Video Experimental Relacionado
Updated: Feb 28, 2026
Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
Aprovechamiento de Modelos de Lenguaje Grandes para la Detección de Eventos Adversos a Medicamentos: Un Estudio
Howard Prioleau1, Saurav K Aryal2, Jeremy Blackstone2
1EECS, Artificial Intelligence for Positive Change (AI4PC) Lab, Howard University, Washington, DC 20059, USA, howard.prioleau@bison.howard.edu.
Los modelos de lenguaje grandes (LLM) muestran una gran promesa para detectar eventos adversos a medicamentos (EAM) en texto clínico. Los modelos RoBERTa Large ajustados y los métodos de conjunto mejoran significativamente la detección de EAM y la extracción de relaciones para la seguridad del paciente.
Área de la Ciencia:
- Procesamiento del Lenguaje Natural
- Inteligencia Artificial en la Atención Médica
- Informática Clínica
Sus antecedentes:
- Los eventos adversos a medicamentos (EAM) son una preocupación importante para la seguridad del paciente y la salud pública.
- Los métodos actuales para detectar EAM en texto clínico enfrentan desafíos debido a la complejidad y la ambigüedad contextual.
Objetivo del estudio:
- Investigar la efectividad de los modelos de lenguaje grandes (LLM) ajustados para detectar EAM en texto clínico.
- Comparar los enfoques de clasificación de tokens y reconocimiento de entidades nombradas (NER) basados en tramos para la identificación de EAM.
- Evaluar el impacto de los métodos de conjunto en la mejora de la extracción de relaciones de EAM de extremo a extremo.
Principales métodos:
- Se utilizó el conjunto de datos n2c2 Track 2 de 2018 para evaluar el rendimiento del modelo.
- Se ajustaron modelos RoBERTa Large tanto para tareas de clasificación de tokens como de NER basados en tramos.
- Se evaluaron los modelos en configuraciones predefinidas (etiqueta de oro) y de extremo a extremo.
- Se implementaron métodos de conjunto, incluida la votación mayoritaria y la agregación basada en XGBoost.
Principales resultados:
- RoBERTa Large demostró un rendimiento superior en la detección de EAM, superando a otros modelos.
- Los modelos basados en tokens generalmente lograron una mayor precisión que los enfoques basados en tramos.
- Los métodos de conjunto mejoraron significativamente la extracción de relaciones de extremo a extremo al combinar las fortalezas de los modelos individuales.
- La identificación de EAM siguió siendo un desafío debido a la ambigüedad contextual inherente.
Conclusiones:
- Los LLM ajustados, en particular RoBERTa Large, ofrecen una herramienta poderosa para mejorar la detección de EAM en texto clínico.
- Las estrategias de conjunto pueden mejorar aún más el rendimiento de los LLM en tareas de PNL clínica.
- Estos avances tienen el potencial de mejorar los flujos de trabajo de PNL clínica y contribuir a una atención médica más segura y personalizada.
