医疗保健数据增强的大型语言模型:患者试验匹配的一个例子

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床试验管理 临床试验管理

背景情况:

• 患者与试验的匹配对于医学研究和患者护理至关重要.
• 目前的方法与数据标准化,伦理问题和EHR互操作性作斗争.
• 大型语言模型 (LLM) 提供了改善患者试验匹配的潜力.

研究的目的:

• 探索LLM以提高患者和试验的匹配.
• 为基于LLM的患者与试验匹配 (LLM-PTM) 提出一个隐私意识的数据增强方法.
• 为了应对EHR和临床试验标准兼容性的挑战.

主要方法:

• 利用LLMs的自然语言生成来实现EHR与临床试验的兼容性.
• 实施LLM-PTM的隐私意识数据增强策略.
• 进行实验来评估LLM-PTM方法的性能和通用性.

主要成果:

• 通过LLM-PTM方法获得了7.32%的平均绩效改善.
• 提高了12.12%的新数据的概括性.
• 通过案例研究证明了有效性.

结论:

• LLM-PTM为高效和安全的患者试验匹配提供了一个有前途的解决方案.
• 这种注重隐私的方法有效地平衡了LLM的好处与数据保密.
• 该方法在临床试验招聘的性能和通用性方面取得了显著的改进.