NYU y NVIDIA colaboran en un gran modelo de lenguaje para predecir la readmisión de pacientes.

NYU and NVIDIA collaborate on a large language model to predict patient readmission.

Darse de alta en el hospital es un hito importante para los pacientes, pero a veces no es el final de su camino hacia la recuperación. Casi el 15% de los pacientes hospitalizados en los Estados Unidos vuelven a ser admitidos en los 30 días posteriores a su alta inicial, lo que a menudo se asocia con peores resultados y mayores costos tanto para los pacientes como para los hospitales.

Los investigadores del NYU Langone Health, el centro médico académico de la Universidad de Nueva York, han colaborado con expertos de NVIDIA para desarrollar un gran modelo de lenguaje (LLM) que predice el riesgo de readmisión a 30 días de un paciente, así como otros resultados clínicos.

Desplegado en las seis instalaciones para pacientes hospitalizados del sistema de atención médica, el modelo NYUTron, presentado hoy en la revista científica Nature, proporciona a los médicos información impulsada por IA que podría ayudarles a identificar a los pacientes que necesiten una intervención clínica para reducir la probabilidad de readmisión.

“Cuando das de alta a un paciente del hospital, no esperas que necesite volver o probablemente deberías haberlo mantenido en el hospital por más tiempo”, dijo el Dr. Eric Oermann, profesor asistente de radiología y neurocirugía en la Escuela de Medicina Grossman de NYU y colaborador principal en NYUTron. “Usando el análisis del modelo de IA, pronto podríamos capacitar a los médicos para prevenir o solucionar situaciones que ponen a los pacientes en un mayor riesgo de readmisión”.

• Imágenes detalladas desde el espacio ofrecen una imagen más clara de los efectos de la sequía en las plantas.
• Sistema de inyección bacteriano entrega proteínas en ratones y células humanas.
• Un sistema robótico de cuatro patas para jugar al fútbol en diversos terrenos.

Hasta ahora, el modelo se ha aplicado a más de 50,000 pacientes dados de alta en el sistema de atención médica de NYU, donde comparte las predicciones de riesgo de readmisión con los médicos a través de notificaciones por correo electrónico. El equipo de Oermann planea realizar un ensayo clínico para probar si las intervenciones basadas en los análisis de NYUTron reducen las tasas de readmisión.

Abordando la amenaza de la readmisión rápida y más

El gobierno de los Estados Unidos realiza un seguimiento de las tasas de readmisión a los 30 días como indicador de la calidad de atención que brindan los hospitales. Las instituciones médicas con altas tasas son multadas, un nivel de escrutinio que incentiva a los hospitales a mejorar su proceso de alta.

Hay muchas razones por las que un paciente recién dado de alta puede necesitar ser readmitido en el hospital, entre ellas, la infección, el sobreuso de antibióticos, los drenajes quirúrgicos que se retiraron demasiado pronto. Si estos factores de riesgo se pudieran detectar antes, los médicos podrían intervenir ajustando los planes de tratamiento o monitoreando a los pacientes en el hospital por más tiempo.

“Si bien ha habido modelos computacionales para predecir la readmisión del paciente desde la década de 1980, lo estamos tratando como una tarea de procesamiento de lenguaje natural que requiere un corpus a escala de sistema de salud de texto clínico”, dijo Oermann. “Entrenamos nuestro LLM en los datos no estructurados de los registros electrónicos de salud para ver si podía capturar conocimientos que las personas no habían considerado antes”.

NYUTron fue pre-entrenado en 10 años de registros de salud de NYU Langone Health: más de 4 mil millones de palabras de notas clínicas que representan a casi 400,000 pacientes. El modelo logró una mejora de precisión de más del 10% sobre un modelo de aprendizaje automático de última generación para predecir la readmisión.

Una vez que el LLM se entrenó para el caso de uso inicial de la readmisión a 30 días, el equipo pudo generar cuatro algoritmos predictivos adicionales en alrededor de una semana. Estos incluyen la predicción de la duración de la estancia en el hospital de un paciente, la probabilidad de mortalidad en el hospital y las posibilidades de que se rechacen las reclamaciones de seguros de un paciente.

“Administrar un hospital es de alguna manera como administrar un hotel”, dijo Oermann. “Los conocimientos que ayudan a los hospitales a operar de manera más eficiente significan más camas y una mejor atención para un mayor número de pacientes”.

Llevando un LLM del entrenamiento a la implementación

NYUTron es un LLM con cientos de millones de parámetros, entrenado utilizando el marco NVIDIA NeMo Megatron en un gran clúster de GPUs Tensor Core NVIDIA A100.

“Gran parte de la conversación sobre modelos de lenguaje en este momento se centra en modelos gigantescos y de propósito general con miles de millones de parámetros, entrenados en conjuntos de datos desordenados usando cientos o miles de GPU”, dijo Oermann. “En cambio, estamos usando modelos de tamaño medio entrenados en datos altamente refinados para realizar tareas específicas en el campo de la atención médica”.

Para optimizar el modelo para su uso en hospitales del mundo real, el equipo desarrolló una versión modificada del software de código abierto NVIDIA Triton para la implementación simplificada de modelos de IA utilizando el kit de desarrollo de software NVIDIA TensorRT.

“Para implementar un modelo como este en un entorno de atención médica en vivo, debe funcionar de manera eficiente”, dijo Oermann. “Triton ofrece todo lo que desea en un marco de inferencia, lo que hace que nuestro modelo sea extremadamente rápido”.

El equipo de Oermann descubrió que después de pre-entrenar su LLM, el ajuste fino en el sitio con los datos específicos del hospital ayudó a aumentar significativamente la precisión, una característica que podría ayudar a otras instituciones de atención médica a implementar modelos similares.

“No todos los hospitales tienen los recursos para entrenar un gran modelo de lenguaje desde cero en sus instalaciones, pero pueden adoptar un modelo preentrenado como NYUTron y luego ajustarlo con una pequeña muestra de datos locales utilizando GPUs en la nube”, dijo. “Eso está al alcance de casi todos en el campo de la salud”.

Para obtener más información sobre NYUTron, lea el artículo de la revista Nature y vea esta charla de NVIDIA y NYU bajo demanda.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!