利用提取增强代驱动的大型语言模型来从自由文本护理笔记中提取痴呆症激发症状和触发因素

科学领域:

• 人工智能的人工智能
• 临床信息学 临床信息学
• 老年学是一门学科.

背景情况:

• 非结构化的电子健康记录 (EHR) 包含有价值的患者数据,但由于可变性,难以分析.
• 识别痴呆症患者的动荡症状和触发因素对于在住院养老机构 (RACF) 提供有效护理至关重要.

研究的目的:

• 开发和评估一个命名实体识别 (NER) 模型,用于识别护理笔记中的痴呆症激发指标.
• 利用检索增强生成 (RAG) 和生成AI来增强非结构化EHR数据的分析.

主要方法:

• 使用带有生成人工智能的检索增强生成 (RAG) 创建了一个NER模型.
• 该模型使用几次射击学习方法与重新排名检索策略进行训练.
• 绩效是根据来自住院养老机构 (RACF) 的护理笔记来评估的.

主要成果:

• 采用RAG驱动的NER模型实现了高性能指标:准确率为0.87,F1得分为0.88,回忆率为0.90,精度为0.86.
• 在识别与煽动有关的实体方面,重新排名的检索方法超过了密集的检索方法.
• 该模型成功地提取了痴呆症患者兴奋的症状和触发因素.

结论:

• 开发的基于RAG的NER模型有效地分析了非结构化的护理笔记,以识别痴呆症动荡.
• 这种人工智能驱动的方法增强了临床决策,并改善了RACF中激动的管理.
• 这些发现支持将先进的AI技术整合到更好的痴呆症护理和EHR分析中.