将患者与使用LLaMA 2嵌入和罗神经网络的临床试验进行匹配
Shaika Chowdhury1, Sivaraman Rajaganapathy1, Yue Yu1
1Mayo Clinic, Department of AI and Informatics Research, Rochester, MN, US.
medRxiv : the preprint server for health sciences
|July 9, 2024
概括
这项研究介绍了Siamese-PTM,一种使用LLaMA 2进行自动化临床试验患者招募的新型AI模型. 与传统方法相比,罗PTM显著提高了患者识别的准确性.
科学领域:
- 人工智能在医学中的应用
- 临床试验操作 临床试验操作
- 生物医学信息学 生物医学信息学
背景情况:
- 临床试验的成功取决于有效的患者招募,这往往受到复杂的标准和异质的患者数据的阻碍.
- 对电子健康记录 (EHR) 进行手动分析,以确定患者的资格是劳动密集型的,容易出现延误.
研究的目的:
- 开发和评估一个自动化系统,Siamese-PTM,用于在临床试验中高效和准确的患者招募.
- 为了利用深度学习,特别是罗神经网络和LLaMA 2模型,来处理EHR数据和试验标准.
主要方法:
- 拟议的Siamese-PTM,一个采用预训练的LLaMA 2模型用于对EHR和标准的上下文表示的Siamese神经网络模型.
- 采用重量分配相同的子网络,共同编码EHR和标准输入.
- 对结构化和非结构化电子健康记录数据进行模型性能评估,将深度模型与单个编码器方法进行比较.
主要成果:
- 罗PTM表现出比基线基于规则的分类器提高了40%的性能.
- 分析证实了结构化和非结构化EHR数据的预测信息性,无论是独立的还是组合的.
- 学习嵌入空间的可视化验证了模型的预测稳定性.
结论:
- 西安PTM为临床试验患者招募提供了强大而准确的自动化解决方案.
- 该模型有效地利用了来自EHR和试验标准的上下文信息,优于传统方法.
- 这种方法有可能显著简化和加速临床试验过程.
