利用 LLM 生成的专家摘要增强插肺期死亡率预测中的多表征学习
计算与语言
2024-11-27 v1 人工智能
机器学习
摘要
插肺期死亡率（IHM）预测对于ICU患者的及时干预和资源分配至关重要。虽然结构化生理数据提供了定量洞察，但临床笔记提供了非结构化、充满情境的叙事。本研究将这些模态数据与大型语言模型（LLM）生成的专家摘要相集成，以提高IHM预测准确性。使用MIMIC-III数据库，我们分析了ICU入院前48小时内的时间序列生理数据和临床笔记。将患者的临床笔记按时间顺序拼接后，转换为使用Med42-v2 70B生成的专家摘要。开发了一种多表征学习框架，用于集成这些数据源，利用LLM增强文本数据，同时减轻对LLM预测直接依赖的挑战，这些预测在不确定性量化和可解释性方面可能带来问题。该模型相较于仅使用时间序列的基线，AUPRC提升至0.6156（+36.41%），AUROC提升至0.8955（+7.64%）。专家摘要优于临床笔记或时间序列数据单独使用，显示了LLM生成知识的价值。性能在不同人口统计学群体中均有提升，尤其在欠代表模群体中表现突出，凸显了该框架具有公平应用潜力。通过将LLM生成的摘要与结构化和非结构化数据相结合，该框架捕获了补充患者信息，显著提高了预测性能。该方法展示了LLM如何增强关键护理预测模型的潜力，强调了需要针对特定领域进行验证以及更先进的集成策略以实现更广泛的临床应用。
引用
@article{arxiv.2411.16818,
title = {Enhancing In-Hospital Mortality Prediction Using Multi-Representational Learning with LLM-Generated Expert Summaries},
author = {Harshavardhan Battula and Jiacheng Liu and Jaideep Srivastava},
journal= {arXiv preprint arXiv:2411.16818},
year = {2024}
}