呼叫 Dr. GPT：从临床笔记中提取信息以增强患者预测

在医疗保健领域，利用电子病历中的表格数据构建预测模型有着悠久的历史。然而，这些模型未能提取非结构化临床笔记中的信息，而这些笔记记录了诊断、治疗、进展、药物和护理计划。在本研究中，我们探讨了当 GPT-4o-mini (ChatGPT) 获准访问患者出院总结时，其对关于患者的简单临床问题生成的回答如何支持患者级别的死亡率预测。利用 MIMIC-IV Note 数据集中 14,011 次首次入住冠心病监护病房或心血管重症监护病房的数据，我们实现了一个透明的框架，将 GPT 的响应作为逻辑回归模型的输入特征。我们的研究结果表明，仅基于 GPT 的模型即可超越在标准表格数据上训练的模型，而结合两种信息源可产生更强的预测能力，使 AUC 平均提高 5.1 个百分点，并使最高风险十分位人群的阳性预测值提高 29.9%。这些结果突出了将大型语言模型 (LLM) 整合到临床预测任务中的价值，并强调了在非结构化文本数据仍属未充分利用资源的任何领域中应用 LLM 的更广泛潜力。