外媒 | 深度学习模型帮助研究人员获取可用的电子病历数据-普瑞纯证

美国麻省理工学院的研究人员使用大型语言模型来清理电子病历数据，以提取信息并更准确地分析患者数据。电子病历在医疗保健中发挥着独特的作用，协助提供者在多个方面进行服务。十年前，美国政府决定鼓励采用电子病历，因为它相信这些系统将带来改进的护理。尽管鼓励使用电子病历旨在减轻提供者的负担，但很明显，电子病历中包含的数据通常是杂乱无章的，并且充斥着许多人无法轻松理解的行话和缩写。这个问题，以及创建一个通用模型来提取信息的目标，可以在各种医院中很好地工作，并从有限的标记数据中学习，促使麻省理工学院的研究人员采取行动。这些研究人员与麻省理工学院计算机科学和人工智能实验室（CSAIL）有关，他们认为大型语言模型可以熟练地提取和分析电子病历数据。因此，他们使用了类似于GPT-3的模型来执行这些任务。研究人员越来越多地将大型语言模型（LLM）（如GPT-3）应用于通过扩展行话和缩写以及识别药物方案来清理数据。麻省理工学院团队创建了一个小数据集，以评估LLM的提取性能。他们发现，这些模型可以在没有任何标签的情况下实现86％的扩展数据中的缩写的准确性。该团队使用的模型GPT-3通过输入临床记录来生成“提示”，即有关该记录的问题，系统会回答这个问题。这种数据的提取和清理可以实现个性化的临床建议。

版权声明 本网站所有注明“来源：普瑞纯证”或“来源：pureFDA”的文字、图片和音视频资料，版权均属于普瑞纯证网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：普瑞纯证”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。