整合大型语言模型和机器学习以实现增强的catatonia表型化:对来自电子健康记录的临床数据的研究
Yubo Feng1, Ruiyan Ma1, Xinmeng Zhang1
1Vanderbilt University, Nashville, TN, USA.
Studies in health technology and informatics
|August 8, 2025
概括
这项研究结合了机器学习 (ML) 和GPT-4以改进从电子健康记录 (EHR) 来诊断白内障. 轻GBM显示出卓越的性能,而GPT-4提高了可解释性,展示了强大的综合方法,用于catatonia表型.
科学领域:
- 计算精神病学是一种计算精神病学.
- 医疗信息学医学信息学
- 医疗保健中的人工智能
背景情况:
- 卡塔托尼亚带来了重大的诊断挑战.
- 准确的表型确定对于有效的治疗至关重要.
- 电子健康记录 (EHR) 包含有价值的临床数据.
研究的目的:
- 使用EHR数据开发和评估一种新的catatonia表型化方法.
- 为了比较LightGBM和GPT-4模型的性能.
- 评估整合ML和大型语言模型 (LLM) 的协同潜力.
主要方法:
- 使用LightGBM在结构化EHR数据上进行训练.
- 使用GPT-4与检索增强生成 (RAG) 来分析非结构化的临床笔记.
- 使用接收器运行特征曲线 (AUROC) 下面面积的模型性能比较.
主要成果:
- 轻GBM实现了比GPT-4 (最佳AUROC为0.709) 高的AUROC (0.713).
- GPT-4提供了增强的可解释性,特别是在分析布什-弗朗西斯Catatonia评级表时.
- 结合的方法表明了改善猫的识别的潜力.
结论:
- 整合LightGBM和GPT-4提供了一个有前途的策略,用于增强catatonia表型.
- 机器学习在预测性能方面表现出色,而LLM则提供了有价值的上下文见解.
- 这种混合方法可以提高诊断复杂综合征的准确性和可解释性,如猫头.
