大規模言語モデルにおける電子カルテ処理の検索拡張生成による改善：食事補助食品に関するケーススタディ

科学分野:

• 自然言語処理（NLP）
• 臨床情報学
• 人工知能（AI）

背景:

• 大規模言語モデル（LLM）は、自然言語処理（NLP）において顕著な能力を示しています。
• しかし、LLMは複雑な電子カルテ（EHR）からドメイン固有の情報を抽出する際に課題に直面しています。
• EHR内の食事補助食品（DS）データは、抽出における特有の複雑さを提示します。

研究 の 目的:

• 電子カルテ（EHR）からの食事補助食品（DS）情報の抽出を強化するための、検索拡張生成（RAG）の有効性を評価すること。
• さまざまな検索戦略がモデルサイズやドメインの専門知識に与える影響を比較すること。

主な方法:

• Llama-3を含むLLMを、固有表現認識や使用分類などのNLPタスクでさまざまな検索機能とともにテストしました。
• タスクに合わせた検索方法を、一般的な検索およびモデル中心のアプローチと比較しました。
• パフォーマンスは、情報抽出および分類の精度に基づいて評価されました。

主要な成果:

• タスクに合わせた検索戦略は、LLMのサイズやドメインの専門知識への依存を大幅に上回りました。
• より小さく、汎用的なLLMと最適化された検索機能を組み合わせることで、専門的なモデルに匹敵するかそれを超えるパフォーマンスを達成しました。
• 構造化検索はトリプル抽出のような複雑なタスクのパフォーマンスを向上させ、一方、セマンティック検索は分類精度を向上させました。

結論:

• LLMを使用したEHR分析の効果的な分析においては、検索戦略はモデルのサイズや専門知識よりも重要です。
• RAGは、大規模な計算リソースを必要とせずに、効率的なEHRデータ抽出を可能にする、臨床NLPのための実用的で費用対効果の高いアプローチを提供します。
• この研究は、実世界の医療アプリケーションのための適応可能な知識統合を強調することにより、エビデンスに基づいた医療のためのツールを進歩させます。