在中风警报中预测急性脑血管事件,使用大语言模型和结构化数据
Asala N Erekat1,2, Margaret H Downes3, Laura K Stein2
1Clinical Neuro-Informatics Center, Icahn School of Medicine at Mount Sinai, New York, NY.
medRxiv : the preprint server for health sciences
|November 19, 2025
概括
集成电子健康记录和大语言模型的机器学习模型可以在中风警报激活时预测急性脑血管疾病 (ACD),旨在减少错误阳性并优化中风分离.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 急性中风警报经常是由非脑血管疾病引发的,导致错误的阳性.
- 这些虚假警报会耗费临床资源,增加诊断的不确定性.
研究的目的:
- 开发机器学习 (ML) 模型,在中风警报激活时预测急性脑血管疾病 (ACD).
- 整合大语言模型 (LLM),结构化的EHR数据和临床时间序列数据以改善预测.
主要方法:
- 在西奈山卫生系统2011-2021年中风预警的回顾性分析.
- 提取结构化的EHR数据和非结构化的临床笔记;使用嵌入式 (word,BioWordVec,LLM) 处理的笔记.
- 使用自动ML训练的个人ML模型 (非结构化,结构化,多式组合),并使用AUROC,PPV,灵敏度和F1-score进行评估.
主要成果:
- 该研究分析了16,512个中风预警,其中54.6%被证实为ACD.
- 多式联运车型的AUROC为0.72,表现优于单个车型.
- 一个以人口统计,并发症和药物为重点的结构化模型显示出最高的灵敏度 (0.95).
结论:
- 开发了一种多模式的ML模型,用于预测中风警报期间的ACD.
- 这种方法显示了优化中风分拣和减少不必要的警报的潜力.
