Разработка и проспективное внедрение системы на основе большой языковой модели для раннего прогнозирования сепсиса
Development and prospective implementation of a large language model based system for early sepsis prediction
2025-05-16
SCID: 54.1/59qp4ym2
Discuss with AI
COMPOSER-LLMраннее прогнозирование сепсисаэлектронные медицинские записибольшая языковая модельнеструктурированные клинические заметки
Figures from the paper
Abstract (AI)
Сепсис представляет собой нарушенный регулируемый ответ организма на инфекцию и связан с высокой летальностью и заболеваемостью. Было показано, что раннее выявление и начало лечения улучшают исходы у пациентов, однако существующие вычислительные модели, использующие структурированные данные электронных медицинских карт, часто не учитывают контекстную информацию, содержащуюся в неструктурированных клинических записях. В настоящем исследовании представлена COMPOSER-LLM — открытая большая языковая модель (LLM), интегрированная с моделью COMPOSER для повышения эффективности раннего прогнозирования сепсиса. При прогнозах с высокой неопределённостью LLM извлекает дополнительную контекстную информацию для оценки состояний, имитирующих сепсис, что повышает точность. При оценке 2500 случаев обращения пациентов COMPOSER-LLM продемонстрировала чувствительность 72,1%, положительную прогностическую ценность 52,9%, F1-меру 61,0% и 0,0087 ложных тревог на пациенто-час, превзойдя автономную модель COMPOSER. Проспективная валидация дала сходные результаты. Ручной анализ медицинских карт показал, что в 62% случаев ложноположительных результатов имелись бактериальные инфекции, что свидетельствует о потенциальной клинической полезности системы. Полученные результаты показывают, что интеграция LLM с традиционными моделями может повысить качество прогнозирования за счёт использования неструктурированных данных, представляя собой значительный прогресс в области аналитики здравоохранения.
Key Findings
1
На 2500 обращениях пациентов COMPOSER-LLM достиг чувствительности 72,1%, положительной прогностической ценности 52,9%, F1-меры 61,0% и 0,0087 ложных тревог на пациенто-час.
2
COMPOSER-LLM объединяет открытую большую языковую модель с COMPOSER, используя контекст из неструктурированных клинических записей для раннего прогнозирования сепсиса.
3
В случаях с высокой неопределённостью LLM извлекает дополнительный контекст и оценивает состояния, имитирующие сепсис, повышая точность прогнозирования по сравнению с отдельной моделью COMPOSER.
4
Ручной анализ медицинских карт показал наличие бактериальных инфекций у 62% пациентов с ложноположительными прогнозами, указывая на клиническую значимость многих предполагаемых ложных тревог.
5
Проспективная валидация дала результаты, сходные с ретроспективной оценкой, что подтверждает потенциальную пригодность системы для клинического внедрения.
Research Object
пациенты с подозрением на сепсис, представленные структурированными электронными медицинскими картами и неструктурированными клиническими заметками
Research Subject
эффективность раннего прогнозирования сепсиса, включая выявление состояний, имитирующих сепсис, и снижение числа ложных тревог, с использованием контекстной информации из клинических заметок
Publication Details
Publication Date
2025-05-16
Journal
Publisher
ISSN
Cited by
39
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai7
Третьи международные согласительные определения сепсиса и септического шока (Sepsis-3)2016
Заболеваемость сепсисом и смертность от него в мире, по регионам и странам в 1990–2017 годах: анализ для исследования «Глобальное бремя болезней»2020
Большие языковые модели кодируют клинические знания2023
Интеллект, компилируемый через аффордансы: наблюдаемое сопоставление когнитивных импедансов для LLM-интегрированных систем без мета-доступа2020
Сравнение ответов врачей и чат-бота на основе искусственного интеллекта на вопросы пациентов, размещённые в публичном форуме в социальных сетях2023
Сравнительный анализ больших языковых моделей в генерации с дополнением извлечённой информацией2024
Оптимизация прямых предпочтений: ваша языковая модель втайне является моделью вознаграждения2023