大型语言模型在使用临床笔记预测术后风险方面的基本能力.

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 临床数据分析 临床数据分析

背景情况:

• 临床笔记包含有价值的术后患者数据.
• 大型语言模型 (LLM) 提供了利用这些数据的机会.
• 预测术后风险对于患者的治疗结果至关重要.

研究的目的:

• 评估LLMs在预测六种术后风险方面的表现.
• 将不同的LLM微调策略与传统方法进行比较.
• 评估LLM在术后护理中的潜力.

主要方法:

• 使用了84,875份手术前笔记和手术病例 (2018-2021年).
• 将预先训练的LLM与传统的词嵌入进行了比较.
• 调查了自我监督的微调和标签结合.
• 使用接收器运行特征曲线 (AUROC) 下面的面积和精度回调曲线 (AUPRC) 下面的面积来评估性能.

主要成果:

• 预先训练的LLM显著优于传统的词嵌入 (AUROC +38.3%,AUPRC +33.2%).
• 自主监督的微调带来了进一步的改进 (AUROC +3.2%,AUPRC +1.5%).
• 标签的整合提高了性能 (AUROC +1.8%,AUPRC +2%).
• 统一的基础模型实现了最高的性能 (AUROC +3.6%,AUPRC +2.6%超过自我监督).

结论:

• 从临床笔记中,LLM在预测术后风险方面表现出强大的能力.
• 先进的微调策略,特别是统一的基础模型,优化了LLM的性能.
• 法律学整合具有改善外科手术期间护理和患者安全的巨大潜力.