使用电子健康记录数据进行微侵袭性玻璃眼手术后术后出血的ChatGPT辅助分类
Abdulla Shaheen1, Gabriele Gallo Afflitto1,2, Swarup S Swaminathan1
1Department of Ophthalmology, Bascom Palmer Eye Institute, University of Miami Miller School of Medicine, Miami, Florida.
Ophthalmology science
|October 9, 2024
概括
大型语言模型 (LLM) 准确地对电子健康记录数据进行分类,以评估光眼瘤手术后的出血事件 (HE). 阴茎切割手术显示出更高的HE发生率和更长的分辨时间,特别是在较大的治疗角度.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 微创性玻璃眼外科手术 (MIGS) 越来越多地用于玻璃眼管理.
- 出血事件 (HE) 是MIGS后的潜在并发症.
- 准确的HE分类和跟踪对于患者的治疗结果至关重要.
研究的目的:
- 评估大型语言模型 (LLM) 在电子健康记录 (EHR) 文本对出血事件 (HE) 的分类中的性能.
- 利用基于LLM的HE分类来评估微创性玻璃眼手术 (MIGS) 后的HE的发生率和解决方案.
主要方法:
- 从接受MIGS的眼睛获得的EHR数据的回顾性分析.
- 使用聊天生成预训练变压器 (ChatGPT) 对前腔检查文本进行 HE 分类的分类.
- 将ChatGPT分类与使用科恩卡帕和精度回忆曲线的玻璃眼专家评估进行比较.
- 使用Cox比例危险模型和用于风险因素识别的后勤回归来评估HE解决时间.
主要成果:
- 在HE分类中,ChatGPT表现出色 (科恩卡帕0.93,AUC0.968).
- 与施莱姆道支架 (SCS) 程序 (25.2%) 相比,经过阴茎切除术 (67.8%在第一天) 后HEs的发生率明显更高.
- 较高的阴茎切割治疗角度 (270°-360°) 与增加的HE发病率 (84.0%) 和更长的解析时间 (中位数为15天) 相相关.
结论:
- LLM可以准确地分类纵向EHR自由文本数据,支持未来的研究和临床决策.
- 在MIGS之后,HEs是常见的,自我解决的并发症,特别是在切术后.
- 阴茎切割治疗角度的程度是HE发生的重要预测指标,并影响解决时间.
