一个大型语言模型方法,从临床笔记中识别老年人手术前的脆弱性

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
• 老年医学 老年医学

背景情况:

• 患者的脆弱性显著增加了术后死亡和发病的风险.
• 鉴定脆弱性是具有挑战性的,因为它的多因素性质和依赖于多个器官系统.
• 准确的脆弱性表型对于手术前风险评估至关重要.

研究的目的:

• 开发和验证基于大型语言模型 (LLM) 的二进制分类器,用于识别手术前的脆弱性.
• 用非结构化的临床笔记来准确检测老年人的脆弱性.
• 评估不同LLM在使用不同的表型数据集对脆弱性进行分类方面的表现.

主要方法:

• 在麻醉术前临床笔记上接受过各种LLM (RoBERTa,BERT,BioBERT,PubMedBERT) 的培训和评估.
• 使用了两个开发数据集:一个基于脆弱老年人-13调查 (VES-13) 和另一个基于电子脆弱指数 (eFI).
• 在验证集上使用接收器操作特征曲线 (AUC) 下的面积来评估模型性能.

主要成果:

• 在VES-13验证组中,RoBERTa的AUC值为0.99.
• 在eFI数据集上接受培训的LLM在eFI验证集上表现出较高的AUC (0.83-0.87) 与VES-13集相比.
• 在eFI数据集上训练的模型在VES-13验证集上测试时显示差异差.

结论:

• 开发并验证了一种基于LLM的分类器,用于检测从麻醉临床笔记中进行手术前的脆弱性.
• 通过使用易于获得的非结构化临床数据,LLM可以有效地识别脆弱的复杂特征.
• 这项技术提供了一个有前途的工具,用于识别在手术前环境中面临脆弱风险的老年人.