Les chercheurs ont développé MOSAIC, un cadre de modèle de langage large (LLM) à deux phases et basé sur des agents pour le phénotypage de la sévérité, en utilisant le diabète de type 2 comme preuve de concept. Le système synthétise les preuves cliniques et raisonne sur les dossiers de santé électroniques (EHR) pour capturer la sévérité multidimensionnelle de la maladie.

  • Évalué sur une cohorte synthétique de 5 086 patients par rapport à trois vérités fondamentales algorithmiques (DCSI, DiSSCo, Cooper) et aux issues de mortalité.
  • MOSAIC à poids ouverts a égalé le pipeline propriétaire avec un kappa pondéré de 0,773.
  • Le cadre couvre des domaines absents des comparateurs, y compris le stade glycémique basé sur les biomarqueurs et les déterminants sociaux de la santé.
  • Les niveaux basés sur des agents ont montré une séparation significative de la mortalité toutes causes confondues (log-rank p < 0,001) et ont divergé de l'exécution déterministe (kappa = 0,428).

L'étude démontre que les systèmes LLM agents peuvent générer et appliquer des phénotypes de sévérité cliniquement pertinents à partir de données EHR structurées.