Mar, 2024

利用大型语言模型从临床记录中提取物质使用障碍的严重程度：一种零样本学习方法

PDF
TL;DR应用大型语言模型（LLMs）从临床记录中提取各种药物使用障碍（SUD）诊断的严重性相关信息的研究，展示 LLMs 在提取严重性信息方面的优越性，有助于改善 SUD 患者的风险评估和治疗计划。
substance use disordersud identificationdiagnostic coding systemsnatural language processingseverity-related information
发现论文，激发创造
  • 基于检索增强生成的大型语言模型在零样本疾病表型分类中的应用

    通过使用零射击的基于大型语言模型的方法，结合检索增强生成和 MapReduce 技术，我们在肺动脉高压领域展示了一种有效识别疾病的方法，该方法在诊断中明显优于医生逻辑规则（F1 分数为 0.62 比 0.75），从而有望增强罕见疾病群体的识别和推动临床研究以及关注空缺的发现。

    Dec, 2023

  • 通过大型语言模型合成数据检测难治性抑郁的临床特征

    通过大型语言模型和 BERT 基于跨度抽取模型，能够提取和标记与难治性抑郁症相关的各种正面和负面因素的文本跨度，为未来医疗应用提供了希望。

    Feb, 2024

  • 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

  • 使用公共社交媒体数据评估大型语言模型在健康相关文本分类任务中的性能

    我们评估了多种模型，包括传统机器学习模型、预训练语言模型和大型语言模型，比较它们在社交媒体健康相关自然语言处理任务中的性能。实验结果表明，使用大型语言模型进行数据增强可以获得比仅使用人工标注数据训练的模型更好的结果，并且传统的有监督学习模型在零样本设置中也表现出优于大型语言模型的性能。

    Mar, 2024

  • 检索与细化：基于大语言模型的罕见病识别混合框架

    利用传统的基于词典的自然语言处理工具与大型语言模型相结合的新型混合方法，提高了从非结构化临床记录中识别罕见疾病的能力，并显示了从临床记录中识别病患的潜力。

    May, 2024

  • 面向精神健康护理的定制大型语言模型用于数字分诊辅助

    通过解决长期等待次名单和提供相关团队推荐，基于大型语言模型的端到端入食方法有助于缩短患者延迟时间和改善三级分类决策，适用于精神医疗保健。

    Mar, 2024

  • 大型语言模型中的临床数据生成的两个方向：数据到标签和标签到数据

    通过利用大规模语言模型生成合成的临床数据，我们研究了其在检测阿尔茨海默病相关迹象和症状方面的潜力，证明了大规模语言模型能够提高系统性能并生成不泄露敏感信息的数据集。

    Dec, 2023

  • 利用 LLMs 协助在双相障碍和精神分裂症中进行临床丰富数据的标注和收集

    利用当代语言模型在序列到序列任务中的应用来增强心理健康研究，通过小型模型，可以准确高效地进行领域特定临床变量的数据标注和心理健康仪器的数据收集，并表现出比商业大型模型更好的性能。

    Jun, 2024

  • 大型语言模型蒸馏药物推荐模型

    利用大型语言模型（LLMs），本文提出了一种名为 LEADER 的新方法，通过创建适当的提示模板和特征级知识蒸馏技术，将现有的药物推荐方法转化为更加高效和精确的形式。

    Feb, 2024

  • 利用大型语言模型识别电子健康档案中的社会决定因素

    本研究使用大型语言模型从电子健康记录中提取社会健康决定因素（SDoH），并研究了合成临床文本对提取这些临床数据的改进作用。最佳模型是经过微调的 Flan-T5 XL（宏 F1 值为 0.71）任何 SDoH 和 Flan-T5 XXL（宏 F1 值为 0.70）。这些模型优于 ChatGPT 系列模型在任务中的零样本和少样本性能，并且对种族 / 民族和性别描述词的预测不太可能改变，表明较少的算法偏见（p<0.05）。在患者层面上，我们的模型识别出 93.8% 存在不良 SDoH 的患者，而 ICD-10 代码只能覆盖 2.0%。我们的方法能有效地从临床记录中提取 SDoH 信息，相对于 GPT 的零样本和少样本设置更加优秀。这些模型可以增强关于 SDoH 的现实世界证据，并帮助识别需要社会支持的患者。

    Aug, 2023