基于大语言模型的零样本临床试验患者匹配
计算与语言
2024-04-11 v3 人工智能
摘要
将患者与临床试验匹配是将新药推向市场的一个尚未解决的关键挑战。目前，识别符合试验入组标准的患者高度依赖人工，每位患者耗时长达1小时。然而，自动化筛选颇具挑战，因为它需要理解非结构化的临床文本。大语言模型（LLMs）提供了一种有前景的解决方案。在本工作中，我们探索了其在试验匹配中的应用。首先，我们设计了一个基于LLM的系统，该系统根据以非结构化临床文本形式给出的患者病史，评估该患者是否符合一组入组标准（同样以自由文本形式指定）。我们的零样本系统在n2c2 2018队列选择基准测试上取得了最先进的分数。其次，我们通过确定一种提示策略来提高我们方法的数据和成本效率，该策略匹配患者的速度比现状快一个数量级且成本更低，并开发了一个两阶段检索流程，在保持高性能的同时，将处理的token数量最多减少三分之一。第三，我们通过让临床医生评估LLM为每个入组资格决策生成的自然语言理由来评估我们系统的可解释性，并表明它能为97%的正确决策和75%的错误决策输出连贯的解释。我们的结果证实了使用LLM加速临床试验操作的可行性。
引用
@article{arxiv.2402.05125,
title = {Zero-Shot Clinical Trial Patient Matching with LLMs},
author = {Michael Wornow and Alejandro Lozano and Dev Dash and Jenelle Jindal and Kenneth W. Mahaffey and Nigam H. Shah},
journal= {arXiv preprint arXiv:2402.05125},
year = {2024}
}