Large language models for automated and audience-tailored labeling of latent classes

Share

Abstract

Objetivo: Este estudio compara múltiples LLM, incluyendo ChatGPT, DeepSeek y Llama, para generar etiquetas significativas y adaptadas a la audiencia para las clases latentes existentes entre pacientes con dolor lumbar crónico (cLBP). Métodos: Los fenotipos se derivaron de datos basales de dos cohortes dentro del consorcio NIH HEAL BACPAC: BACKHOME, una gran e-cohorte nacional (conjunto de entrenamiento: N = 3025), y COMEBACK, una cohorte de fenotipado profundo (conjunto de prueba: N = 450). El análisis incluyó características del dolor, factores psicosociales, hábitos de estilo de vida y determinantes sociales de la salud. Se aplicaron ChatGPT-4o (OpenAI), DeepSeek-R1 y Llama 3.3 (Meta) para generar etiquetas de clase para cada combinación de audiencia (clínico, paciente y cuidador), tono (formal, empático e informal) y tecnicidad (alta, media y baja). Resultados: El modelo de clases latentes (LCM) identificó cuatro fenotipos conductuales distintos en pacientes con cLBP: Alta Angustia y Conductas Desadaptativas, Afrontamiento Resiliente y Adaptativo, Patrones Desadaptativos Intermedios, y Regulación Emocional con Alta Carga de Dolor. Previamente validados por expertos del dominio, estos perfiles sirvieron de base para el etiquetado automatizado utilizando tres LLM (ChatGPT-4o, DeepSeek-R1 y Llama 3.3). Utilizando diferentes tonos y niveles de complejidad, cada modelo produjo etiquetas de clase específicas para clínicos, pacientes y cuidadores. Los nombres de clase generados por todos los LLM coincidieron estrechamente con los rasgos definidos por los expertos, como la regulación emocional, la resiliencia y la alta angustia, lo que indica una fuerte alineación conceptual y la capacidad de los LLM para generar etiquetas precisas y específicas para la audiencia en perfiles conductuales y psicológicos complejos. Conclusiones: Estos resultados destacan la posibilidad de integrar el etiquetado impulsado por LLM en la investigación y la práctica clínica, ayudando a lograr una traducción del conocimiento más transparente, una mejor toma de decisiones y una atención personalizada. [Traducción automática al español; idioma original: inglés.]