整合临床指南与大型语言模型,以改善败血症死亡率预测

科学领域:

• 人工智能在医学中的应用
• 临床决策支持系统 临床决策支持系统
• 机器学习用于医疗保健

背景情况:

• 败血症死亡率预测仍然是重症监护病房的一个关键挑战.
• 现有的预测模型往往缺乏与最新的临床指南的整合.
• 大型语言模型 (LLM) 为医疗保健中的复杂数据分析提供了潜力.

研究的目的:

• 开发和验证一个临床指南集成的LLM,以提高败血症死亡率预测.
• 评估与传统和深度学习方法相比,指南增强的LLM的表现.
• 评估明确的临床指南整合对LLM绩效的影响.

主要方法:

• 微调一个大语言模型使用低级调整在MIMIC-IV数据从24,237 ICU败血症患者.
• 将临床指南直接嵌入到LLM培训过程中.
• 使用准确度,F1得分,灵敏度,特异性和AUC评估模型性能;进行废除研究.

主要成果:

• 根据指导方针改进的LLM实现了卓越的性能:精度 (0.819),F1得分 (0.815),灵敏度 (0.815),特异性 (0.822) 和AUC (0.852).
• 性能增长明显高于传统的机器学习 (精度:0.774,AUC:0.850) 和深度学习方法 (精度:0.762,AUC:0.841).
• 废除研究证实,明确的指导方针集成显著提高了性能,而不是直接提示和微调没有指导方针.

结论:

• 将临床指南纳入LLM微调中可以提高败血症死亡率预测的稳定性和准确性.
• 与指南集成的LLM在败血症预测方面优于现有的机器学习和深度学习方法.
• 明确的领域知识整合对于开发可靠的临床AI工具至关重要.