面向临床试验的高效患者招募：基于提示的学习模型的应用
计算与语言
2026-01-15 v1
摘要
目的：临床试验对于推进药物干预至关重要，但在选择合格参与者方面存在瓶颈。尽管利用电子健康记录（EHR）进行招募已日益普及，但非结构化医疗文本的复杂性给高效识别参与者带来了挑战。自然语言处理（NLP）技术已成为一种解决方案，近期研究聚焦于Transformer模型。在本研究中，我们旨在评估基于提示的大语言模型在从EHR中收集的非结构化医疗记录中进行队列选择任务的表现。方法：为处理医疗记录，我们选取了与试验所需资格标准最相关的记录句子。收集了与每个资格标准相关的SNOMED CT概念。还基于SNOMED CT本体使用MedCAT对医疗记录进行了标注。提取了包含与标准相关术语匹配的概念的标注句子。然后使用基于提示的大语言模型（本研究中的生成式预训练Transformer（GPT））将提取的句子作为训练集。为评估其有效性，我们使用2018年n2c2挑战赛的数据集评估了模型性能，该挑战赛旨在通过NLP技术对311名患者的医疗记录基于13项资格标准进行分类。结果：我们提出的模型总体微平均和宏平均F值分别为0.9061和0.8060，这是使用该数据集进行的实验所取得的最高分数之一。结论：本研究中应用基于提示的大语言模型根据资格标准对患者进行分类取得了有希望的成绩。此外，我们提出了一种借助SNOMED CT本体的抽取式摘要方法，该方法也可应用于其他医学文本。
引用
@article{arxiv.2404.16198,
title = {Towards Efficient Patient Recruitment for Clinical Trials: Application of a Prompt-Based Learning Model},
author = {Mojdeh Rahmanian and Seyed Mostafa Fakhrahmad and Seyedeh Zahra Mousavi},
journal= {arXiv preprint arXiv:2404.16198},
year = {2026}
}