基于任务上下文提示的准医学症状编码

准确地从非结构化临床文本中进行医学症状编码（如疫苗不良事件报告）是一个具有药物监测和安全监控应用价值的关键任务。症状编码即本研究所特指，涉及识别并将细微的症状提及链接到标准词汇表，如 MedDRA，将其区别于更广泛的医学编码任务。传统方法将症状提取和链接视为独立的工作流程，往往难以处理临床叙述的变数和复杂性，尤其是针对罕见病例。近期的大语言模型（LLM）进展为这一任务带来了新机遇，但面临性能不稳定的挑战。为此，我们提出任务即上下文（Task as Context, TACO）提示，一种一种新框架，通过将任务特定的上下文嵌入 LLM 提示中，将提取和链接任务统一起来。本研究还引入 SYMPCODER 数据集，源自疫苗不良事件报告系统（VAERS）的人工标注数据，并提出两种阶段的评估框架，全面评估症状链接和提及忠诚度。我们对多种 LLM（包括 Llama2-chat、Jackalope-7b、GPT-3.5 Turbo、GPT-4 Turbo 和 GPT-4o）的全面评估表明，TACO 在针对此类任务（如症状编码）方面显著提升了灵活性和准确性，为更具体的编码任务铺平了道路，推动了临床文本处理方法论的进步。