地方大型语言模型用于保护隐私,加速审查历史回声心脏图报告

科学领域:

• 人工智能在医学中的应用
• 心血管成像分析心血管成像分析
• 临床数据管理 临床数据管理

背景情况:

• 心声图报告包含重要的临床信息,但是在患者病史中进行综合是具有挑战性的.
• 复杂的心脏病需要对纵向数据进行全面的审查,以获得最佳的患者护理和研究.

研究的目的:

• 开发和评估一个使用开源大语言模型 (LLM) 查询患者心声图报告历史的框架.
• 为了使临床医生能够利用普通语言的问题从多个心声回声图报告中提取临床见解.

主要方法:

• 利用了超过10年的心声回声图报告,来自37名具有广泛病史的患者.
• 将报告处理成每个患者的单一文件,使用文本相似性来检索片段.
• 采用了LLaMA-2 70B模型,配有专门的分析提示符,并与心脏病学家创建的地面真相进行了评估.

主要成果:

• 该LLM在回答来自432个心声回声图报告的100个问题答案对时取得了90%的准确性.
• 具体准确率包括:暂时性为83%,严重性为93%,干预为84%,诊断为100%.
• 识别了LLM的局限性,包括偶尔误解数字数据和幻觉.

结论:

• 证明了使用本地,开源的LLM来解释心声图数据的可行性和有效性.
• 这种人工智能驱动的方法显著优于传统的关键字搜索,提供语义上准确的答案.
• 该框架有望通过改善对复杂心脏病患者数据的访问来加强临床决策和研究.