从产品特征摘要中提取儿科信息,使用大型语言模型和无代码
Elkaouther Zaoui1, Cédric Bousquet1, Catherine Duclos1
1Université Sorbonne Paris Nord, Laboratoire d'Informatique Médicale et d'Ingénierie des connaissances en e-Santé, LIMICS, Sorbonne Université, INSERM, F-93000, Bobigny, France.
使用GPT-4o mini从产品特性总结 (SPC) 中自动提取儿科药物信息,实现了高回忆率 (95%) 和精度 (78%). 这种无代码方法可靠地识别了医疗保健专业人员的儿科适应症.
科学领域:
- 儿科药理学 儿科药理学
- 医疗信息学 医疗信息学
- 医学中的自然语言处理.
背景情况:
- 准确的儿科药物信息至关重要,因为与成人相比,儿童的剂量错误风险更高.
- 从监管文件中提取儿科药物数据的现有方法可能耗时,需要专门的专业知识.
研究的目的:
- 开发和评估一种自动化方法,从产品特性摘要 (SPC) 中提取儿科信息,特别是适应症.
- 评估使用无代码平台与高级语言模型的可行性.
主要方法:
- 利用无代码视觉编辑器AirOps,构建一个包含GPT-4o小型大语言模型的处理链.
- 处理了50个产品特征摘要 (SPC) 来提取与儿科适应症相关的句子.
- 通过回忆和精度指标评估了性能.
主要成果:
- 自动化方法实现了95%的回忆率和78%的精度率在提取相关的儿科指示句子.
- 大型语言模型在根据其儿科用途对药物进行分类方面表现出可靠性.
- 一种无代码的方法使得医疗保健专业人员能够在没有IT背景的情况下实施.
结论:
- 拟议的自动化,无代码方法有效地从SPC中提取儿科药物信息,准确度高.
- 这种方法提高了识别临床实践和研究的关键儿科药物数据的可访问性和效率.
- 在无代码平台中利用大型语言模型为医疗专业人员民主化了先进的数据提取.
更多相关视频
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
相关概念视频
Pedigree Analysis
Improving Translational Accuracy
Analysis of Population Pharmacokinetic Data
Model-Independent Approaches for Pharmacokinetic Data: Noncompartmental Analysis
One important characteristic of noncompartmental analyses is that drug exposure increases proportionally with increasing doses. This relationship...
Language Development
The critical period for language acquisition suggests that the ability to acquire language is at its peak early in life. As people age, this proficiency decreases. Language development begins very...
