通过提取增强预测改进术后停留时间预测

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床预测模型临床预测模型

背景情况:

• 准确预测住院时间 (LOS) 对于有效管理医疗保健资源至关重要.
• 传统的机器学习 (ML) 和大型语言模型 (LLM) 已经显示出潜力,但对复杂的临床预测的解释性和准确性有局限性.
• 检索增强生成 (RAG) 通过将信息检索与生成能力相结合,提供了一种新的方法.

研究的目的:

• 为了评估预测医院LOS外科手术后的检索增强预测.
• 将其性能与传统的ML,独立的LLM和RAG方法进行比较.
• 评估在临床环境中检索增强预测的解释性和效率.

主要方法:

• 脊柱手术患者的数据,包括结构特征和手术笔记,从电子健康记录中提取出来.
• 使用Sentence-BERT嵌入式创建并存储在一个矢量数据库中的自然语言患者表示.
• 实施了八种预测模型,包括检索增强预测,独立ML,独立LLM (Gemma 3:27B) 和它们的组合,以R2,MAE和RMSE测量性能.

主要成果:

• 仅检索增强预测就超过了独立的ML和LLM模型 (R2 = 0.39,MAE = 4.47).
• 将ML或LLM输出与检索增强预测相结合,进一步提高了性能,最佳模型实现R2 = 0.52和MAE = 4.16.
• 检索增强预测持续降低MAE和RMSE分别高达32%和38%,超过RAG (R2 = 0.19).

结论:

• 检索增强预测提供了一种可解释和资源高效的方法来预测LOS,通过利用与先前患者病例的语义相似性.
• 这种方法始终优于RAG和ML模型,证明了其接近临床推理的潜力.
• 提取增强预测显著提高了LOS预测的准确性,并为将预测分析集成到临床工作流程中提供了一个可扩展的解决方案.