利用大语言模型结构化大规模非结构化电子健康档案以改善放射治疗后的死亡率预测
计算与语言
2024-12-12 v5 人工智能
摘要
准确的放射治疗（RT）生存预测对于优化治疗决策至关重要。本研究开发并验证了 RT-Surv 框架，该框架整合了通用领域的开源大语言模型（LLM），将非结构化电子健康档案与结构化临床数据一同进行结构化。利用来自 34,276 名患者的数据和 852 名外部队列数据，该框架成功将非结构化临床信息转换为结构化格式。纳入 LLM 结构化临床特征后，在外部验证中一致性指数从 0.779 提升至 0.842，展示了显著的性能提升。关键的 LLM 结构化特征，如疾病范围、一般状况和 RT 目的，表现出较高的预测重要性，并与传统统计分析识别出的统计显著预测因子高度吻合，从而提升了模型的可解释性。此外，该框架增强了风险分层能力，利用 LLM 结构化临床特征能够在低风险、中风险和高风险组之间实现更明确的区分（p < 0.001）。这些发现突显了 LLM 将非结构化数据转化为可操作洞察的潜力，从而改善临床中的预测建模和患者预后。
引用
@article{arxiv.2408.05074,
title = {Improving Mortality Prediction After Radiotherapy with Large Language Model Structuring of Large-Scale Unstructured Electronic Health Records},
author = {Sangjoon Park and Chan Woo Wee and Seo Hee Choi and Kyung Hwan Kim and Jee Suk Chang and Hong In Yoon and Ik Jae Lee and Yong Bae Kim and Jaeho Cho and Ki Chang Keum and Chang Geol Lee and Hwa Kyung Byun and Woong Sub Koom},
journal= {arXiv preprint arXiv:2408.05074},
year = {2024}
}
备注
23 pages, 2 tables, 4 figures