電子医療記録から精神疾患のフェノタイプ抽出のための大規模な言語モデル

科学分野:

• 精神科
• コンピュータ言語学
• バイオ情報学

背景:

• 電子医療記録 (EHR) による正確な臨床フェノタイプ化は,精神医学の研究において極めて重要です.
• フリーテキストの臨床ノートから 症状レベルの情報を抽出することは 挑戦的ですが 必須です

研究 の 目的:

• スペイン語の臨床テキストから109の精神病現象を検出するための11のオープンソースの生成型大言語モデル (LLM) のパフォーマンスを評価する.
• 伝統的な自然言語処理 (tNLP) 方法と比較する.
• 精神科のフェノタイプ化のための精巧なLLMを開発し,検証する.

主な方法:

• コロンビアの精神科クリニックから EHRのノートで11の生成型LLMをテストした.
• ゼロショット,少数のショット,そして微調整の設定でLLMを評価した.
• LLMのパフォーマンスをtNLPの方法と比較し,外部データで精密調整されたモデルを検証した.

主要な成果:

• ベースLLMのパフォーマンスは低から中等であったが,微調整によりパフォーマンスは著しく改善された (マクロF1は0.2-0.74から0.75-0.86).
• いくつかの精密調整されたLLMは,tNLPメソッドを上回り,100種類のフェノタイプを確実に検出しました (F1>0.8).
• 合成データセットにより"ミストラル・スモール・サイク" (マクロF1=0.79) が作成され,外部データにもよく一般化されました.

結論:

• ドメイン特有の微調整は,精神科のフェノタイプ化のためのLLMの能力を高めます.
• Mistral-small-psychは,スペイン語で正確な大規模な精神病学的な表型化のための貴重なツールを提供します.
• この研究は,EHRデータ利用の改善を通じて,グローバルな精密精神医学の進歩を支援します.