استغلال رسم معلومات طبية في نماذج اللغة الكبيرة لتوقع التشخيص (نشر مسبق)

خلفية: تعتبر السجلات الصحية الإلكترونية (EHRs) وممارسات التوثيق الروتينية ضرورية لتوفير سجلات صحية شاملة، والتشخيصات، والعلاجات لرعاية المرضى اليومية. ومع ذلك، يمكن أن تؤدي تعقيدات وسرد السجلات الصحية الإلكترونية إلى ضغط مقدمي الرعاية الصحية وزيادة مخاطر الأخطاء التشخيصية. الهدف: تهدف هذه الدراسة إلى تعزيز كفاءة نماذج اللغة الكبيرة (LLMs) باستخدام رسم معلومات طبية في توليد التشخيصات الآلي عن طريق تقليل الأخطاء التشخيصية ومنع الضرر للمرضى. الطرق: قدمنا نهجًا مبتكرًا يدمج رسم معلومات طبية (KG) ونموذج رسومي جديد، Dr.KNOWs، مستوحى من عمليات التفكير التشخيصي السريرية. استخدم نهجنا النظام الموحد للغة الطبية (UMLS) من المكتبة الوطنية للطب لاشتقاق KG، وهو مستودع قوي للمعرفة الطبية الحيوية. تتجنب هذه الطريقة الحاجة إلى التدريب المسبق، حيث تستفيد من KG كأداة مساعدة لتفسير وتلخيص المفاهيم الطبية المعقدة. قمنا بتقييم أداء نموذجنا لتقييم داخلي لتوقع المفاهيم الصحيحة للتشخيصات، وتقييم خارجي لتحسين نماذج اللغة في مهمة توقع التشخيص. أجرينا أيضًا تقييمًا بشريًا لقياس قسم