用大型语言模型进行诱导推理:对的模拟随机对照试验

科学领域:

• 临床研究中的人工智能
• 医疗数据综合 医学数据综合
• 在医疗保健中的自然语言处理.

背景情况:

• 研究人工智能 (AI),特别是大型语言模型 (LLM),用于在模拟随机临床试验 (RCT) 中合成信息.
• 专注于一种抗发作药物 - - cenobamate,通过模拟医疗病历审查来展示AI的诱导推理能力.

研究的目的:

• 评估使用LLM用于分析模拟临床试验数据的可行性和准确性.
• 在评估药物有效性和安全性时,将人工智能驱动的数据合成与人类分析进行比较.

主要方法:

• 进行了一项LLM生成的模拟RCT与240名患者 (安慰剂 vs. cenobamate).
• 模拟的发作计数和使用LLM生成的临床笔记,具有多种神经病学家风格和外在细节.
• 采用二级LLM管道进行数据合成,并使用AI和人类阅读器评估有效性/安全性.

主要成果:

• 人工智能分析与人类分析非常相匹配,在确定药物疗效和报告的症状方面差异<3%.
• 人工智能准确地确定了发作数量,症状报告和治疗疗效.
• 统计分析证实AI能够比较手臂之间的响应率和副作用概况.

结论:

• 人工智能,特别是LLM,可以准确地分析杂的临床笔记,以感应生成临床知识.
• 人工智能成功地从非结构化的模拟数据中推断出治疗效果大小和症状频率,尽管有分散注意力的因素.
• 人工智能为临床研究中的传统数据挖掘提供了一个可扩展,高效的替代方案.