SDoH-GPT：利用大语言模型提取社会健康决定因素
计算与语言
2024-07-25 v1 人工智能
摘要
从非结构化医疗笔记中提取社会健康决定因素（SDoH）依赖大量耗时的标注工作，而这些标注通常具有任务特定性，限制了可重用性并阻碍了数据共享。本研究中，我们引入了 SDoH-GPT，这是一种简单且有效的 few-shot 大语言模型（LLM）方法，利用对比示例和简洁指令，从不依赖大量医学标注或高昂人力成本的方式提取 SDoH。该方法在时间和成本上分别实现了十倍和二十倍的降低，凭借 Cohen's kappa 最高可达 0.92 的优异一致性。该方法创新的 SDoH-GPT 与 XGBoost 的结合利用了两者的优势，确保了高准确率和计算效率，同时始终保持 0.90 以上的 AUROC 分数。在三个不同数据集上的测试结果确认了其稳健性和准确性。这一研究突显了利用 LLM 革新化医疗笔记分类的潜力，表明其能够以显著降低的时间和成本实现高度准确的分类。
引用
@article{arxiv.2407.17126,
title = {SDoH-GPT: Using Large Language Models to Extract Social Determinants of Health (SDoH)},
author = {Bernardo Consoli and Xizhi Wu and Song Wang and Xinyu Zhao and Yanshan Wang and Justin Rousseau and Tom Hartvigsen and Li Shen and Huanmei Wu and Yifan Peng and Qi Long and Tianlong Chen and Ying Ding},
journal= {arXiv preprint arXiv:2407.17126},
year = {2024}
}