大语言模型用于医疗数据增强：以患者-试验匹配为例
计算与语言
2023-08-08 v2 人工智能
摘要
将患者与合适的临床试验进行匹配的过程对于推进医学研究和提供最佳护理至关重要。然而，当前方法面临数据标准化、伦理考量以及电子健康记录（EHR）与临床试验标准之间缺乏互操作性等挑战。本文探讨了大语言模型（LLM）利用其在自然语言生成方面的先进能力，改善EHR与临床试验描述之间兼容性的潜力，以应对这些挑战。我们提出了一种创新的隐私感知数据增强方法，用于基于LLM的患者-试验匹配（LLM-PTM），在确保敏感患者数据安全与保密的同时兼顾LLM的益处。实验表明，所提出的LLM-PTM方法平均性能提升7.32%，对新数据的泛化能力提高12.12%。此外，我们给出案例研究以进一步阐明方法的有效性并深入理解其基本原理。
引用
@article{arxiv.2303.16756,
title = {Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching},
author = {Jiayi Yuan and Ruixiang Tang and Xiaoqian Jiang and Xia Hu},
journal= {arXiv preprint arXiv:2303.16756},
year = {2023}
}