用大语言和混合NLP模型对医生笔记进行高通量表型化

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.
• 计算语言学 计算语言学

背景情况:

• 深度表型,使用本体学详细描述患者的体征和症状,传统上需要手动审查临床笔记.
• 高通量方法对于分析电子健康记录 (EHR) 中大量数据至关重要.
• 在过去的30年里,为了实现高通量表型化,取得了重大进展.

研究的目的:

• 评估使用大语言模型 (LLM) 和混合自然语言处理 (NLP) 模型用于医生笔记的高通量深度表型化的准确性和可行性.
• 为了比较LLM和混合NLP模型的性能与传统方法提取临床信息.

主要方法:

• 开发和应用一个用于分析医生笔记的大型语言模型.
• 实现混合NLP模型,结合词向量和机器学习分类器.
• 对深度表型化任务的准确性和吞吐量进行模型性能评估.

主要成果:

• 大型语言模型和混合NLP模型都在医生笔记上进行高通量表型的高准确性.
• 在临床文档的高效,准确的深度表型化方面,LLM特别有前途.
• 这项研究证实了对大量电子健康记录数据的自动化表型化的可行性.

结论:

• 大型语言模型即将成为医生笔记高通量深度表型化的首选方法.
• 这些先进的NLP技术将显著提高从EHR中提取和分析患者症状和症状的能力.
• 这些发现对于通过高效的数据分析来改善患者护理具有重大临床意义.