利用大型语言模型预测老年患者的术后急性损伤

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
• 腎病學研究 腎病學研究

背景情况:

• 急性损伤 (AKI) 是一种关键的术后并发症,特别是在功能受损的老年人中.
• 目前用于AKI预测的机器学习 (ML) 模型的概括性和解释性有限,阻碍了临床采用.
• 大型语言模型 (LLM) 由于其先进的文本处理和知识合成能力,提出了一种新的方法.

研究的目的:

• 开发和评估一个使用LLMs的框架,用于预测老年患者的术后AKI.
• 与传统的ML模型相比,评估基于LLM的预测的概括性和可解释性.
• 提高术后并发症预测模型的透明度和临床实用性.

主要方法:

• 开发了一个LLM框架,包括通过指令微调快速工程和知识蒸.
• 在来自中国和韩国医院的2,649个样本的综合数据集上验证了框架.
• 使用内部和外部验证集评估性能,将LLM与传统ML模型进行比较.

主要成果:

• 与ML模型相比,LLM框架显示出优越的外部验证性能 (商业LLM的准确性为68.73%,ML的准确性为58.27%).
• 商业和开源LLM都实现了可比的内部和外部准确率,在外部数据上表现优于ML.
• 在LLM预测的同时,还提供了人类可读的解释,从而提高了临床解释性.

结论:

• 基于LLM的框架为老年患者的术后AKI预测提供了增强的概括性和解释性.
• 这种方法有可能开发出更强大,更透明,更适用于临床的预测工具.
• 在利用人工智能进行复杂的医学预测方面,LLM代表了重大进步.