通过微调的大型语言模型对电子健康记录中修改的兰金级进行评估:开发和内部验证
Luis Silva1,2, Marcus Milani2, Sohum Bindra2
1Department of Neurology, University of Florida, 1600 SW Archer Road, Gainesville, FL, 32608, United States, 1 7633373761.
JMIR AI
|February 25, 2026
概括
大型语言模型 (LLM) 可以准确地从电子健康记录 (EHR) 中分类修改的兰金表 (mRS) 评分. 这种人工智能方法对中风研究有希望,尽管中等分数歧视需要改进.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 修改后的兰金尺度 (mRS) 对中风研究结果至关重要.
- 从电子健康记录 (EHR) 进行追溯的mRS评估是劳动密集型和可变的.
- 大型语言模型 (LLM) 显示了自动化文本分类任务的潜力.
研究的目的:
- 开发和评估一个微调的LLM用于从EHR文本分类mRS分数.
- 评估LLM在分析中风患者的临床和研究用途的结果方面的表现.
主要方法:
- 从2020年8月到2023年6月,对2290名患者进行了回顾性队列研究.
- 两位独立研究人员在出院时和出院后90天分配了mRS分数.
- 训练有素的多类 (7分) 和二进制 (独立性与非独立性) 在电子健康记录数据上的LLM,使用交叉验证.
主要成果:
- 多类LLM获得了77%的准确性和0.92科恩 κ.
- 二进制LLM实现了92%的准确性和0.84科恩 κ的功能独立性.
- 对于mRS得分4 (90%) 的最高准确度,对于mRS得分2 (28%) 的最低准确度.
结论:
- 可以成功培训LLM来从EHR文本中确定mRS分数.
- 开发的LLM显示了高精度,特别是在功能独立的二进制分类.
- 需要进一步精细化,以改善中间mRS分数之间的歧视.
更多相关视频
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
8.2K
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
580
