利用电子健康记录为心房动队列生成心房动队列

科学领域:

• 临床信息学 临床信息学
• 自然语言处理 (NLP) 是一种自然语言处理.
• 医疗保健中的人工智能

背景情况:

• 对临床研究队伍的手动患者匹配是一个重要的瓶.
• 出院报告是患者信息的丰富数据来源.
• 自动化队列选择可以加速临床试验过程.

研究的目的:

• 研究NLP和大型语言模型 (LLM) 在临床研究中对队列选择的有效性.
• 评估LLMs模拟纵向患者轨迹和时间推理的能力.
• 将LLM性能与基于规则的基线进行比较,并评估模型大小和适应的影响.

主要方法:

• 在212名患者的数据集中,使用出院报告对心房 (AF) 进展进行了注释.
• 采用了两种策略:一个基于规则的调整管道和零射击的开源LLMs.
• 100名患者的额外数据集被注释为肝衰竭 (HF) 脱补偿,以评估概括性.

主要成果:

• 调整后的基于规则的方法获得了最高的准确率 (0.82).
• 具有任务划分提示的LLM的表现相似 (高达0.79),手工劳动明显减少.
• 一个中型的通用领域LLM (gemma-3) 优于其他模型,快速的结构是关键因素.

结论:

• 排放报告对于使用基于规则的方法和LLMs进行自动队列选择是有价值的.
• 尽管长时间的背景带来了挑战,但LLM通过明确的日期展示了有效的时间推理.
• 模型大小和域调整并不总是决定性能;迅速的工程是关键的.