大型语言模型在识别免疫抑制患者时优于传统的基于结构化数据的方法

科学领域:

• 人工智能在医学中的应用
• 临床信息学 临床信息学
• 自然语言处理自然语言处理.

背景情况:

• 识别免疫抑制患者对于临床护理至关重要,但仅使用结构化的电子健康记录数据具有挑战性.
• 非结构化临床文本包含有价值的信息,通常被传统的数据提取方法遗漏.

研究的目的:

• 评估大型语言模型 (LLM) 在从非结构化的临床笔记中识别免疫抑制患者的有效性.
• 将高级LLM与传统数据提取方法的性能进行比较.

主要方法:

• 利用GPT-4o处理医院入院笔记,以识别免疫抑制性疾病和药物使用.
• 评估了GPT-4o的性能,并与传统方法进行了比较.
• 在外部数据集上验证了方法,以证明可扩展性.

主要成果:

• 在从临床笔记中准确识别免疫抑制患者方面,GPT-4o显著优于传统方法.
• 具有成本效益的模型,包括GPT-4o mini和Llama 3.1,表现出强的性能,尽管不匹配GPT-4o.
• 基于LLM的方法被证明可以扩展到外部数据集.

结论:

• 与传统方法相比,大型语言模型,特别是GPT-4o,提供了一种优越的方法来识别免疫抑制患者.
• 临床医疗法可以有效地利用非结构化临床文本来改善患者队列识别.
• 可访问的LLM变体为临床数据提取提供了可行的,具有成本效益的替代方案.