改善老年美国人的术后跌倒检测,使用临床叙述的LLM驱动分析
Malvika Pillai1,2, Terri L Blumke3, Joachim Studnia4
1Veterans Affairs Palo Alto Health Care System, Palo Alto, California, USA.
medRxiv : the preprint server for health sciences
|July 9, 2024
概括
大型语言模型 (LLM) 可以自动从临床笔记中检测术后跌倒,改善患者护理并降低成本. 这项技术对未来的秋季预测和预防策略有前途.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 患者安全 患者安全
背景情况:
- 术后摔倒在患者护理和医疗保健经济学中带来了重大挑战.
- 目前用于识别和跟踪术后跌倒的方法通常是困难和低效的.
研究的目的:
- 评估大型语言模型 (LLM) 的有效性,以自动检测术后跌倒.
- 在不同的医疗保健系统中比较不同的LLM提示策略.
主要方法:
- 使用三个开源LLM测试了多种LLM提示方法.
- 评估了两个不同的医疗保健系统的表现:斯坦福医疗保健和退伍军人卫生管理局.
主要成果:
- 使用零射击方法的Mixtral-8×7B模型实现了最高的性能.
- 在斯坦福医疗保健 (PPV = 0.81,回忆 = 0.67) 和VA (PPV = 0.93,回忆 = 0.94) 观察到出色的结果.
结论:
- 通过LLM,可以可靠地检测术后跌倒的情况,只需很少或没有具体的指导.
- 这项研究为在各种医疗保健环境中使用LLM用于秋季预测和预防奠定了基础.


