大型语言模型用于识别晚期癌症患者的预先护理计划
Nicole D Agaronnik1, Joshua Davis2, Christopher R Manz3
1Harvard Medical School (N.A., C.M., J.T., C.L.), Boston, Massachusetts, USA; Dana-Farber Cancer Institute (N.A., C.M., J.T., C.L.), Boston, Massachusetts, USA.
大型语言模型 (LLM) 在晚期癌症患者的电子健康记录 (EHR) 中有效地识别预先护理规划 (ACP),在复杂的领域 (如护理目标) 优于自然语言处理 (NLP).
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 在电子健康记录 (EHR) 中跟踪预先护理计划 (ACP) 文档对于质量改进和研究至关重要.
- 大型语言模型 (LLM) 提出了一种新的方法,用于增强在EHR中的ACP文档识别.
研究的目的:
- 评估LLMs在为晚期癌症患者的EHR中识别ACP的能力.
- 将LLM绩效与手动图表审查和自然语言处理 (NLP) 作为黄金标准进行比较.
主要方法:
- 在DFCI诊所的晚期癌症患者的EHR上使用了GPT-4o-2024-05-13.
- 设计的LLM提示检测特定的ACP领域:护理目标,维持生命的治疗限制,宿舍和息护理.
- 开发了一种幻觉指数来量化LLM的事实不准确性,并将性能与手册审查和NLP进行比较.
主要成果:
- 在ACP领域,LLM提示显示了高灵敏度 (0.85-1.0) 和特异性 (0.80-0.91).
- 与NLP相比,LLM对复杂的元素,如护理目标,表现出更高的敏感性.
- 平均幻觉指数低于0.5,表明事实错误率低;发现的错误阳性是临床相关的.
结论:
- 在从EHR中提取ACP领域时,LLM是有效的,在识别复杂领域 (如护理目标) 中超过NLP.
- 该研究强调了LLMs在改善ACP癌症文档跟踪方面的潜力.
- 建议进行进一步的研究,以扩大这种基于LLM的方法,以便更广泛的临床应用.
更多相关视频
06:28E-Patient Counseling Trial E-PACO: Computer Based Education versus Nurse Counseling for Patients to Prepare for Colonoscopy
Published on: August 1, 2019
06:03Integrating Augmented Reality Tools in Breast Cancer Related Lymphedema Prognostication and Diagnosis
Published on: February 6, 2020
相关概念视频
Cancer Survival Analysis
Standards of Care II
Methods of Documentation VI: Case Management Model
For example, a patient with a chronic...
Documentation in Long-Term and Home Healthcare Setting
Long-Term Care Facilities
Nursing Ethical Principles II
Consider the following scenario, which illustrates how these principles are applied in the care of Mr. John, a fifty-year-old teacher diagnosed with metastatic liver cancer.
Initially, Mr. John's...
Planning Nursing Care I
