利用大语言模型扩展临床试验匹配规模：以肿瘤学为例的研究
计算与语言
2023-08-22 v3 机器学习
摘要
临床试验匹配是医疗交付与发现中的关键环节。在实践中，它深受海量非结构化数据与不可扩展的人工处理之苦。本文针对肿瘤学这一重点区域，系统性地研究了如何利用大语言模型（LLMs）来扩展临床试验匹配规模。我们的研究基于一个目前在美国大型医疗网络中处于测试部署阶段的临床试验匹配系统。初步结果令人鼓舞：开箱即用的前沿 LLMs（如 GPT-4）已能结构化临床试验的精细入组标准，并提取复杂的匹配逻辑（例如嵌套的 AND/OR/NOT）。尽管远非完美，LLMs 大幅优于此前的强基线，并可作为初步方案，在有人参与的闭环中辅助分诊患者-试验候选配对。我们的研究也揭示了将 LLMs 应用于端到端临床试验匹配的若干重要提升空间，例如上下文限制与准确性，尤其是从纵向医疗记录中结构化患者信息时。
引用
@article{arxiv.2308.02180,
title = {Scaling Clinical Trial Matching Using Large Language Models: A Case Study in Oncology},
author = {Cliff Wong and Sheng Zhang and Yu Gu and Christine Moung and Jacob Abel and Naoto Usuyama and Roshanthi Weerasinghe and Brian Piening and Tristan Naumann and Carlo Bifulco and Hoifung Poon},
journal= {arXiv preprint arXiv:2308.02180},
year = {2023}
}
备注
24 pages, 5 figures, accepted at Machine Learning for Healthcare (MLHC) 2023