Foundation AI 模型根据临床记录预测术后风险

快速阅读: 据《科学日报》最新报道，陈宇阳教授领导的研究发现，专为手术笔记定制的大语言模型能更准确地预测术后并发症，表现优于传统方法。该模型通过分析临床笔记，提高了术后风险预测的准确性，有助于早期干预和提高患者安全。此研究由美国卫生与人类服务部资助。

陈宇阳教授（陈英杰）在圣路易斯华盛顿大学麦凯尔维工程学院担任弗尔格拉夫教授（弗尔格拉夫教授），并在华盛顿大学人工智能健康研究所担任主任。他领导的一项最新研究探讨了大型语言模型（大语言模型）通过分析术前评估和临床笔记来预测术后并发症的潜力。该研究于2月11日在线发表在《npj数字化医学》上，表明专门训练的大语言模型在预测术后风险方面显著优于传统机器学习方法。“手术风险和成本都很高，但临床笔记包含了许多外科团队提供的宝贵见解，”陈教授说。“我们专门为手术笔记定制的大语言模型能够实现早期和准确的术后并发症预测。通过主动识别风险，临床医生可以更早地进行干预，从而提高患者安全和治疗效果。”

传统的风险预测模型主要依赖结构化数据，如实验室检测结果、患者人口统计信息以及手术细节，如手术时长或外科医生的经验。尽管这些结构化数据无疑有价值，但它们往往缺乏对患者独特临床叙述的细微理解，而这些叙述在详细的临床笔记中得以体现。这些笔记包含患者医疗历史、当前状况及其他影响并发症可能性的因素的个性化记录。

陈教授和共同第一作者查尔斯·阿尔巴及宾·薛，两位当时正在陈教授指导下攻读研究生的学生，使用了在公开可用的医学文献和电子健康记录上训练的专门大语言模型。他们随后对预训练模型进行了微调，以更好地预测手术结果。这种方法——首次处理手术笔记并利用其预测术后结果的方法——能够超越结构化数据，识别可能被忽略的患者病情特征。

基于2018年至2021年间从美国中西部一家学术医疗中心收集的近8.5万份手术笔记及相关患者结果，研究团队发现他们的模型在预测并发症方面远优于传统方法。对于每100名经历术后并发症的患者，研究团队的新模型比传统自然语言处理模型多正确预测了39个并发症案例。

除了可能提前发现并缓解更多患者的手术并发症外，这项研究还展示了基础大模型的强大功能，这类模型设计用于多任务处理，并可应用于广泛的问题。“基础模型更加多样化，因此通常比专用模型更有用。在这种情况下，由于许多并发症是可能的，模型需要足够灵活以预测多种不同的结果，”同样在华盛顿大学计算与数据科学系攻读研究生的阿尔巴说。“我们同时对模型进行了多项任务的微调，发现它比专门训练以检测个别并发症的模型更准确地预测并发症。这很有道理，因为并发症往往是相关的，所以统一的基础模型能从不同结果的知识共享中获益，不必为每个结果费力调整。”

“这种多功能模型有可能在各种临床环境中部署，以预测广泛的并发症，”华盛顿大学医学院麻醉学副教授兼华盛顿大学医学院信息学研究所（I2）研究员乔安娜·亚伯拉罕说。“通过早期识别风险，它可能成为临床医生不可或缺的工具，使他们能够采取主动措施并量身定制干预措施以改善患者结果。”

本研究由美国卫生与人类服务部下属的医疗保健研究与质量局（R01 HS029324-02）提供资助。

(以上内容均由Ai生成)