Una tubería basada en un modelo de lenguaje grande para extraer información de quejas de pacientes y anamnesis en notas clínicas para la evaluación de gravedad

Identificar pacientes con enfermedades críticas en departamentos de emergencia (ED) es un desafío continuo, en parte debido a la información limitada disponible en el momento de la admisión. Las notas clínicas en los registros de pacientes ya han recibido atención por su valor en la mejora de la predicción. Los recientes modelos de lenguaje grande (LLMs) han demostrado su prometedor rendimiento. Sin embargo, la utilización de LLMs para analizar notas clínicas no ha sido investigada extensivamente. Para mejorar la evaluación de la gravedad de la enfermedad y la predicción del nivel de triaje, desarrollamos una tubería para utilizar LLMs (por ejemplo, ChatGLM-2, GLM-4 y Alpaca-2) para extraer información de quejas de pacientes y anamnesis en notas clínicas. En esta tubería, se suministra a un LLM el texto de entrada que incluye la queja y la anamnesis de un paciente, donde la entrada se construye además mediante una plantilla de aviso, aprendizaje en contexto (ICL) y generación aumentada por recuperación (RAG). Luego, se extrae un puntaje de gravedad del LLM, que se integra además en un modelo predictivo para mejorar su rendimiento. Demostramos la eficacia de nuestra tubería basada en los registros de pacientes derivados de la base de datos de Triaje, Evaluación y Tratamiento de Emergencias en China (CETAT). El puntaje extraído se incorporó en regresión logística como un predictor. En una etapa temprana, como los signos vitales generalmente aún no se medían, se ilustró el valor predictivo de la queja del paciente y la anamnesis (evidenciado por una mejora en AUC-ROC de 0.746 a 0.802). En una etapa posterior, los signos vitales se volvieron disponibles, las mejoras en la predicción atribuibles al puntaje fueron más débiles, pero aún se observaron con significancia estadística en la mayoría de los casos. Los recientes LLMs son capaces de extraer información valiosa de notas clínicas para identificar enfermedades críticas. La efectividad ha sido ilustrada en nuestro estudio. Aún es necesario desarrollar métodos más eficientes basados en LLMs para lograr un mejor rendimiento.