用大型语言模型进行诱导推理:对的模拟随机对照试验

科学领域:

• 临床研究中的人工智能
• 医疗数据分析和模拟
• 神经学和临床试验研究

背景情况:

• 在规模上分析电子医疗记录,由于数据的局限性和偏见,存在重大挑战.
• 基础大型语言模型 (LLM) 为克服临床数据分析当前局限性提供了一个潜在的解决方案.

研究的目的:

• 评估LLM在生成模拟随机临床试验 (RCT) 的现实临床数据方面的有效性.
• 通过医疗病历审查来评估LLM在总结和合成临床信息以进行诱导推理方面的能力.
• 展示LLM驱动的分析管道在模拟和评估临床试验结果方面的潜力.

主要方法:

• 使用LLM生成的临床数据设计了一种模拟的RCT,包括日记和对cenobamate的治疗效果.
• 该模拟涉及240名患者的队列,随机分配1:1到安慰剂和雪诺巴马特手臂.
• 使用基于LLM的管道来分析生成的数据,将其性能与人类读者进行比较,以评估治疗的有效性和安全性.

主要成果:

• 基于LLM的分析管道密切反映了人类的评估,在确定药物疗效和报告的症状方面差异很小 (<3%).
• 模拟成功地证明了赛诺巴在控制发作的有效性,与人类分析一致.
• 在模拟试验中,LLM分析准确地确定了治疗效果,患者症状和副作用率.

结论:

• 在临床试验中,LLM 具有显著的潜力,可以准确模拟和分析临床试验,重建临床试验的重要组成部分.
• 这种方法为临床研究中的传统数据挖掘方法提供了可扩展和高效的替代方案.
• 在不需要专门的医学语言培训的情况下,LLM可以有效地识别治疗效应和患者报告的结果.