利用大型语言模型检测临床叙述中的 HIV 相关污名
计算与语言
2026-04-14 v2 人工智能
摘要
人类免疫缺陷病毒 (HIV)-相关污名是影响活活感染者 (PLWH) 心理健康、就医参与度及治疗结果的关键心理社会健康因素。尽管污名相关经历在临床记录中得到记录，但缺乏即插即用工具来提取和分类化这些经历。本研究旨在开发基于大型语言模型 (LLM) 的工具，用于从临床笔记中识别 HIV 污名。我们从 2012 年至 2022 年间在乔治亚佛罗里达大学 (UF) Health 接受护理的 PLWH 临床记录中识别记录。通过专家精选的污名相关关键词识别候选句子，并通过临床词嵌入进行迭代扩展。共手动标注了 1,332 句话，涵盖四个污名子量表：关注公共态度、披露顾虑、负面自我形象及个体化污名。我们比较了 GatorTron-large 和 BERT 作为编码器基线模型，以及 GPT-OSS-20B、LLaMA-8B 和 MedGemma-27B 作为生成式 LLM，在零样本和少样本提示下进行评估。GatorTron-large 实现了最佳整体性能 (Micro F1 = 0.62)。少样本提示显著提升了生成式模型性能，5-shot GPT-OSS-20B 和 LLaMA-8B 分别取得了 Micro-F1 分数为 0.57 和 0.59。按污名子量表划分，负面自我形象的可预测性最高，个体化污名则最具挑战性。零样本生成式推理显示出最高可达 32% 的显著性错误率。这一研究构建了首个用于从临床记录中识别 HIV 污名的实用 NLP 工具。
引用
@article{arxiv.2604.07717,
title = {Detecting HIV-Related Stigma in Clinical Narratives Using Large Language Models},
author = {Ziyi Chen and Yasir Khan and Mengyuan Zhang and Cheng Peng and Mengxian Lyu and Yiyang Liu and Krishna Vaddiparti and Robert L Cook and Mattia Prosperi and Yonghui Wu},
journal= {arXiv preprint arXiv:2604.07717},
year = {2026}
}