Arq Neuropsiquiatr. 2025 noviembre;83(11):1-9. doi: 10.1055/s-0045-1813238. Publicación electrónica del 2 de diciembre de 2025.

La identificación oportuna de la oclusión de grandes vasos (OVL) en el accidente cerebrovascular isquémico es esencial para optimizar la clasificación prehospitalaria y permitir la movilización rápida de equipos capacitados para la trombectomía. Las herramientas tradicionales de detección de LVO suelen ser largas y dependen de habilidades de examen neurológico que pueden ser inaccesibles para los no especialistas. Evaluar la capacidad de los modelos de lenguaje grandes (LLM) para detectar LVO utilizando solo resúmenes de texto libre, con o sin datos de la Escala de Accidentes Cerebrovasculares de los Institutos Nacionales de Salud (NIHSS), en un servicio nacional de teleneurología. Realizamos un análisis retrospectivo de 2.887 casos sospechosos de accidente cerebrovascular en 21 hospitales hablados dentro de una red nacional de TeleStroke. Los resúmenes de casos escritos por neurólogos se procesaron utilizando técnicas de procesamiento de lenguaje natural, incluida la incrustación de texto y la clasificación supervisada por aprendizaje automático. Los LLM contextuales (BERTimbau, BioBERTpt, GPorTuguese-2) se evaluaron con cinco algoritmos. Se empleó el método Bootstrap para mitigar el desequilibrio de clases, con un rendimiento promedio de más de 100 iteraciones. De 1060 casos incluidos en el conjunto de datos final, 143 tenían oclusiones proximales confirmadas. La mediana de la puntuación CT temprana del Programa de Accidentes Cerebrovasculares de Alberta (ASPECTS) fue de 9 y la media de la Escala de Accidentes Cerebrovasculares de los Institutos Nacionales de Salud (NIHSS) fue de 5,4 ± 2. AdaBoost combinado con BioBERT produjo la mayor precisión (89,82%), precisión (98,37%) y AUC (89,86%). La incorporación de NIHSS como característica numérica mejoró la recuperación (87,60 % con perceptrón multicapa) y la puntuación F1 (89,05 % con red neuronal densa). BioBERT superó consistentemente a otros modelos, independientemente de la inclusión del NIHSS. Los modelos basados ​​en LLM demostraron un sólido desempeño en la identificación de LVO utilizando narrativas clínicas de rutina. Estos hallazgos respaldan la integración de PNL y ML en los sistemas TeleStroke y subrayan la necesidad de una mayor validación en conjuntos de datos multilingües más grandes para garantizar la generalización y la aplicabilidad clínica.

PubMed:41330566 | DOI:10.1055/s-0045-1813238