OPTIC：利用 GPT-4 数据标注与模型蒸馏优化临床操作中的医患分诊与沟通
机器学习
2025-03-11 v1 计算与语言
摘要
COVID-19 大流行加速了通过电子医疗门户（患者医疗建议请求，即 PMAR）进行的远程医疗和患者消息传递的普及。虽然这些平台增强了患者获取医疗服务的途径，但由于 PMAR 的激增，它们也增加了医疗服务提供者的负担。本研究旨在开发一种高效的消息分诊工具，以减轻医生工作量并改善医患沟通。我们开发了 OPTIC（优化临床操作中的医患分诊与沟通），这是一种强大的消息分诊工具，利用 GPT-4 进行数据标注，并利用 BERT 进行模型蒸馏。该研究使用了 Johns Hopkins Medicine 在 2020 年 1 月至 6 月期间的 405,487 次患者消息交互数据集。通过基于 GPT-4 的提示工程生成了高质量的标注数据，随后用这些数据训练 BERT 模型，将消息分类为“行政”或“临床”。该 BERT 模型在由 GPT-4 标注验证的测试集上达到了 88.85% 的准确率，灵敏度为 88.29%，特异度为 89.38%，F1 分数为 0.8842。BERTopic 分析在测试数据中识别出 81 个不同主题，其中 58 个主题的分类准确率超过 80%。该系统已通过 Epic 的 Nebula Cloud Platform 成功部署，证明了其在医疗环境中的实际有效性。
引用
@article{arxiv.2503.05701,
title = {OPTIC: Optimizing Patient-Provider Triaging & Improving Communications in Clinical Operations using GPT-4 Data Labeling and Model Distillation},
author = {Alberto Santamaria-Pang and Frank Tuan and Ross Campbell and Cindy Zhang and Ankush Jindal and Roopa Surapur and Brad Holloman and Deanna Hanisch and Rae Buckley and Carisa Cooney and Ivan Tarapov and Kimberly S. Peairs and Brian Hasselfeld and Peter Greene},
journal= {arXiv preprint arXiv:2503.05701},
year = {2025}
}
备注
15 pages, 8 figures. submitted to Journal of the American Medical Informatics Association