对物联网原始数据总结 (LLM-RawDMeth) 上的大型语言模型的新型微调和评估方法:糖尿病护理的共同视角
Juan F Gaitán-Guerrero1, Carmen Martínez-Cruz2, Macarena Espinilla1
1Department of Computer Science, University of Jaén, Jaén, 23071, Spain.
Computer methods and programs in biomedicine
|June 14, 2025
概括
大型语言模型 (LLM) 现在可以从持续的葡萄糖监测数据中生成准确的摘要. 这种微调方法通过解释复杂的葡萄糖模式来改善糖尿病管理,减少医疗保健负担.
科学领域:
- 生物医学信息学 生物医学信息学
- 医疗保健中的人工智能
- 数据科学数据科学数据科学
背景情况:
- 糖尿病是一个日益严重的全球健康问题,需要持续监测葡萄糖.
- 从设备中解释密集的电子健康数据流是具有挑战性的.
- 当前的大型语言模型 (LLM) 在准确的数据到文本生成方面遇到了困难.
研究的目的:
- 为LLMs开发一个微调方法,以便从葡萄糖数据中生成准确的摘要.
- 弥合原始数据和高效的医学解释之间的差距.
- 为专家指导的数据总结创建一个可扩展的方法.
主要方法:
- 一个新的持续葡萄糖监测框架,使用微调的GPT模型.
- 专家指导的数据建模使用模糊逻辑和提示工程.
- 在依赖时间的数据上对LLM业绩进行新的评估方法.
主要成果:
- 微调的GPT-4o实现了96%的性能,超过了GPT-4o-mini (76%) 和GPT-3.5 (72%).
- 基于知识的模糊提示在使用完整或简化数据时有效.
- 在具有有限数据的微调模型中,域导向提示提高了相关性和稳定性.
结论:
- 拟议的方法有效地使LLM与原始数据生成类似人文的文本保持一致.
- 通过复杂的葡萄糖模式解释,LLM显示出在治疗糖尿病方面的潜力.
- 这种方法可以通过改进数据分析来减轻医疗保健系统的负担.


