PRISM：使用大型语言模型进行语义临床试验匹配的患者记录解释
计算与语言
2024-04-30 v2 人工智能
摘要
临床试验匹配是识别患者可能符合条件的试验的任务。通常，这项任务劳动密集，需要详细核对患者的电子健康记录（EHR）与临床试验严格的纳入和排除标准。这个过程是手动的、耗时的，且难以扩展，导致许多患者错失潜在的治疗选择。大型语言模型（LLM）的最新进展使得自动化患者-试验匹配成为可能，正如多项并行研究所展示的那样。然而，当前的方法局限于受限的、通常是合成的数据集，这些数据集不能充分反映真实世界医疗数据中遇到的复杂性。在本研究中，我们首次使用真实世界的EHR对临床试验匹配进行了端到端的大规模实证评估。我们的研究展示了LLM准确匹配患者与合适临床试验的能力。我们使用专有LLM进行了实验，包括GPT-4和GPT-3.5，以及我们自定义的微调模型OncoLLM，并表明OncoLLM尽管规模小得多，不仅优于GPT-3.5，而且与合格医生的表现相当。所有实验均使用来自美国一家癌症中心的真实世界EHR进行，包括临床笔记和可用的临床试验。
引用
@article{arxiv.2404.15549,
title = {PRISM: Patient Records Interpretation for Semantic Clinical Trial Matching using Large Language Models},
author = {Shashi Kant Gupta and Aditya Basu and Mauro Nievas and Jerrin Thomas and Nathan Wolfrath and Adhitya Ramamurthi and Bradley Taylor and Anai N. Kothari and Regina Schwind and Therica M. Miller and Sorena Nadaf-Rahrov and Yanshan Wang and Hrituraj Singh},
journal= {arXiv preprint arXiv:2404.15549},
year = {2024}
}
备注
30 Pages, 8 Figures, Supplementary Work Attached