{"id":9968,"date":"2024-02-13T13:08:02","date_gmt":"2024-02-13T13:08:02","guid":{"rendered":"https:\/\/dailyai.com\/?p=9968"},"modified":"2024-02-13T13:08:02","modified_gmt":"2024-02-13T13:08:02","slug":"gpt-4v-offers-big-benefits-in-clinical-trial-screening","status":"publish","type":"post","link":"https:\/\/dailyai.com\/es\/2024\/02\/gpt-4v-offers-big-benefits-in-clinical-trial-screening\/","title":{"rendered":"GPT-4V ofrece grandes ventajas en el cribado de ensayos cl\u00ednicos"},"content":{"rendered":"

La selecci\u00f3n de pacientes para encontrar participantes adecuados para ensayos cl\u00ednicos es una tarea laboriosa, costosa y propensa a errores, pero la IA pronto podr\u00eda solucionarlo.<\/strong><\/p>\n

Un equipo de investigadores del Brigham and Women's Hospital, la Facultad de Medicina de Harvard y el Mass General Brigham Personalized Medicine, realiz\u00f3 un estudio para comprobar si un modelo de IA pod\u00eda procesar historiales m\u00e9dicos para encontrar candidatos adecuados para ensayos cl\u00ednicos.<\/p>\n

Utilizaron GPT-4V, el LLM de OpenAI con procesamiento de im\u00e1genes, habilitado por Retrieval-Augmented Generation (RAG) para procesar las historias cl\u00ednicas electr\u00f3nicas (HCE) y las notas cl\u00ednicas de los posibles candidatos.<\/p>\n

Los LLM se entrenan previamente utilizando un conjunto de datos fijo y s\u00f3lo pueden responder a preguntas basadas en esos datos. La GAR es una t\u00e9cnica que permite a un LLM recuperar datos de fuentes externas, como Internet o los documentos internos de una organizaci\u00f3n.<\/p>\n

Cuando se selecciona a los participantes de un ensayo cl\u00ednico, su idoneidad se determina mediante una lista de criterios de inclusi\u00f3n y exclusi\u00f3n. Para ello, normalmente es necesario que personal cualificado rastree las historias cl\u00ednicas electr\u00f3nicas de cientos o miles de pacientes para encontrar a los que cumplen los criterios.<\/p>\n

Los investigadores recopilaron datos de un ensayo cuyo objetivo era reclutar pacientes con insuficiencia cardiaca sintom\u00e1tica. Utilizaron esos datos para ver si la GPT-4V con RAG pod\u00eda hacer el trabajo de forma m\u00e1s eficiente que el personal del estudio, manteniendo la precisi\u00f3n.<\/p>\n

Los datos estructurados de las HCE de los posibles candidatos podr\u00edan utilizarse para determinar 5 de 6 criterios de inclusi\u00f3n y 5 de 17 de exclusi\u00f3n para el ensayo cl\u00ednico. Esa es la parte f\u00e1cil.<\/p>\n

Los 13 criterios restantes deb\u00edan determinarse consultando los datos no estructurados de las notas cl\u00ednicas de cada paciente, que es la parte laboriosa en la que los investigadores esperaban que les ayudara la IA.<\/p>\n

\n

\ud83d\udd0dCan @Microsoft<\/a> @Azure<\/a> @OpenAI<\/a>'s #GPT4<\/a> \u00bfse comporta mejor que un ser humano en el cribado de ensayos cl\u00ednicos? Nos hemos hecho esta pregunta en nuestro estudio m\u00e1s reciente y me complace enormemente compartir nuestros resultados en preprint:https:\/\/t.co\/lhOPKCcudP<\/a>
\nIntegrar la GPT4 en los ensayos cl\u00ednicos no es...<\/p>\n

- Ozan Unlu (@OzanUnluMD) 9 de febrero de 2024<\/a><\/p><\/blockquote>\n