使用大型语言模型从临床叙述中识别阿片类药物过量和阿片类药物使用障碍以及相关信息
Daniel Paredes1, Sankalp Talankar1, Cheng Peng1
1Department of Health Outcomes and Biomedical Informatics, College of Medicine, University of Florida, Gainesville, FL, USA.
大型语言模型可以有效地从临床笔记中提取阿片类药物使用障碍 (OUD) 信息. 一个基于解码器的模型,GatorTronGPT,在识别OUD提及和相关概念方面表现出高准确度,有助于研究.
科学领域:
- 公共卫生 公共卫生
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
背景情况:
- 阿片类药物过量服用和阿片类药物使用障碍 (OUD) 是美国显著且不断升级的公共卫生危机.
- 从临床数据中准确识别OUD相关信息对于研究和干预开发至关重要.
研究的目的:
- 评估和比较基于编码器和解码器的大型语言模型 (LLM) 的有效性,以从临床叙述中提取阿片类药物过量和OUD信息.
- 确定与阿片类药物过量和OUD相关的关键概念,包括有问题的阿片类药物使用.
主要方法:
- 基于编码器的LLM和基于解码器的生成LLM的比较.
- 利用一个具有成本效益的p调整算法进行模型优化.
- 专注于提取与阿片类药物过量和OUD相关的九个关键概念.
主要成果:
- 基于解码器的生成LLM,GatorTronGPT,实现了卓越的性能.
- GatorTronGPT获得了0.8637的最好的严格F1得分和0.9057.7的宽松F1得分.
- 证明了生成LLM在提取阿片类药物相关信息中的效率.
结论:
- 生成型LLM,特别是GatorTronGPT,是从临床叙述中提取关键阿片类药物过量和OUD信息的有效工具.
- 本研究提供了一种系统方法,以利用临床文本数据促进与阿片类药物相关的研究.
更多相关视频
09:54Combining Laser Capture Microdissection and Microfluidic qPCR to Analyze Transcriptional Profiles of Single Cells: A Systems Biology Approach to Opioid Dependence
Published on: March 8, 2020
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
相关概念视频
Opioid Analgesics: Morphine and Other Natural Cogeners
Opioid Analgesics: Synthetic and Semisynthetic Opioids
Drug Abuse and Addiction: Pharmacological Phenomena
Analgesia and Pain Management
Opioid Receptors: Overview
Substance Use Disorders Affecting Sleep
Understanding the concepts of physical dependence,...
