Extracción de metadatos de los sensores de escala para la salud de la exposición utilizando LLM

Área de la Ciencia:

• Ciencias de la salud ambiental
• Biología computacional
• Ciencia de los datos

Sus antecedentes:

• Las diversas tecnologías de sensores y los informes de metadatos inconsistentes obstaculizan la investigación sobre la exposición y la salud de la exposición.
• La extracción manual de los metadatos del sensor de la literatura no estructurada es un cuello de botella importante.

Objetivo del estudio:

• Desarrollar y evaluar una tubería basada en un gran modelo de lenguaje (LLM) para la extracción y armonización automatizadas de metadatos de sensores.
• Abordar los desafíos de escalabilidad y eficiencia en el procesamiento de la literatura de salud sobre la exposición.

Principales métodos:

• Utilizó GPT-4 en una configuración de disparo cero para analizar los archivos PDF de texto completo.
• Desarrolló una tubería para extraer los metadatos del sensor y armonizarlos en formatos estructurados.

Principales resultados:

• La tubería automatizada aumentó significativamente la velocidad de extracción en comparación con la revisión manual.
• Logró un alto rendimiento con un 94,74% de precisión promedio, un 100% de recuerdo y un 97,28% de puntuación F1.

Conclusiones:

• Los LLM ofrecen una solución factible y escalable para automatizar la extracción de metadatos del sensor en la salud de la exposición.
• Este enfoque reduce el esfuerzo manual y mejora la integridad y la coherencia de los metadatos para las plataformas informáticas.