从指导方针到代码:使用临床决策支持的LLM和RAG正式化STOPP/START标准

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
• 计算药理学计算药理学

背景情况:

• 老年患者的多药性对药物管理提出了重大挑战.
• STOPP/START v3标准为优化治疗提供了一个框架,但很难在软件中实现.
• 将复杂的临床指南正式化为可执行代码是临床决策支持系统的关键步骤.

研究的目的:

• 使用大型语言模型 (LLM) 自动化STOPP/START v3标准的正式化.
• 为了提高规则正式化的准确性,利用检索增强生成 (RAG).
• 从医疗指南生成可执行代码,以改进处方软件.

主要方法:

• 使用LLM (DeepSeek,GPT-4o-mini) 来进行实体提取和代码映射 (ICD-10,LOINC,ATC).
• 雇员检索-增强生成 (RAG) 以提高基于LLM的规则正式化的准确性.
• 从正式的临床规则中开发了一个生成可执行Python代码的过程.

主要成果:

• 在实体映射方面获得高F1分:0.90 (药物),0.92 (疾病) 和1.0 (观察).
• 在医学实体提取和代码逻辑一致性方面表现出完美的结果.
• 成功地将复杂的临床规则转化为准确的可执行代码.

结论:

• 法律法规,特别是RAG,可以有效地自动化医疗指南的正式化.
• 这种自动化有助于将临床决策支持工具集成到处方软件中.
• 这种方法在推进临床决策支持和正式化医疗规则方面显著有前途.