在使用大型语言模型的电子健康记录中确定移动功能状态

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 老年医学 老年医学

背景情况:

• 全球人口老龄化需要对个性化医学进行精确的功能状态评估.
• 电子健康记录 (EHR) 包含丰富,但在很大程度上是无结构的患者移动数据.
• 从临床笔记中标准化移动性信息对于临床应用和研究至关重要.

研究的目的:

• 调查大型语言模型 (LLM) 在从非结构化的EHR临床笔记中提取和标准化患者移动状态的有效性.
• 评估不同的LLM提示策略,用于移动数据提取和损伤分类.
• 评估基于LLM的方法在多个医疗机构的可信度和通用性.

主要方法:

• 来自三个医疗机构的600份临床笔记的注释,重点关注移动性和损伤表达.
• 利用开源的Llama 3模型,使用零射击,少数射击和任务分解提示技术.
• 通过错误分析和患者级准确度和F1分数的计算来评估性能,以获得移动性提取和损伤分类.

主要成果:

• 移动提取实现了0.952的微平均精度和0.962.96的F1得分.
• 损伤分类实现了0.912的微平均精度和0.948.94的F1得分.
• 错误分析表明了临床上合理的推断,即使在模两可的情况下,局部的确定性设置提高了可信度和可概括性.

结论:

• 基于LLM的解决方案可用于从非结构化的EHR数据中提取功能移动状态.
• 该方法支持将移动数据整合到精准医学计划和临床研究中.
• 开发的方法表明了跨机构的概括性,并增强了数据隐私和一致性.