Große Sprachmodelle zur Identifizierung sozialer Determinanten von Gesundheit in elektronischen Gesundheitsakten

Konsep Inti

Große Sprachmodelle können effektiv soziale Determinanten von Gesundheit aus klinischen Notizen extrahieren und bieten Potenzial für verbesserte Datenerfassung.

Abstrak

• Die Studie untersucht die Verwendung großer Sprachmodelle zur Extraktion von sozialen Determinanten von Gesundheit aus klinischen Notizen.
• Es wurden verschiedene Datensätze verwendet, darunter 800 Patientennotizen aus einer Onkologieabteilung.
• Die besten Modelle waren Flan-T5 XL und XXL für die Extraktion von SDoH.
• Die Studie zeigt, dass synthetische Daten die Leistung verbessern können, insbesondere bei seltenen Kategorien.
• Es wurde festgestellt, dass die Modelle weniger anfällig für Bias sind als ChatGPT-Modelle.
• Die Modelle identifizierten mehr Patienten mit SDoH als strukturierte EHR-Daten.

Statistik

Unsere besten Modelle waren Flan-T5 XL (Macro-F1 0,71) für jede SDoH und Flan-T5 XXL (Macro-F1 0,70) für adverse SDoH.
Die Modelle zeigten eine Verbesserung der Leistung durch synthetische Daten.
Die Modelle identifizierten 93,8% der Patienten mit adverse SDoH im Vergleich zu 2,0% durch ICD-10-Codes.

Kutipan

"Große Sprachmodelle können effektiv soziale Determinanten von Gesundheit aus klinischen Notizen extrahieren."
"Synthetische klinische Texte können die Identifizierung seltener Ereignisse in EHRs verbessern."

Wawasan Utama Disaring Dari

Large Language Models to Identify Social Determinants of Health in Electronic Health Records

by Marco Guevar... pada arxiv.org 03-06-2024

https://arxiv.org/pdf/2308.06354.pdf

Pertanyaan yang Lebih Dalam

Wie könnte die Verwendung großer Sprachmodelle die Erforschung von Gesundheitsdisparitäten vorantreiben?

Die Verwendung großer Sprachmodelle kann die Erforschung von Gesundheitsdisparitäten vorantreiben, indem sie automatisierte Abstraktion von Daten aus klinischen Texten ermöglichen. Diese Modelle können helfen, soziale Determinanten der Gesundheit (SDoH) aus unstrukturierten elektronischen Gesundheitsakten (EHR) zu extrahieren, die oft kritische Informationen enthalten, aber nicht systematisch erfasst werden. Durch die Analyse von großen Textmengen können diese Modelle Muster und Zusammenhänge zwischen SDoH und Gesundheitsergebnissen identifizieren, die bisher möglicherweise übersehen wurden. Dies kann dazu beitragen, die Ursachen von Gesundheitsdisparitäten besser zu verstehen und gezielte Maßnahmen zur Verbesserung der Gesundheitsversorgung für benachteiligte Bevölkerungsgruppen zu entwickeln.

Welche potenziellen Auswirkungen könnte die Verwendung von synthetischen Daten auf die Patientenversorgung haben?

Die Verwendung von synthetischen Daten in Verbindung mit großen Sprachmodellen könnte die Patientenversorgung auf verschiedene Weisen beeinflussen. Erstens könnten synthetische Daten dazu beitragen, die Erfassung seltener Ereignisse oder Informationen, wie bestimmte soziale Determinanten der Gesundheit, zu verbessern, die in den EHR möglicherweise unterrepräsentiert sind. Dies könnte zu einer genaueren Identifizierung von Patienten führen, die zusätzliche Unterstützung benötigen, und somit zu einer verbesserten Versorgung dieser Patienten beitragen. Zweitens könnten synthetische Daten die Effizienz von NLP-Modellen verbessern, indem sie die Trainingsdaten erweitern und die Leistungsfähigkeit der Modelle steigern. Dies könnte zu präziseren und schnelleren Analysen von klinischen Texten führen, was letztendlich die Diagnosestellung und Behandlungsplanung optimieren könnte.

Inwiefern könnten Bias in Sprachmodellen die Gesundheitsversorgung beeinflussen?

Bias in Sprachmodellen könnte die Gesundheitsversorgung auf verschiedene Weisen beeinflussen. Erstens könnten voreingenommene Modelle dazu führen, dass bestimmte Bevölkerungsgruppen oder soziale Determinanten der Gesundheit systematisch übersehen oder falsch interpretiert werden. Dies könnte zu ungleichen Behandlungsentscheidungen führen und die Qualität der Versorgung für bestimmte Patientengruppen beeinträchtigen. Zweitens könnten Bias in Sprachmodellen die Genauigkeit von Vorhersagen und Empfehlungen beeinträchtigen, was zu Fehldiagnosen oder unangemessenen Behandlungsplänen führen könnte. Daher ist es entscheidend, Bias in Sprachmodellen zu identifizieren und zu minimieren, um eine gerechte und qualitativ hochwertige Gesundheitsversorgung sicherzustellen.