Automatización del flujo e ingeniería de contexto clínico impulsada por LLM local: registro de precisión de recurrencia del cáncer colorrectal.

Este estudio desarrolla y valida una herramienta automatizada desplegable que preserva la privacidad para abordar la naturaleza laboriosa del registro de recurrencia del cáncer colorrectal (CRC). Nuestra herramienta utiliza un flujo de trabajo reproducible de dos fases de 'Ingeniería de Contexto Clínico' para imitar el razonamiento clínico experto y superar las limitaciones del manejo de la ambigüedad de datos clínicos longitudinales. Estudiamos retrospectivamente 3053 pacientes con CRC (2010-2018). Un Modelo de Lenguaje Grande (LLM) local (Qwen3:14B) analizó ~19,900 reportes de patología y ~43,900 reportes de imagen utilizando análisis iterativo basado en parches ("LLM crudo").

Se aplicaron reglas de validación clínica para generar salida de "LLM basado en reglas", mejorando la explicabilidad y confiabilidad. Se compararon ambos métodos automatizados y la base de datos del Registro de Cáncer de Taiwán (TCR) manual con un estándar de referencia manual del 20% (N = 602). Se proporcionan indicaciones completas y código de validación para reproducibilidad total. Bajo una tolerancia temporal estricta de 60 días, el LLM Basado en Reglas logró una precisión del 90.7%, comparable a los procesos TCR estándar (92.0%), y una sensibilidad del 77.2%.

La aplicación de reglas de validación clínica mejoró significativamente la especificidad del 87.7% (LLM Crudo) al 93.9% (LLM Basado en Reglas). En el análisis de ventana temporal, el LLM Basado en Reglas identificó el 87.1% de las recurrencias dentro de 60 días de la fecha de referencia. Nuestro marco de Ingeniería de Contexto Clínico desplegado localmente, que preserva la privacidad y es explicable, ofrece una alternativa viable y no inferior a los procesos TCR estándar, reduciendo la carga de trabajo mientras se mantiene la calidad de los datos y se fomenta la confianza en la automatización del registro de cáncer asistida por IA.