在小孩出现紧急医疗服务时,与虐待头部创伤相关的因素使用大型语言模型
Allison Broad1, Xiao Luo2,3, Fattah Muhammad Tahabi2
1University of Colorado School of Medicine, Aurora, Colorado.
Prehospital emergency care
|January 13, 2025
概括
人工智能和大型语言模型可以有效地检测使用紧急医疗服务叙述的幼儿虐待头部创伤 (AHT). 这种AI方法显示出高灵敏度和特异性,有助于识别罕见的AHT-CAN病例.
科学领域:
- 医疗信息学 医疗信息学
- 儿科急救医学 儿科急救医学
- 医疗保健中的人工智能
背景情况:
- 滥用头部创伤 (AHT) 是幼儿死亡的一个关键原因.
- 紧急医疗服务 (EMS) 数据分析通常依赖于有限的结构化领域.
- 人工智能和LLM提供了从非结构化的叙事数据中识别罕见疾病 (如AHT) 的潜力.
研究的目的:
- 将AI和LLM应用于EMS叙事文档,以检测幼儿的AHT.
- 为了评估NLP框架的性能,增加了LLM和n-grams用于AHT-CAN检测.
- 将AI框架的性能与GPT和n-gram-only模型进行比较.
主要方法:
- 儿科头部伤害运输的回顾性队列研究 (2018-2019).
- 专家审查,以区分非滥用性关闭头部伤害 (NA-CHI) 与AHT和虐待儿童 (AHT-CAN).
- 使用LLM增强专家衍生n-gram的NLP框架的开发;与GPT和n-gram模型进行比较.
主要成果:
- 增强的NLP框架实现了AHT-CAN检测92.3%的灵敏度和72.4%的特异性.
- 该框架显示了99.5%的负预测值 (NPV).
- 特定的关键词,如"国内","伤"和"多重"与AHT-CAN有很强的关联.
结论:
- 在从EMS自由文本叙述中识别AHT-CAN时,AI和LLM表现出高灵敏度和特异性.
- 与身体创伤症状相关的关键词与AHT-CAN有显著的关联.
- 基于LLM的增强NLP框架可以帮助EMS在幼儿中检测AHT.
