SBDH-Reader:一种基于LLM的方法,可以从医疗笔记中提取健康的社会和行为决定因素
Zifan Gu1, Lesi He1, Awais Naeem2
1Quantitative Biomedical Research Center, Peter O'Donnell Jr. School of Public Health, The University of Texas Southwestern Medical Center, Dallas, Texas, USA.
一种新的方法,SBDH-Reader,使用大型语言模型从医疗笔记中提取健康的社会和行为决定因素. 该工具准确地捕获患者数据,以改善临床研究和护理.
科学领域:
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
- 计算社会科学 计算社会科学
背景情况:
- 健康的社会和行为决定因素 (SBDH) 对患者的预后和干预至关重要.
- 从非结构化的医疗笔记中提取SBDH是具有挑战性的,因为传统的方法是劳动密集的,不准确的和不可扩展的.
- 大型语言模型 (LLM) 为更有效的SBDH数据提取提供了一个有希望的途径.
研究的目的:
- 开发和验证一种基于LLM的方法,SBDH-Reader,用于从全长医疗笔记中提取结构化的SBDH数据.
- 通过使用既定指标,评估SBDH-Reader在各种SBDH类别中的性能.
主要方法:
- 使用带有大型语言模型 (LLM) 的提示工程开发了SBDH-Reader.
- 查询了6个SBDH类别:就业,住房,婚姻状况和物质使用 (酒精,烟草,毒品).
- 根据MIMIC-III数据 (7,225笔记) 进行培训,并根据UT西南医疗中心数据 (971笔记) 进行验证.
主要成果:
- 在验证组中,SBDH-Reader在六个SBDH类别中获得了0.85-0.98的宏观平均F1得分.
- 对于不利的属性,F1分数在0.94 (就业) 到0.99 (烟草使用) 之间.
- 独立验证组的整体性能显示F1为0.96,回忆率为0.97,精度为0.96.
结论:
- 一般用途的LLM,具有有效的快速工程,可以准确地提取结构化的SBDH数据.
- SBDH-Reader为实时SBDH数据收集提供了一个可扩展和有效的解决方案.
- 这种方法有可能显著支持临床研究和患者护理.
更多相关视频
11:21Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
Published on: July 27, 2018
13:44Project-Based Learning Guidelines for Health Sciences Students: An Analysis with Data Mining and Qualitative Techniques
Published on: December 9, 2022
相关概念视频
Dimensions of Health and Illness
Purpose of Health Records I
Here's a breakdown of how health records serve these purposes:
Methods of Documentation VII: EMR
Purpose of Health Records II
Lifestyle Factors and Health
Benefits of Physical Activity
Physical activity, whether through structured exercise or casual activities like walking, biking, or dancing, is a cornerstone of a...
Methods of Documentation II: POMR
