使用大型语言模型从儿科临床报告中提取信息.
Katharina Danhauser1, Yingding Wang1, Christoph Klein1
1Department of Pediatrics, LMU University Hospital, Munich, Germany.
PLOS digital health
|July 23, 2025
概括
大型语言模型 (LLM) 在从非结构化儿科临床报告中提取结构化数据方面表现出高准确度. 这种自动化方法为手动数据提取提供了灵活和高效的替代方案,以改善患者护理和研究.
科学领域:
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
- 儿科医疗保健 儿科医疗保健
背景情况:
- 非结构化的医疗文档,就像临床报告一样,妨碍了有效的数据分析和整合.
- 目前的数据提取方法是劳动密集型的,缺乏灵活性.
- 医疗文件的自动化分析可以显著有利于患者护理和研究.
研究的目的:
- 评估大型语言模型 (LLM) 在从非结构化儿科临床报告中提取结构化数据方面的性能.
- 评估医学数据提取LLMs的准确性和灵活性.
- 为了比较不同LLM在处理临床文档中的有效性.
主要方法:
- 评估了九种不同的大型语言模型 (LLM).
- 临床医师的任务是从儿科临床报告中提取结构化,针对患者的特定信息.
- 通过确定关键数据点的准确性来衡量性能.
主要成果:
- 商业和开源LLM都在识别患者特定信息方面表现出高准确度.
- 高效的LLM在关键数据提取任务中实现了90%以上的准确性.
- 简单的临床数据管理 (LLM) 提供了一种灵活有效的方法来结构化非结构化临床数据.
结论:
- 大型语言模型是将非结构化儿科临床报告转化为结构化数据的可行和准确工具.
- 基于LLM的数据提取提高了医疗数据分析的效率和灵活性.
- 这项技术在推进临床研究和患者护理系统方面具有重大潜力.
更多相关视频
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
690
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
586
