从分类到临床洞察：利用大语言模型分析与推理移动及行为健康数据
人工智能
2024-08-27 v3
摘要
从 ubiquitous 传感器被动收集的行为健康数据，在为精神健康专业人员提供患者日常生活洞察方面具有重大前景；然而，开发在临床实践中使用这些数据的分析工具，需要应对跨设备泛化以及被测信号与个体精神健康之间微弱或模糊相关性的挑战。为应对这些挑战，我们采取一种利用大语言模型（LLMs）从多传感器数据综合临床有用洞察的新颖方法。我们开发了思维链提示方法，使用 LLMs 生成关于步数、睡眠等数据趋势如何与抑郁和焦虑等病症相关的推理。我们首先展示 LLMs 的二分类抑郁识别准确率达 61.1%，超越当前最优（SOTA）。尽管尚不足以稳健用于临床，但这引出了我们的关键发现：比分类更具影响且更受重视的是一种新的人机协作方法，其中临床专家交互式查询这些工具，并将自身领域专业知识与患者背景与 AI 生成的推理结合，以支持临床决策。我们发现 GPT-4 等模型在 75% 的情况下能正确引用数值数据，且临床参与者表现出使用此方法解读自我追踪数据的强烈兴趣。
引用
@article{arxiv.2311.13063,
title = {From Classification to Clinical Insights: Towards Analyzing and Reasoning About Mobile and Behavioral Health Data With Large Language Models},
author = {Zachary Englhardt and Chengqian Ma and Margaret E. Morris and Xuhai "Orson" Xu and Chun-Cheng Chang and Lianhui Qin and Daniel McDuff and Xin Liu and Shwetak Patel and Vikram Iyer},
journal= {arXiv preprint arXiv:2311.13063},
year = {2024}
}