Un nou studiu, publicat online pe 7 ianuarie 2026 în npj Digital Medicine, arată că un sistem AI bazat pe modele de limbaj poate identifica mai devreme „îngrijorări cognitive” (semne care merită urmărite, nu un diagnostic în sine) din notițele clinice scrise de medici. Miza este practică: primele indicii de declin cognitiv apar adesea în formulări scurte din fișa pacientului, iar specialiștii au timp limitat și un volum mare de cazuri. Autorii precizează că instrumentul este gândit să sprijine decizia clinică, ca un filtru care semnalează dosarele ce ar putea necesita reevaluare, nu să înlocuiască medicul. Rezultatele vin însă cu o limitare importantă: performanța poate scădea semnificativ când sistemul este testat pe date care reflectă mai bine prevalența din lumea reală.
Ce a făcut concret AI-ul: a „citit” notițele clinice și a căutat semnale de îngrijorare
Autorii pornesc de la o problemă descrisă în lucrare: depistarea timpurie a afectării cognitive este limitată de instrumentele clasice de screening și de constrângeri de resurse. În loc să se bazeze doar pe teste standardizate, cercetătorii au construit fluxuri de lucru care folosesc modele mari de limbaj pentru a identifica îngrijorări cognitive direct din narațiunea din fișele medicale — inclusiv observații din consultații, note de evoluție sau rezumate de externare. Scopul a fost să valorifice informația ne‑structurată din notele clinice, păstrând contextul conversațional al înregistrărilor.
În descrierea studiului, sistemul caută tipare precum mențiuni repetate despre probleme de memorie și gândire, confuzie, schimbări de comportament sau observații ale familiei notate în timpul consultației. Ținta nu este stabilirea demenței, ci semnalarea unor „red flags” care să ducă la pasul următor în îngrijire, acolo unde este cazul. Autorii subliniază că detectarea depinde esențial de ceea ce este consemnat efectiv în notele clinice.
Două abordări comparate: „expert-driven” vs. sistem „agentic” cu mai mulți agenți AI
Autorii descriu două fluxuri de lucru: unul „expert-driven”, în care prompturile sunt rafinate iterativ de oameni (testat pe trei modele: LLaMA 3.1 8B, LLaMA 3.2 3B și Med42 v2 8B), și unul „agentic”, în care cinci agenți specializați coordonați automat optimizează prompturile. Folosind LLaMA 3.1, cercetătorii au efectuat optimizarea pe un set de rafinare deliberat echilibrat și apoi au validat pe un set independent care păstrează prevalența observată în practică.
Autorii descriu funcționarea fluxului „agentic” ca pe o orchestrare a cinci agenți configurați să colaboreze automat pentru a genera și perfecționa prompturi; experimentele au folosit modelul LLaMA 3.1 și s‑au bazat pe notele clinice extrase din Research Patient Data Registry al Mass General Brigham. Datele provin dintr‑o cohortă chart‑review‑uită anterior de clinicieni, care etichetaseră dacă în dosare existau sau nu îngrijorări cognitive. Perioada de colectare a notelor acoperă 1 ianuarie 2016–31 decembrie 2018.
Rezultatele: performanță bună la „antrenarea” pe set echilibrat, dar scădere de sensibilitate pe date cu prevalență reală
În rezumatul studiului, autorii raportează că fluxul „agentic” a avut performanță de validare comparabilă cu cel „expert-driven”, cu F1 = 0,74 față de 0,81, și rezultate mai bune în etapa de rafinare (0,93 față de 0,87). Totodată, sensibilitatea s‑a redus de la 0,91 la 0,62 între setul de rafinare și cel de validare, un efect atribuit schimbării prevalenței („prevalence shift”) și care arată dificultatea generalizării fără recalibrare.
Autorii explică faptul că modelul a fost calibrat inițial pe un set „balanced” (50% note marcate ca având îngrijorări cognitive, 50% fără), obținând concordanță ridicată cu etichetările clinicienilor în această fază. Când sistemul a fost testat pe un set de validare care reflecta distribuția realistă a cazurilor (aproximativ o treime din note etichetate cu îngrijorări cognitive), sensibilitatea a scăzut spre 62%, ceea ce înseamnă că sistemul a ratat o proporție semnificativă din cazurile marcate ca pozitive de clinicieni. Aceasta ilustrează necesitatea calibrării în funcție de prevalența țintă înainte de orice implementare clinică.
„Surpriza” studiului: o parte din „erorile” AI-ului au fost considerate rezonabile după o reevaluare
Un element evidențiat în rezumat și în analiza rezultatelor este re‑adjudicarea cazurilor de dezacord între algoritm și etichetarea inițială. Procesul de re‑adjudicare a arătat că, dintre aparentele „false negative”, 44% reflectau un raționament clinic adecvat al sistemului, adică experții au considerat, după reevaluare, că în acele cazuri AI‑ul nu fusese eronat în mod clar. Reevaluarea ajută la înțelegerea faptului că unele discrepanțe pot veni din limitele etichetării inițiale și din ambiguitatea documentării.
Autorii mai explică că, în multe situații, sistemul a aplicat criterii mai conservative și nu a semnalat îngrijorări când notele nu descriau direct probleme de memorie, confuzie sau alte schimbări cognitive — chiar dacă, în alte părți ale dosarului, apărea un diagnostic de declin cognitiv. Studiul subliniază că performanța depinde puternic de calitatea și stilul documentării clinice și că rezultatele obținute într‑un registru pot să nu se transfere automat în alte spitale sau rețele fără recalibrare și validare externă.
