită soluții de anonimizare robuste sau LLM-uri locale (on-premise) în spitale.
• Limitele adoptării și reglementarea LLM în cardiologie: FDA: LLM-urile pentru diagnostic sau recomandări clinice sunt Software as Medical Device (SaMD) → necesită clearance 510(k) sau PMA; EMA/MDR: clasarea ca dispozitiv medical clasa II sau III în Europa; responsabilitate medicală (liability): dacă LLM recomandă greșit și pacientul este afectat, cine răspunde — medicul sau producătorul? → barieră majoră pentru adoptare; lipsa transparenței (black-box): LLM-urile nu explică rațiunea din spatele răspunsurilor → imposibilitate de audit → rezistența clinicienilor; necesitatea educației medicale specifice despre utilizarea LLM: curriculum actualizat în facultățile de medicină pentru utilizarea responsabilă a IA.