Leveraging ChatGPT y Long Short-Term Memory en algoritmo recomendador para autogestión de factores de riesgo cardiovascular
Autores: Afanasieva, Tatiana V.; Platov, Pavel V.; Komolov, Andrey V.; Kuzlyakin, Andrey V.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Leveraging ChatGPT y Long Short-Term Memory en algoritmo recomendador para autogestión de factores de riesgo cardiovascular
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Algoritmos de recomendación
Salud cardiovascular
Enfermedades cardiovasculares
Autogestión
AutoML
LSTM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
Una de las nuevas tendencias en el desarrollo de algoritmos de recomendación es la difusión de sus capacidades para apoyar a la población en el manejo de su salud, en particular la salud cardiovascular. Las enfermedades cardiovasculares (ECVs) afectan a las personas en su mejor edad y siguen siendo la principal causa de morbilidad y mortalidad en todo el mundo, y su tratamiento clínico es costoso y consume mucho tiempo. Al mismo tiempo, cerca del 80% de ellas pueden prevenirse, según la Federación Mundial de Cardiología. El objetivo de este estudio es desarrollar e investigar un algoritmo recomendador basado en el conocimiento para el autogestión de factores de riesgo de ECV en adultos en sus hogares. El algoritmo propuesto se basa en el perfil original del usuario, que incluye una evaluación predictiva de la presencia de ECV. Para obtener un puntaje predictivo para la presencia de ECV, se estudiaron modelos AutoML y LSTM en el conjunto de datos de Kaggle, y se demostró que el modelo LSTM, con una precisión del 0.88, superó al modelo AutoML. Las recomendaciones del algoritmo generadas contienen elementos de tres tipos: dirigidos, informativos y explicativos. Por primera vez, se aprovecharon y estudiaron grandes modelos de lenguaje, a saber, ChatGPT-3.5, ChatGPT-4 y ChatGPT-4.o, en la creación de explicaciones de las recomendaciones. Los experimentos muestran lo siguiente: (1) Al explicar recomendaciones, ChatGPT-3.5, ChatGPT-4 y ChatGPT-4.o demuestran una alta precisión del 71% al 91% y coherencia con las modernas pautas oficiales del 84% al 92%. (2) Las propiedades de seguridad de las explicaciones generadas por ChatGPT, estimadas por médicos, recibieron la puntuación más alta de casi el 100%. (3) En promedio, la estabilidad y corrección de las respuestas de GPT-4.o fueron más aceptables que las de otros modelos para crear explicaciones. (4) El grado de satisfacción del usuario con las recomendaciones obtenidas utilizando el algoritmo propuesto fue del 88%, y la valoración de la utilidad de las recomendaciones fue del 92%.
Descripción
Una de las nuevas tendencias en el desarrollo de algoritmos de recomendación es la difusión de sus capacidades para apoyar a la población en el manejo de su salud, en particular la salud cardiovascular. Las enfermedades cardiovasculares (ECVs) afectan a las personas en su mejor edad y siguen siendo la principal causa de morbilidad y mortalidad en todo el mundo, y su tratamiento clínico es costoso y consume mucho tiempo. Al mismo tiempo, cerca del 80% de ellas pueden prevenirse, según la Federación Mundial de Cardiología. El objetivo de este estudio es desarrollar e investigar un algoritmo recomendador basado en el conocimiento para el autogestión de factores de riesgo de ECV en adultos en sus hogares. El algoritmo propuesto se basa en el perfil original del usuario, que incluye una evaluación predictiva de la presencia de ECV. Para obtener un puntaje predictivo para la presencia de ECV, se estudiaron modelos AutoML y LSTM en el conjunto de datos de Kaggle, y se demostró que el modelo LSTM, con una precisión del 0.88, superó al modelo AutoML. Las recomendaciones del algoritmo generadas contienen elementos de tres tipos: dirigidos, informativos y explicativos. Por primera vez, se aprovecharon y estudiaron grandes modelos de lenguaje, a saber, ChatGPT-3.5, ChatGPT-4 y ChatGPT-4.o, en la creación de explicaciones de las recomendaciones. Los experimentos muestran lo siguiente: (1) Al explicar recomendaciones, ChatGPT-3.5, ChatGPT-4 y ChatGPT-4.o demuestran una alta precisión del 71% al 91% y coherencia con las modernas pautas oficiales del 84% al 92%. (2) Las propiedades de seguridad de las explicaciones generadas por ChatGPT, estimadas por médicos, recibieron la puntuación más alta de casi el 100%. (3) En promedio, la estabilidad y corrección de las respuestas de GPT-4.o fueron más aceptables que las de otros modelos para crear explicaciones. (4) El grado de satisfacción del usuario con las recomendaciones obtenidas utilizando el algoritmo propuesto fue del 88%, y la valoración de la utilidad de las recomendaciones fue del 92%.