Large language models forecast patient health trajectories enabling digital twins

EN BREF ...

Le document présente le modèle DT-GPT (Digital Twin—Generative Pretrained Transformer), une innovation basée sur les grands modèles de langage (LLMs) pour la prévision des trajectoires cliniques des patients et le développement de jumeaux numériques. Ce modèle tire parti des dossiers de santé électroniques (DSE) sans exiger l'imputation ou la normalisation des données, gérant efficacement les défis des données réelles, tels que le bruit, les données manquantes et la taille limitée des échantillons. Évalué sur des ensembles de données couvrant le cancer du poumon non à petites cellules (NSCLC), les unités de soins intensifs (ICU) et la maladie d'Alzheimer, DT-GPT a démontré une performance de prévision supérieure aux modèles d'apprentissage automatique de pointe. DT-GPT a atteint la meilleure performance globale en réduisant l'erreur absolue moyenne mise à l'échelle (MAE) de 3,4 % (NSCLC), 1,3 % (ICU) et 1,8 % (Alzheimer) par rapport aux seconds meilleurs modèles de référence. Au-delà de la précision, le modèle maintient les distributions et les corrélations croisées des variables cliniques, offrant une interprétabilité via une interface conversationnelle. L'une de ses capacités remarquables est la prévision zero-shot, permettant de prédire des variables non entraînées, suggérant son potentiel en tant que plateforme de prévision clinique généralisable pour des applications dans les essais cliniques, la sélection de traitements et l'atténuation des événements indésirables