PHEONA：用于大型语言模型方法进行计算表型标记的评估框架

计算表型标记是医学研究中必不可少的任务，但通常需要大量时间和资源，尤其是因为传统方法通常涉及 Extensive 的手动数据审查。尽管机器学习和自然语言处理的进展有所帮助，但仍需进一步改进。鉴于大型语言模型（LLM）在基于文本的任务中已知的优势，仅有少数研究探索了将其用于这些任务。为促进该领域的进一步研究，我们开发了一个评估框架——观察健康数据表型标记评估（Evaluation of PHEnotyping for Observational Health Data, PHEONA），其概述了特定情境下的考虑因素。我们在概念分类——即急性呼吸失败（ARF）呼吸支持疗法的更广泛表型化过程中的一个具体任务——上应用并演示了 PHEONA。从测试的样本概念中，我们取得了高分类准确率，这表明基于 LLM 的方法有望改进计算表型化过程。