利用大语言模型与推理从电子健康记录中提取 OPQRST
计算与语言
2025-09-03 v1 人工智能
摘要
从电子健康记录 (EHR) 中提取关键患者信息面临着显著挑战，主要由于数据的复杂性和非结构化特性。传统机器学习方法往往难以有效捕获 pertinent details (关键细节)，使其在临床实践中难以被临床医生有效利用。本文提出了一种新方法，通过利用大语言模型 (LLM) 的能力从 EHR 中提取 OPQRST 评估。我们将任务从序列标注重新框定为文本生成，使模型能够提供模拟医生认知过程的推理步骤。该方法增强了可解释性，并适应了医疗环境中标注数据有限的局面。此外，我们针对临床语境中机器生成文本准确性评估的挑战，提出了对传统命名实体识别 (NER) 指标的修改，包括整合语义相似性度量（如 BERT Score）来评估生成文本与原始记录临床意图之间的一致性。我们的贡献显示，AI 在医疗保健领域的应用取得了显著进展，为从 EHR 中提取信息提供了可扩展解决方案，提高了信息提取的准确性和可用性，从而有助于临床医生做出更明智的决策，提高患者护理结果。
引用
@article{arxiv.2509.01885,
title = {Extracting OPQRST in Electronic Health Records using Large Language Models with Reasoning},
author = {Zhimeng Luo and Abhibha Gupta and Adam Frisch and Daqing He},
journal= {arXiv preprint arXiv:2509.01885},
year = {2025}
}