Survprompt évalue les prédictions de survie des modèles de langage

OOndine

Des chercheurs présentent Survprompt, une méthode qui transforme des caractéristiques structurées de patients en vignettes cliniques pour évaluer la capacité de grands modèles de langage préentraînés à prédire la survie, selon arXiv. Le principe consiste à fournir aux modèles une description textuelle de données sur des patients, puis à leur demander une prédiction, sans les entraîner spécifiquement à cette tâche. Survprompt met ainsi à l’épreuve des modèles déjà préentraînés, en leur présentant des informations sous une forme clinique textuelle plutôt que sous la forme de données structurées d’origine. L’étude compare cette approche à des méthodes classiques d’analyse de survie, dont les forêts aléatoires de survie, sur 2 cohortes multicentriques consacrées aux cancers. Ces cohortes sont MSK-CHORD et une cohorte constituée par Providence St. Jose ; le protocole confronte donc les prédictions des modèles de langage à celles de méthodes classiques sur des données issues de plusieurs centres. Cette comparaison porte sur la prédiction de la survie, un domaine où, souligne l’étude, la précision des grands modèles de langage n’avait pas encore été évaluée rigoureusement.