用大型语言模型组合和非结构化医疗笔记来预测精神障碍的ICU患者的死亡率
Waleed Nazih1, Tamer Abuhmed2, Meshal Alharbi1
1Department of Computer Science, College of Computer Engineering and Sciences, Prince Sattam bin Abdulaziz University, Al-Kharj, Saudi Arabia.
PloS one
|September 19, 2025
概括
这项研究开发了一种使用多种语言模型预测重症监护室 (ICU) 死亡风险的集合模型. 该方法有效地整合了非结构化的临床笔记,改善了患者的结果预测.
科学领域:
- 人工智能在医学中的应用
- 临床信息学 临床信息学
- 自然语言处理自然语言处理.
背景情况:
- 评估重症监护室 (ICU) 死亡风险对于患者护理至关重要.
- 传统的人工智能方法往往忽略了非结构化的临床笔记中的关键数据.
- 大型语言模型 (LLM) 是有前途的,但有个人的局限性.
研究的目的:
- 开发一个先进的预测模型,用于ICU死亡风险评估.
- 利用各种语言模型 (LMs和LLMs) 的集合来改善预测.
- 整合非结构化医疗文本数据,以加强临床决策.
主要方法:
- 使用决策融合方法创建了一个集体分类器.
- 使用了各种不同的医学LM和LLM (阿斯克莱皮乌斯,梅迪特朗,加托特朗,PubMedBERT).
- 模型在MIMIC-IV数据集中的11,914名患者的多式联络数据上进行了微调.
主要成果:
- 多模组合模型的表现优于单个语言模型.
- 整体在预测死亡风险方面表现优越.
- 多种模型和数据模式的整合提高了预测准确度.
结论:
- 集体语言模型显著改善了ICU中的心理健康管理.
- 将非结构化的临床笔记与语言模型相结合,可以提高患者的预测结果.
- 结合LLM的先进临床决策工具对于重症监护至关重要.


