开发和验证新生儿疾病预训练语言模型:一个回顾性,多中心,预后性研究
Feng Xie1, Philip Chung2, Jonathan D Reiss3
1Department of Anesthesiology, Perioperative and Pain Medicine, Stanford University, Stanford, CA, USA; Department of Pediatrics, Stanford University School of Medicine, Stanford, CA, USA; Department of Biomedical Data Science, Stanford University, Stanford, CA, USA; Division of Computational Health Sciences, Department of Surgery, University of Minnesota, Minneapolis, MN, USA.
The Lancet. Digital health
|December 19, 2025
概括
新生儿BERT是一个大型语言模型 (LLM),有效地从临床笔记中估计新生儿发病风险. 这种人工智能工具有望改善新生儿护理和医院效率.
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
- 新生儿健康 新生儿健康
背景情况:
- 早期识别新生儿疾病对于及时干预至关重要.
- 使用生物标志物和表格数据的传统方法在评估新生儿发病风险方面存在局限性.
- 大型语言模型 (LLM) 提供了分析非结构化临床笔记的潜力.
研究的目的:
- 开发和评估新生儿BERT,一种用于估计新生儿发病风险的新型LLM.
- 将NeonatalBERT的性能与现有的LLM和传统模型进行比较.
- 评估临床笔记对于预测新生儿并发症的有用性.
主要方法:
- 一项使用两家美国学术医疗中心回顾性初级和外部队列的预后研究.
- 新生儿BERT在临床笔记上进行了预训练和微调.
- 对19种新生儿发病率的精度回忆曲线下面区域 (AUPRC) 和F1分数使用的BioBERT,Bio-ClinicalBERT和传统模型进行了性能评估.
主要成果:
- 新生儿BERT在初级队列中实现了0.291的平均AUPRC,在外部队列中达到0.360,优于其他模型.
- 在初级队列中,新生儿BERT的表现优于生物临床BERT (0.238),生物BERT (0.217) 和传统模型 (0.194).
- 在外部队列中,NeonatalBERT的平均AUPRC (0.360) 超过了其他模型 (0.224-0.333) 的范围.
结论:
- 新生儿BERT有效地通过非结构化的临床笔记来估计新生儿发病风险.
- 该模型显示了改善新生儿护理的巨大潜力.
- 这种人工智能方法可以帮助简化医院运营并改善患者的治疗结果.
