Les modèles de langage large (LLMs) ont montré des capacités prometteuses dans divers domaines, mais leur application à des tâches de prédiction clinique complexes reste limitée. Dans cette étude, nous présentons CARE-AD (Analyse Collaborative et Évaluation des Risques pour la Maladie d'Alzheimer), un cadre basé sur LLM multi-agents pour prévoir l'apparition de la maladie d'Alzheimer (AD) en analysant les notes des dossiers de santé électroniques (DSE) longitudinales. CARE-AD assigne des agents LLM spécialisés pour extraire les signes et symptômes pertinents à l'AD et réaliser des évaluations spécifiques au domaine, émulant un processus diagnostique collaboratif. Lors d'une évaluation rétrospective, CARE-AD a atteint une précision plus élevée (0,53 contre 0,26-0,45) que les approches de modèles uniques de référence dans la prédiction du risque d'AD 10 ans avant le premier code de diagnostic enregistré. Ces résultats soulignent la faisabilité d'utiliser des systèmes LLM multi-agents pour soutenir l'évaluation précoce des risques pour l'AD et motivent de nouvelles recherches sur leur intégration dans les flux de travail de soutien à la décision clinique.
Li et al. (Sun,) ont étudié cette question.