Naukowcy stworzyli framework oparty na dużych modelach językowych wspomagany interwencją człowieka, który znacznie lepiej wykrywa powikłania immunologiczne dotyczące skóry niż tradycyjna ręczna analiza notatek klinicznych. System retrieval-augmented LLM osiągnął wynik F1 = 0,88 wobec 0,77 dla ręcznego przeglądu, a Cohen's kappa dla zgody między recenzentami wyniosła 0,82 w stosunku do wcześniejszych 0,50. Dodatkowo metoda skróciła średni czas analizy o około połowę.
Framework stanowi połączenie technologii LLM-ów z tradycyjnym doświadczeniem klinicznym - model wspomaga przegląd, ale ostateczne decyzje podejmują eksperci medyczni. To podejście human-in-the-loop okazało się kluczowe dla osiągnięcia wysokiej dokładności przy zachowaniu niezawodności wyników. System wykorzystuje retrieval-augmented generation, co oznacza że LLM ma dostęp do bazy wiedzy medycznej, a nie tylko operuje uogólnioną wiedzą.
Zasadnicze znaczenie ma potencjał skalowania tego rozwiązania na wykrywanie toksyczności immunologicznej w innych narządach i układach - nie tylko skórze. Badania sugerują, że tego typu podejście może stanowić fundamentalną zmianę w gromadzeniu danych o nowych zdarzeniach niepożądanych, czyniąc ten proces bardziej przejrzystym, dokładnym i efektywnym w praktyce klinicznej.