从患者咨询到图谱：利用大语言模型构建患者旅程知识图谱
计算与语言
2025-03-24 v1 人工智能
摘要
向以患者为中心的医疗转型势必需要全面理解患者旅程，而患者旅程涵盖整个护理范围内的所有医疗经历和互动。现有的医疗数据系统往往碎片化，缺乏对患者轨迹的整体表示，这给协调护理和个性化干预带来了挑战。患者旅程知识图谱（Patient Journey Knowledge Graph，PJKG）代表了一种新型方法，用于解决医疗数据碎片化的挑战，通过将多样化的患者信息整合到统一、结构化的表示中。本文提出了一种利用大语言模型（Large Language Models，LLMs）处理和结构化正式临床文档和非结构化患者-医生对话，以构建 PJKG 的方法论。这些图谱封装了临床接触、诊断、治疗和结果之间的时间关系和因果关系，支持高级的时间推理和个性化护理见解。本研究评估了四种不同大语言模型（如 Claude 3.5、Mistral、Llama 3.1 和 Chatgpt4o）在生成准确且计算效率高的知识图谱方面的能力。结果表明，虽然所有模型均实现了完美的结构合规性，但在医学实体处理和计算效率方面表现出差异。本文通过识别关键挑战和未来研究方向，为通过开发支持改进护理协调和结果预测的综合、可操作的知识图谱而推动以患者为中心的医疗。
引用
@article{arxiv.2503.16533,
title = {From Patient Consultations to Graphs: Leveraging LLMs for Patient Journey Knowledge Graph Construction},
author = {Hassan S. Al Khatib and Sudip Mittal and Shahram Rahimi and Nina Marhamati and Sean Bozorgzad},
journal= {arXiv preprint arXiv:2503.16533},
year = {2025}
}