Key points are not available for this paper at this time.
Fallberichte zu Typ-2-Diabetes beschreiben komplexe klinische Verläufe, jedoch werden ihre Zeitabläufe oft in einer Sprache ausgedrückt, die schwer in der longitudinalen Modellierung wiederverwendbar ist. Um diese Lücke zu schließen, haben wir ein textuelles Zeitreihen-Korpus von 136 Open Access-Fallberichten einzelner Patienten in PubMed entwickelt, die glucagonähnliche Peptid-1-Rezeptor-Agonisten umfassen, mit klinischen Ereignissen, die mit ihren wahrscheinlichsten Referenzzeiten assoziiert sind. Wir haben die automatisierte Extraktion von Zeitlinien durch LLM mit goldstandardmäßigen Zeitlinien verglichen, die von Experten auf dem klinischen Gebiet annotiert wurden, und geprüft, wie gut die Systeme klinische Ereignisse und deren zeitliche Abläufe erfassten. Das leistungsstärkste LLM erzielte eine hohe Ereignisabdeckung (GPT5; 0.871) und eine zuverlässige zeitliche Abfolge über Symptome (GPT5; 0.843), Diagnosen, Behandlungen, Labortests und Ergebnisse. In einer nachgelagerten Demonstration deuteten Zeit-zu-Ereignis-Analysen bei Diabetes auf ein niedrigeres Risiko für respiratorische Folgen bei GLP-1-Nutzern im Vergleich zu Nicht-Nutzern hin (HR=0.259, p!0.05), was mit früheren Berichten über verbesserte respiratorische Ergebnisse übereinstimmt. Temporale Annotierungen und der Code werden nach der Annahme veröffentlicht.
Kumar et al. (Mon.) haben diese Frage untersucht.