Cette étude vise à améliorer la précision prédictive et l'interprétabilité clinique d'un modèle de prédiction du risque de réadmission aux urgences pour des troubles mentaux en intégrant des modèles de langage à grande échelle (MLH) à l'apprentissage automatique. Nous avons analysé 42 464 dossiers de visites aux urgences de 27 904 patients uniques en santé mentale entre janvier 2018 et décembre 2022 afin d'évaluer la précision prédictive de la réadmission aux urgences dans les 30 jours et l'interprétabilité du modèle à l'aide du cadre amélioré par le LLM. Grâce au LLaMA 3 (8B), nous avons obtenu une précision (0,882) et un score F1 (0,86) supérieurs à ceux du modèle de base, ainsi qu'une précision (0,95) et un score F1 (0,96) élevés pour la classification des troubles mentaux. En particulier, le cadre d'interprétabilité basé sur le LLM a atteint une précision de 99 % dans la conversion des prédictions du modèle en explications cliniquement pertinentes. La fonction d'extraction LLM a amélioré l'ASC de XGBoost de 0,74 à 0,76 et l'ASC-PR de 0,58 à 0,61. En conclusion, l'intégration des modèles LLM et d'apprentissage automatique a légèrement amélioré la précision de la prédiction, tout en améliorant significativement l'interprétabilité grâce à des explications automatisées et cliniquement pertinentes.
