Este artículo propone MAQuA, un marco eficiente para la evaluación de la salud mental que aprovecha los modelos de lenguaje a gran escala (LLM). MAQuA examina simultáneamente problemas multidimensionales de salud mental y combina el modelado de resultados múltiples, la teoría de respuesta al ítem (TRI) y el análisis factorial para seleccionar las preguntas más informativas de cada secuencia de preguntas. Esto busca mejorar la precisión diagnóstica y reducir la carga de respuesta. Los resultados experimentales muestran que MAQuA reduce el número de preguntas requeridas para la evaluación entre un 50% y un 87% en comparación con secuencias de preguntas aleatorias (p. ej., una reducción del 71% en las puntuaciones de depresión y del 85% en las puntuaciones de trastornos alimentarios). Demuestra un rendimiento sólido tanto para trastornos internalizantes (depresión, ansiedad) como externalizantes (abuso de sustancias, trastornos alimentarios), y las estrategias de interrupción temprana pueden reducir aún más el tiempo y la carga del paciente. En conclusión, MAQuA avanza en la integración de agentes basados en LLM en flujos de trabajo clínicos del mundo real como una herramienta poderosa y eficiente para el cribado de la salud mental escalable, sofisticado e interactivo.
