在重症监护中比较基于文本的临床风险预测:一个注释特定的层次网络和大型语言模型

科学领域:

• 临床信息学是一种临床信息学.
• 医疗保健中的人工智能
• 自然语言处理 (NLP) 是一种自然语言处理.

背景情况:

• 临床预测分析对于医疗保健至关重要,通常在临床笔记上使用机器学习和NLP.
• 临床笔记组成的变化及其对NLP模型的影响未得到充分研究.
• 大型语言模型 (LLM) 在常规临床笔记中对风险预测的有效性仍然不确定.

研究的目的:

• 评估临床笔记变化的影响NLP模型在医院死亡率预测.
• 为了比较一个新的监督层次网络与笔记特定的模块与传统的模型和LLMs.
• 通过使用各种提示策略,评估34个指令后的LLM的即时性能.

主要方法:

• 开发一个受监督的等级网络,使用注释特定的模块来解决临床注释的变化.
• 基准测试34个遵循指令的LLM,使用零射击,少数射击和思维链提示.
• 拟议模型与监督基线 (基于测量和基于文本) 和用于医院死亡率预测的LLM进行比较.

主要成果:

• 与已建立的监管基线相比,该票据特定网络在风险预测方面表现优越.
• 在使用常规临床笔记预测住院死亡率方面,LLM 始终表现不佳.
• 拟议的模型可以识别有信息的临床笔记,以加强其他预测模型的训练.

结论:

• 一个监督的层次网络与特定的模块是有效的临床风险预测,优于传统方法.
• 目前的LLM在处理临床注释的细微差别,以评估重症监护风险方面存在局限性.
• 在高风险的临床预测任务中部署LLM需要仔细考虑和进一步研究.