Apr, 2024

提高临床试验的患者招募效率：基于提示的学习模型应用

PDF
TL;DR应用基于提示的大型语言模型在临床试验中基于资格标准对患者进行分类的研究提供了有希望的分数，并提出了一种利用 SNOMED CT 本体论进行提取式摘要的方法，该方法也可以应用于其他医学文本。
clinical trialselectronic health recordsnatural language processingcohort selectionprompt-based large language model
发现论文，激发创造
  • 利用大型语言模型协助医生改善临床试验的患者预筛选

    使用 InstructGPT 帮助医生根据患者的医疗概况确定临床试验的资格，通过组合一次性、选择推论和思考链技术，将 LLM 应用于 10 个合成患者概况，并有医生参与辅助判断，可实现 1.0 的召回率和 0.71 的精确率。

    Apr, 2023

  • 利用大型语言模型为患者匹配临床试验

    研究使用大型语言模型（LLMs）协助患者和转诊医生从广泛的选择中筛选适合的临床试验，并评估了 TrialGPT 在 184 名患者和 18,238 个注释临床试验的实验结果，表明其高准确性和排名排除不合格候选试验的有效性。

    Jul, 2023

  • 使用结构化纵向电子健康记录数据激励大规模语言模型进行零样本临床预测

    针对结构化长期电子健康记录 (EHR) 数据与大型语言模型 (LLMs) 集成时的固有复杂性，本研究调查了像 GPT-4 这样的 LLMs 对 EHR 数据的适应性。特别关注其零样本能力，使其能够在并未明确训练的情况下进行预测。通过考虑特定的 EHR 特征 (如单位和参考范围)，采用与临床环境相一致的上下文学习策略，我们的寻求方法能够应对 EHR 数据的纵向、稀疏和知识注入的特性。通过对 MIMIC-IV 和 TJH 数据集进行综合实验，证明了我们精心设计的提示框架下，LLMs 在关键任务 (如死亡率、住院天数和 30 天再入院率) 的预测性能可以提高约 35％，在少样本情景中超越了机器学习模型。我们的研究强调了 LLMs 在提高临床决策能力方面的潜力，尤其是在没有标签数据的紧急医疗情况下，如新发疾病的爆发。可通过此 https URL 获得代码，以便能重现研究结果。

    Jan, 2024

  • 零轉化臨床自然語言處理中大型語言模型的提示策略實證評估

    本文综合系统地对五个临床自然语言处理任务（临床意义消除、生物医学证据提取、共指消解、药物状态提取和药物属性提取）的提示工程进行了实验研究，评估了多种提示类型在三种先进的大型语言模型（GPT-3.5、BARD 和 LLAMA2）上的性能，并提出了对临床 NLP 领域提示工程的新见解和指南。

    Sep, 2023

  • 利用预训练语言模型和电子健康记录背景提取生物医学事实知识

    通过在 EHR 笔记上下文中添加提示，我们设计了并验证了一系列实验，用于实现动态上下文下的生物医学语言模型内置知识库的任务。我们的实验表明，这些语言模型所具有的知识可以从 EHR 笔记的噪声知识中区分出正确的知识，这种区分能力也可以作为一个新的度量来评估模型所具有的知识量。

    Aug, 2022

  • AutoTrial: 临床试验设计中的语言模型提示

    本文介绍了一种名为 AutoTrial 的方法，它使用语言模型帮助设计临床试验的甄别标准，可以在指令控制下进行可控生成，可以通过上下文学习进行可扩展的知识融合，提供明确的推理链以理解输出，通过人类评估与 GPT-3.5 基线获得了高质量的标准文本和 60％的胜率。

    May, 2023

  • 使用语言模型预训练的医疗命名实体识别模型

    本文介绍了一种从非结构化电子医疗记录中提取结构化信息的方法，该方法通过自然语言处理技术和网络注释工具的组合应用，优化了使用少量训练数据训练的定制命名实体识别模型的性能，并展示了该技术与现有方法相比的优势。研究结果表明，在仅使用 50% 的训练数据的情况下，我们的方法训练的模型的 F1 得分可达到 0.734，而当前流行的方法训练的不带语言模型组件的 spaCy 模型的 F1 得分为 0.704。

    Oct, 2019

  • 知识注入引导：基于大型语言模型的临床文本数据生成评估与推进

    通过结合临床领域特定知识图谱和大语言模型，在临床自然语言处理中提出了一种创新、资源高效的方法 ClinGen，通过临床知识提取和上下文信息化的大语言模型指导数据生成，持续提升性能，对生成训练实例的多样性和真实数据分布进行有效调整。

    Nov, 2023

  • MedGPT：临床叙述中的医学概念预测

    使用命名实体识别和链接工具（即 MedCAT）对电子病历的自由文本部分进行结构化和组织，从而预测出一系列的未来医疗事件（最初是疾病），MedGPT 有效地处理了噪声和额外细粒度， 并在 King's College Hospital 的真实世界医院数据上表现出色。

    Jul, 2021

  • 利用大型语言模型识别和提取罕见疾病表型

    本研究借助新型提示学习方法，将 ChatGPT 模型用于罕见病实体识别当中并与传统微调方法对比，发现在一些罕见疾病和征象实体的识别方面，ChatGPT 能够在只提供一个标记样本的情况下与传统微调方法相媲美，为罕见疾病的诊断和治疗提供了新的可能，但研究人员和临床医生应该审慎对待模型输出并清楚了解其局限性。

    Jun, 2023