Feb, 2024

朝着可解释的风险预测减少诊断误差

PDF
TL;DR使用 LLMs 方法识别患者电子健康记录中表明特定诊断风险增加或减少的证据，以提高证据获取并减少诊断错误。通过神经附加模型在临床医生不确定时点进行预测，具有个体化的风险估计，旨在减少诊断延误和因不完整鉴别引起的错误。使用 LLMs 推断细粒度的过去真实诊断标签，确保输入文本在自信诊断之前。通过模型学习的相关性，从初始证据集中筛选出更精确的证据，通过模拟临床医生在预定义鉴别诊断列表中选择来详细评估我们方法的实用性。
发现论文，激发创造
  • 利用 LLMs 从电子病历中检索证据：可能性与挑战

    使用大型语言模型（Flan-T5 XXL）从非结构化电子健康记录（EHR）数据中检索和总结与特定查询相关的论据，较传统信息检索方法更受放射科医生欢迎，但面临 LLMs 产生虚构证据的挑战。然而，模型的信心可能指示 LLMs 是否存在虚构，为解决此问题提供了潜在方法。

    Sep, 2023

  • 基于 LLMs 的电子病历的小样本疾病预测：结合预测代理推理和关键代理指导的新方法

    使用大型语言模型，本研究探索将结构化的患者就诊数据（例如诊断、实验室和处方）转化为自然语言叙述的可行性，并提出了一种利用不同角色的语言模型代理（预测者代理和评论者代理）的新方法。结果表明，相比传统的监督学习方法，在基于电子健康记录的疾病预测中，使用该方法的大型语言模型能够实现相当不错的少样本性能，暗示其在健康相关应用中的潜力。

    Mar, 2024

  • 利用大型语言模型基于电子健康记录预测阿尔茨海默病的增强风险

    通过利用语言模型为风险预测增添强大的能力，结合传统监督学习方法和大语言模型的决策机制，本研究提出的创新流程通过实际的电子健康记录数据仓库的评估表明有效地提高了预测性能，为改善 ADRD 筛查和早期检测实践带来了希望，并对患者管理策略产生潜在影响，进而改善医疗保健。

    May, 2024

  • 利用语言模型进行临床风险预测：益处与考虑因素

    利用语言模型（LMs）来代表结构化电子健康记录（EHRs），例如诊断历史，可以在各种风险预测任务中提高性能，同时具有少样本学习、处理未知医学概念和适应各种医学词汇等优势，但在使用这些模型时需要谨慎

    Nov, 2023

  • 解读诊断：大型语言模型解释如何影响临床决策

    本研究探讨了大型语言模型在生成患者病情诊断解释方面的可靠性和有效性，实验证明大型语言模型生成的解释显著提高了医生对给定诊断的一致性，同时揭示了大型语言模型输出的潜在错误，在医疗保健领域中的潜力和挑战得到了强调，强调了在整合和评估过程中需要谨慎以确保患者安全和优化的临床效用。

    Oct, 2023

  • 将医学知识图谱结合到大型语言模型中用于诊断预测

    通过结合医学知识图谱和新颖的图模型 Dr.Knows，我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力，从而消除预训练的需要，提高自动诊断生成的准确性。

    Aug, 2023

  • 利用多模态电子病历的标签依赖注意力模型进行疾病风险预测

    本文提出了一种基于标签依赖的注意模型 LDAM 来提高疾病风险预测的可解释性，在利用 Clinical-BERT 编码生物医学有意义的特征和标签的同时，扩展联合嵌入的想法，开发了多模态学习框架，整合了来自医学记录和时间序列健康状态指标的异构信息，并在 MIMIC-III 测试集上进行了实验验证。

    Jan, 2022

  • 语言模型在医疗应用中容易受到患者错误自我诊断的影响

    大语言模型在医疗保健领域逐渐变得越来越重要，它可作为一种潜在工具，帮助临床医生、研究人员和患者之间进行沟通。然而，对医学考试问题上的 LLMs 进行传统评估并不能反映真实患者和医生之间互动的复杂性，其中引入了患者自我诊断的情况。本研究通过修改美国医学考试中的多项选择题，将患者的自诊断报告纳入其中，提出了多种 LLMs。研究结果表明，当患者提出错误的偏见验证信息时，LLMs 的诊断准确性显著下降，自诊断存在较高的错误敏感性。

    Sep, 2023

  • 借助大型语言模型实现准确的鉴别诊断

    本研究介绍了一种为诊断推理进行优化的大型语言模型 (LLM)，并评估其生成独立诊断推理 (DDx) 或为临床医生提供辅助的能力。结果显示，在挑战性真实医学案例中，使用 LLM 辅助的临床医生在 DDx 质量和全面性方面表现优于未使用该辅助工具的医生，证明 LLM 为 DDx 提供了潜力，有望改善医生在复杂病例中的诊断推理和准确性。

    Nov, 2023

  • LLMs 加速医疗信息提取的注释

    使用大型语言模型（LLMs）结合人类专家的方法，快速生成医疗文本注释的地面真实标签，从而减少人工注释负担并保持高准确性，为医疗健康领域的定制自然语言处理（NLP）解决方案提供了潜力。

    Dec, 2023