IntelliCare: 改进基于大语言模型的医疗分析中的方差控制患者水平知识
机器学习
2024-08-26 v1
摘要
尽管深度学习方法在分析电子健康记录 (EHR) 数据方面取得了显著进展，但它们往往难以从有限数据中充分捕捉来自多样化医学代码的语义。来自大语言模型 (LLM) 的外部知识集成为改进医疗预测提供了有前景的途径。然而，LLM 分析可能因歧义问题和不一致性问题而表现出显著的方差，阻碍其有效利用。为了解决这些挑战，我们提出了 IntelliCare，一个新型框架，利用 LLM 提供高质量的患者水平外部知识并增强现有的 EHR 模型。具体而言，IntelliCare 识别患者队列并运用任务相关的统计信息来增强 LLM 的理解和生成，从而有效缓解歧义问题。此外，它通过一种混合方法细化 LLM 派生的知识，生成多个分析并使用 EHR 模型和 perplexity 测度进行校准。在两个大型 EHR 数据集上的三个临床预测任务的实验评估表明，IntelliCare 为现有方法带来了显著的性能提升，凸显了其在推动个性化医疗预测和决策支持系统方面的潜力。
引用
@article{arxiv.2408.13073,
title = {IntelliCare: Improving Healthcare Analysis with Variance-Controlled Patient-Level Knowledge from Large Language Models},
author = {Zhihao Yu and Yujie Jin and Yongxin Xu and Xu Chu and Yasha Wang and Junfeng Zhao},
journal= {arXiv preprint arXiv:2408.13073},
year = {2024}
}