用于心理健康护理数字分诊辅助的定制大型语言模型
人工智能
2024-04-01 v1
摘要
当代大型语言模型可能有助于处理电子健康记录（EHRs）中包含的非结构化、叙述性自由文本临床数据——这对于心理健康尤为重要，因为常规收集的大部分患者数据缺乏结构化、机器可读的内容。英国国家医疗服务体系（NHS）面临的一个重大问题是专科心理健康护理的漫长候诊名单。根据 NHS 数据，在 2023 年的每个月，都有 370,000 至 470,000 名个人被新转诊至二级心理健康护理服务。临床医生必须使用患者 EHR 中包含的临床信息对转诊进行分诊，以就最合适的心理健康护理团队来评估并可能治疗这些患者做出决定。通过摄取可能海量的临床笔记来有效推荐相关团队的能力，可以帮助服务部门缩短转诊等待时间，并且借助合适的技术，可以改进用于证明分诊决策合理性的证据。我们提出并评估了三种不同的方法，用于基于 LLM 的端到端摄取可变长度临床 EHR 数据，以在分诊转诊时协助临床医生。我们的模型能够提供与现有临床实践一致的分诊建议，其架构在单个 GPU 上实现，使其在资源有限的 NHS 环境中具有实用性，在这些环境中，LLM 技术的私有实现对于确保机密临床数据得到适当控制和管理是必要的。
引用
@article{arxiv.2403.19790,
title = {Bespoke Large Language Models for Digital Triage Assistance in Mental Health Care},
author = {Niall Taylor and Andrey Kormilitzin and Isabelle Lorge and Alejo Nevado-Holgado and Dan W Joyce},
journal= {arXiv preprint arXiv:2403.19790},
year = {2024}
}