LLM-DQR:基于大型语言模型的电子健康记录数据质量规则的自动生成
Shuyang Xie1, Hailing Cai1, Yaoqin Sun1
1College of Biomedical Engineering and Instrument Science, Zhejiang University, Zheda Road, 310027 Hangzhou, China.
大型语言模型 (LLM) 通过LLM-DQR自动化电子健康记录 (EHR) 数据质量规则生成,与手动方法相比显著提高效率和覆盖范围. 这种方法提高了临床环境中的数据质量分析.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 数据质量管理数据质量管理
背景情况:
- 电子健康记录 (EHR) 数据质量规则的手动和现有的自动化方法是低效的,不灵活的,并与复杂的逻辑作斗争.
- 需要先进的方法来提高EHR数据质量规则生成的准确性和效率.
研究的目的:
- 开发和评估LLM-DQR,一种使用大型语言模型 (LLM) 来生成EHR数据质量规则的自动化方法.
- 解决当前方法在效率,灵活性和复杂业务逻辑的覆盖方面存在的局限性.
主要方法:
- 设计了一个管道,集成标准化输入处理 (数据库方案,自然语言要求,样本数据),思维链提示工程和闭环验证.
- 在儿科重症监护 (PIC) 和重症监护医疗信息中心 (MIMIC-IV) 数据集上评估了LLM-DQR方法.
- 性能与手动专家构建 (专家DQR) 和基于模型的临床信息生成 (CIM-DQR) 相比进行了基准测试.
主要成果:
- LLM-DQR取得了卓越的表现,覆盖率为97.1% (PIC) 和99.6% (MIMIC-IV),表现优于CIM-DQR.
- 在两种数据集中,LLM-DQR显示一致性规则的覆盖率为100%,而CIM-DQR则达到0%.
- 与手工方法相比,建造时间缩短了10倍以上,LLM-DQR为PIC数据集生成了89个额外的专家验证的规则.
结论:
- 法律学士在理解复杂的EHR数据模式和评估要求方面表现出强大的能力,充当有价值的数据质量分析助手.
- 在临床环境中,LLM-DQR提供了一种高效,可扩展的解决方案,用于在临床环境中自动生成数据质量规则,超越传统方法.
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
Methods of Documentation VII: EMR
Data Validation
Nursing assessment guides are generally based on holistic models rather than medical...
Data Validation
Key parameters for method validation include:
Health Information Technology and Healthcare Information System
Health Information Technology, commonly called HIT, integrates advanced information systems and technology in healthcare settings. Its primary functions include:
Purpose of Health Records I
Here's a breakdown of how health records serve these purposes:
Data Reporting and Recording
