Los investigadores desarrollaron MOSAIC, un marco de modelo de lenguaje grande agente de dos fases para el fenotipado de gravedad, utilizando diabetes tipo 2 como prueba de concepto. El sistema sintetiza evidencia clínica y razona sobre Historiales Médicos Electrónicos para capturar la gravedad multidimensional de la enfermedad.
- Evaluado en una cohorte sintética de 5.086 pacientes frente a tres verdades fundamentales algorítmicas (DCSI, DiSSCo, Cooper) y resultados de mortalidad.
- MOSAIC de pesos abiertos igualó la tubería propietaria con una kappa ponderada de 0.773.
- El marco abarca dominios ausentes en los comparadores, incluyendo la etapa glucémica basada en biomarcadores y los determinantes sociales de la salud.
- Las capas basadas en agentes mostraron una separación significativa de la mortalidad por todas las causas (log-rank p < 0.001) y divergieron de la ejecución determinista (kappa = 0.428).
El estudio demuestra que los sistemas LLM agentes pueden generar y aplicar fenotipos de gravedad clínicamente significativos a partir de datos EHR estructurados.