在临床笔记中提高物质使用检测,使用大型语言模型
Fabrice Harel-Canada1, Anabel Salimian2, Brandon Moghanian3
1Computer Science Department, University of California, Los Angeles, 404 Westwood Plaza Suite 277, Los Angeles, 90095, CA, USA.
在电子健康记录中识别物质使用是很困难的. 像Llama-DrugDetector-70B这样的大型语言模型显著提高了物质检测的准确性,有助于临床支持和研究.
科学领域:
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
- 药物使用研究研究 药物使用研究
背景情况:
- 电子健康记录 (EHR) 包含有价值的患者数据,但物质使用行为通常隐藏在非结构化的临床笔记中.
- 多样化的术语,否定和上下文细微差别使得从EHR中精确识别物质使用变得复杂.
研究的目的:
- 开发和评估大型语言模型 (LLM) 以检测EHR排放摘要中的八种物质使用类别.
- 创建一个大型的,注释数据集从MIMIC-III/IV排放摘要用于药物检测研究.
- 通过改进的自动检测来支持系统性物质使用监测.
主要方法:
- 使用了MIMIC-III/IV排放摘要来构建一个全面的药物检测数据集.
- 研究了各种LLM在零射击,少数射击和微调场景中的表现.
- 对其检测特定物质使用类别的能力进行了评估,包括处方阿片类药物滥用和多重物质使用.
主要成果:
- 一个微调的LLM,Llama-DrugDetector-70B,在物质使用检测方面表现出卓越的性能.
- 在大多数单个物质类别中获得高F1分数 (≥0.95).
- 在复杂的任务上表现强:处方阿片类药物滥用 (F1=0.815) 和多重物质使用 (F1=0.917).
结论:
- 从非结构化EHR数据来看,LLM显著提高了从非结构化EHR数据中识别物质使用行为的准确性.
- 开发的Llama-DrugDetector-70B模型显示了临床决策支持和大规模物质使用监测的前景.
- 需要进一步的研究,以解决基于LLM的检测方法在现实世界的临床环境中的可扩展性.
更多相关视频
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
07:50A Metadata Extraction Approach for Clinical Case Reports to Enable Advanced Understanding of Biomedical Concepts
Published on: September 20, 2018
相关概念视频
Drug Nomenclature
Drug Discovery: Overview
Drug Dependence
Cognitive Enhancers: Cholinesterase Inhibitors and NMDA Receptor Antagonists
Combined Effects of Drugs: Synergism
Such synergistic combinations...
Targets for Drug Action: Overview
Receptors are either membrane-spanning or intracellular proteins, which upon binding a ligand, get activated and transmit the signal downstream to elicit a response. Drugs bind receptors, either mimicking the action of endogenous ligands or blocking the receptor activity to bring about a modified response. Nearly 35% of approved drugs target the G...
