用于自动化临床数据标准化的大型语言模型：HL7 FHIR用例
计算与语言
2025-07-08 v1 人工智能
机器学习
摘要
多年来，语义互操作性标准一直致力于简化临床数据的交换，然而其部署仍然耗时、资源密集且技术挑战重重。为了解决这一问题，我们引入了一种半自动化方法，利用大型语言模型（特别是GPT-4o和Llama 3.2 405b）将结构化临床数据集转换为HL7 FHIR格式，同时评估准确性、可靠性和安全性。将我们的方法应用于MIMIC-IV数据库，我们结合了嵌入技术、聚类算法和语义检索来构建提示，引导模型将每个表格字段映射到相应的FHIR资源。在初始基准测试中，资源识别达到了完美的F1分数，GPT-4o由于在提示中包含了FHIR资源模式而优于Llama 3.2。在实际条件下，准确率略有下降至94%，但对提示策略的改进恢复了稳健的映射。错误分析揭示了偶尔出现的对不存在的属性的幻觉以及粒度不匹配，更详细的提示可以缓解这些问题。总体而言，我们的研究证明了将临床数据上下文感知地、由LLM驱动地转换为HL7 FHIR的可行性，为半自动化互操作性工作流程奠定了基础。未来工作将集中于使用专门的医学语料库微调模型，扩展对HL7 CDA和OMOP等其他标准的支持，并开发交互式界面以实现专家验证和迭代优化。
引用
@article{arxiv.2507.03067,
title = {Large Language Models for Automating Clinical Data Standardization: HL7 FHIR Use Case},
author = {Alvaro Riquelme and Pedro Costa and Catalina Martinez},
journal= {arXiv preprint arXiv:2507.03067},
year = {2025}
}
备注
10 pages, 2 figures