使用大型语言模型进行in-silico开发和模拟患者报告的各种眼内透镜白内障手术结果问卷:一项验证前研究
Ewelina Trojacka1, Joanna Przybek-Skrzypecka2,3, Justyna Izdebska1,2,3
1Center of Ocular Microsurgery, Professor Jerzy Szaflik's Clinic in Warsaw, 00-215 Warszawa, Poland.
Journal of clinical medicine
|January 10, 2026
概括
大型语言模型 (LLM) 通过模拟患者的反应,使眼科患者报告的结果测量 (PROM) 的 in silico 预验证成为可能,通过模拟患者反应,确保在临床试验之前提供强大而公正的仪器.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 心理测量 心理测量 心理测量
背景情况:
- 眼科的患者报告结果措施 (PROM) 在早期验证期间面临着高患者负担的挑战.
- 使用大型语言模型 (LLM) 的in silico预验证提供了一种简化仪器开发的新方法.
研究的目的:
- 开发和评估一个In Silico预验证框架,利用LLMs用于眼科PROM.
- 评估框架在临床部署之前对压力测试仪器的能力,并确保其稳定性.
主要方法:
- 一个LLM使用Python管道生成了一个PROM问卷和500个患者个人资料的合成队列.
- 患者个人资料包括详细的人口统计,生活方式,健康背景和临床参数 (例如,IOL类型,失光症严重程度).
- 心理测量验证涉及确认因素分析 (CFA) 和差异物品功能 (DIF) 分析,并进行无状态模拟,以测试-重新测试可靠性.
主要成果:
- 基于LLM的框架显示出优异的结构有效性 (CFI=0.962,TLI=0.951,RMSEA=0.048,SRMR=0.063).
- 通过DIF分析,在年龄,性别或IOL类型方面没有发现显著的偏差.
- 观察到高的内部一致性 (克朗巴赫α>0.80),测试重复测试可靠性 (ICC>0.90) 和与NEI-VFQ-25的融合有效性.
结论:
- 基于LLM的预验证实现了"算法忠实性",有效地反映了复杂的人类反应模式.
- 这一in silico框架在临床试验之前确定了PROM中的结构性弱点.
- 这种方法减少了与现实世界人口中的传统PROM验证相关的伦理和后勤负担.
