В свежем выпуске Nature Digital Medicine исследована возможность использовать LLM не для анализа беседы с пациентом, а для интерпретации данных цифрового фенотипирования. Смартфоны и носимые устройства непрерывно регистрируют различные параметры поведения, однако, объединение разнородных временных признаков остается сложной аналитической задачей. Авторы исследования проверили гипотезу о том, насколько точно языковые модели могут типировать изменения выраженности симптомов депрессии у людей, переживающих большой депрессивный эпизод. Сравнивались данные обучения на нескольких примерах непосредственно в контексте, и различные способы дополнительной настройки моделей. Как few-shot prompting (способ дать модели несколько примеров желаемого ответа прямо в Промпте, чтобы она поняла формат, стиль и логику задачи), так и дообученные LLM-модели, превосходили традиционные базовые алгоритмы. Разные методы настройки LLM имели преимущества для отдельных признаков и объединенных наборов данных. Потенциально, технология может использоваться для обнаружения клинически значимых изменений между плановыми визитами. До клинического применения необходимы проспективная проверка, контроль ложных сигналов (тревожных знаков), защита конфиденциальности, и доказательство того, что раннее автоматическое обнаружение действительно улучшает клинические исходы реальных пациентов. Источник