المفاهيم الأساسية
Große Sprachmodelle können genutzt werden, um unstrukturierte Patientenakten effizient zu verarbeiten und Klinikern bei der Zuweisung von Patienten zu geeigneten Behandlungsteams zu unterstützen.
الملخص
Die Studie untersucht drei verschiedene Ansätze, um große Sprachmodelle (LLMs) zur Verarbeitung von variabel langen Patientenakten für die Triage-Unterstützung in der psychischen Gesundheitsversorgung zu nutzen:
- Dokumentbasierter "Brute-Force"-Ansatz: Jedes Dokument in der Patientenakte wird einzeln verarbeitet und klassifiziert.
- Instanzbasierter Ansatz mit Sequenztrunkierung: Die gesamte Patientenakte wird als eine lange Sequenz verarbeitet, die auf eine feste Länge gekürzt wird.
- Instanzbasierter Segment-und-Batch-Ansatz: Die Patientenakte wird in feste Segmente unterteilt, die nacheinander verarbeitet werden.
Der Segment-und-Batch-Ansatz zeigt die beste Leistung bei der Zuordnung von Patienten zu den richtigen Behandlungsteams. Dieser Ansatz ist auch effizient in Bezug auf den Ressourcenverbrauch und ermöglicht eine Interpretation der Entscheidungen.
Die Studie zeigt, wie große Sprachmodelle an spezifische Anwendungsfälle im Gesundheitswesen angepasst werden können, um unstrukturierte Patientendaten effizient zu verarbeiten und Klinikern bei der Triage zu unterstützen.
الإحصائيات
Die durchschnittliche Länge der Patientenakten beträgt 1323 Token, wobei die kürzesten Akten weniger als 128 Token und die längsten mehr als 4096 Token umfassen.
اقتباسات
"Große Sprachmodelle (LLMs) können genutzt werden, um unstrukturierte, narrative Textdaten in elektronischen Patientenakten zu verarbeiten - ein besonders wichtiger Anwendungsfall für die psychische Gesundheitsversorgung, da ein Großteil der routinemäßig erhobenen Patientendaten keine strukturierten, maschinenlesbaren Inhalte aufweist."
"Der Segment-und-Batch-Ansatz zeigt konsistent die beste Leistung über alle Sequenzlängen hinweg."