DeLLiriuM：利用结构化电子健康记录进行ICU谵妄预测的大型语言模型
人工智能
2024-10-24 v1
摘要
谵妄是一种急性意识模糊状态，已被证明会影响高达31%的重症监护病房（ICU）患者。早期检测这种状况可以带来更及时的干预和改善的健康结果。虽然人工智能（AI）模型在使用结构化电子健康记录（EHR）进行ICU谵妄预测方面显示出巨大潜力，但大多数模型尚未探索使用最先进的AI模型，仅限于单个医院，或在小规模队列上开发和验证。使用具有数亿到数十亿参数的大型语言模型（LLM）处理结构化EHR数据，可能会带来预测性能的提升。在本研究中，我们提出了DeLLiriuM，一种新颖的基于LLM的谵妄预测模型，该模型使用ICU入院前24小时内的EHR数据来预测患者在ICU住院期间发生谵妄的概率。我们在来自三个大型数据库（eICU协作研究数据库、重症监护医学信息集市（MIMIC）-IV和佛罗里达大学健康综合数据仓库）的104,303名患者（涉及195家医院）的ICU入院记录上开发和验证了DeLLiriuM。通过受试者工作特征曲线下面积（AUROC）衡量的性能表明，DeLLiriuM在两个外部验证集上优于所有基线模型，在涵盖194家医院的77,543名患者中，AUROC分别为0.77（95%置信区间0.76-0.78）和0.84（95%置信区间0.83-0.85）。据我们所知，DeLLiriuM是首个基于结构化EHR数据的ICU谵妄预测LLM工具，其性能优于使用结构化特征的深度学习基线模型，并且可以为临床医生提供有助于及时干预的信息。
引用
@article{arxiv.2410.17363,
title = {DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR},
author = {Miguel Contreras and Sumit Kapoor and Jiaqing Zhang and Andrea Davidson and Yuanfang Ren and Ziyuan Guan and Tezcan Ozrazgat-Baslanti and Subhash Nerella and Azra Bihorac and Parisa Rashidi},
journal= {arXiv preprint arXiv:2410.17363},
year = {2024}
}