开发和未来实施一个基于语言模型的大型系统,用于早期败血症预测

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 计算生物学 计算生物学

背景情况:

• 败血症是一种危及生命的疾病,需要及早检测才能改善患者的治疗结果.
• 目前用于败血症预测的计算模型往往缺乏来自非结构化临床笔记的上下文见解.
• 现有的方法难以区分败血症和败血症模仿者,影响诊断的准确性.

研究的目的:

• 引入 COMPOSER-LLM,这是一个与 COMPOSER 模型集成的开源大语言模型 (LLM).
• 通过利用非结构化临床数据来增强早期败血症预测.
• 通过使用上下文信息评估败血症模仿者来提高败血症检测的准确性.

主要方法:

• 将一个大型语言模型 (LLM) 与现有的 COMPOSER 模型集成.
• 利用LLM从非结构化的临床笔记中提取上下文信息,以进行高不确定性预测.
• 对2500名患者接触的COMPOSER-LLM模型的评估和前性验证.

主要成果:

• 与独立的COMPOSER模型相比,COMPOSER-LLM表现出更好的性能.
• 获得了72.1%的灵敏度,52.9%的积极预测值和61.0%的F-1得分.
• 手动图表审查表明潜在的临床效用,其中62%的假阳性有细菌感染.

结论:

• 将LLM与传统模型集成,显著提高了败血症的预测性能.
• 通过LLM利用非结构化数据代表了医疗保健分析的重大进步.
• COMPOSER-LLM在改善早期败血症检测和患者管理方面表现有前途.