零射击大型语言模型应用程序用于手术部位感染审计
Shrirajh Satheakeerthy1, Brandon Stretton1, James Tsimiklis2
1Lyell McEwin Hospital, Elizabeth Vale, SA, 5112, Australia; Adelaide Medical School, The University of Adelaide, Adelaide, SA, 5005, Australia; Royal Adelaide Hospital, Adelaide, SA, 5000, Australia.
Infection, disease & health
|May 22, 2025
概括
大型语言模型 (LLM) 在通过分析患者笔记来识别手术部位感染 (SSI) 方面表现有前途. 这项研究显示了高精度,表明LLM可以帮助感染监测.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 临床监督 临床监督
背景情况:
- 手术部位感染 (SSI) 是一个重大的临床挑战.
- 人工智能 (AI),特别是大型语言模型 (LLM),为增强SSI监控提供了潜力.
- 当前的监控方法可能是劳动密集型的,并且可能受益于人工智能的协助.
研究的目的:
- 评估大型语言模型 (LLM) 在从临床笔记中识别手术部位感染 (SSI) 的可行性和性能.
- 评估LLM在检测SSI病例中的准确性,敏感性和特异性.
- 为了确定由LLM检测SSI的及时性.
主要方法:
- 一项使用拉玛3.0 70亿参数模型的回顾性研究.
- 对28名患者的临床住院和门诊进展笔记的分析 (14例SSI病例,14例对照).
- 对SSI存在的注释的LLM分类,然后进行性能特征分析.
主要成果:
- 该LLM在识别SSI时实现了93%的整体患者级准确性.
- 对于SSI检测,已经证明了100%的灵敏度和86%的特异性.
- 对于初始病例识别,LLM标记的笔记中有92.3%是在临床医生识别的感染发病日期或之前.
结论:
- 大型语言模型 (LLM) 是一种可行的工具,用于选医疗记录以检测手术部位感染 (SSI).
- 该研究强调了LLM在临床工作流程中协助感染监测的潜力.
- 建议进行进一步的研究,探索将LLM整合到SSI管理的常规临床实践中.
关键词:
人工智能的人工智能是人工智能.感染控制的方法是感染控制.拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉玛拉机器学习是机器学习.自然语言处理自然语言处理.更多相关视频
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
1.0K
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
1.3K
