GPT-4o 在临床笔记中提取药物不良事件因果关系的性能评估
大模型入局药物警戒:GPT-4o 提取临床笔记不良事件性能实测
一项回顾性研究对比了 GPT-4o 等多款大语言模型在住院与门诊病历中提取不良药物事件与药物因果关系的能力。研究证实,GPT-4o 在无大规模定制训练的情况下表现优于轻量级模型与开源方案,展现了挖掘非结构化病历安全信号的潜力。
刚刚 清泉心田 MedSci原创 发表于上海
研究证实 GPT-4o 可在无大规模定制训练的前提下,从临床自由文本中有效挖掘药物安全信号,性能优于轻量级模型与开源方案。
深度解析医学证据,DeepEvidence为你支撑决策 不良药物事件(Adverse Drug Events, ADEs)是患者安全的核心监测指标,美国每年因住院 ADE 产生的医疗支出达 15.6 亿~56 亿美元,门诊场景相关支出更高达 80 亿美元。临床自由文本病历中蕴含大量 ADE 信息,但传统监测依赖结构化数据、人工上报或规则系统,存在灵敏度不足、效率低下、漏报率高等局限,无法充分挖掘病历中的安全信号。 既往自然语言处理(NLP)研究多聚焦命名实体识别,或基于 BERT 等预训练模型开展关系分类,但普遍依赖人工特征工程、仅适配窄范围上下文,在跨句子关联、多药物共存场景下泛化性不足;且现有研究多集中于住院病历,对文档更短、异质性更强的门诊场景探索极少。生成式大语言模型(LLM)具备强大的语义理解能力,但其在 ADE - 药物因果关系提取任务中的系统评估仍存在空白,低秩适配(LoRA)等参数高效微调技术也尚未应用于该领域。本研究旨在对比多款 LLM 在住院与门诊临床笔记中提取 ADE - 药物关系的性能,为真实世界药物警戒提供技术依据。 本研究为回顾性横断面研究,采用两套独立数据
小提示:本篇资讯需要登录阅读,点击跳转登录
版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
来源:梅斯医学·临床资讯 · news.medsci.cn
