奇尔:用大型语言模型从临床笔记中零射击定制可解释特征提取

科学领域:

• 人工智能的人工智能
• 临床信息学 临床信息学
• 机器学习 机器学习

背景情况:

• 电子健康记录 (EHR) 包含大量的数据.
• 从EHR中提取临床上有意义的特征是具有挑战性的.
• 医生的专业知识对于有效的风险预测至关重要.

研究的目的:

• 引入CHiLL (Crafting High-Level Latents),这是一种用于线性模型特征的自然语言规范的新方法.
• 为了使医生能够利用他们的领域知识从EHR数据中进行特征工程.
• 改善临床预测建模中的解释性和性能.

主要方法:

• CHiLL使用专家设计的查询提示大型语言模型 (LLM) 来生成来自健康记录的特征.
• 生成的特征用于训练简单的线性分类器.
• 该方法使用MIMIC-III和MIMIC-CXR数据集进行评估,用于30天再接收预测等任务.

主要成果:

• 用CHiLL生成的特征训练的线性模型表现出与使用参考特征的模型可比的性能.
• 与使用"袋词"特征的线性模型相比,CHiLL提供了更好的解释性.
• 学习特征权重显示与临床预期有很强的一致性.

结论:

• CHiLL提供了一种有效的方法,可以使用LLMs从EHR数据中生成可解释的特征.
• 该方法通过将其专业知识整合到功能工程过程中,赋予临床医生权力.
• CHiLL显示了增强临床风险预测模型的前景,并提高了可解释性和性能.