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
Joseph C. Ahn, Shamim Nemati, Gabriel Wardi, Eliah S. Aronoff-Spencer, Supreeth Prajwal Shashikumar, Sina Mohammadi, Rishivardhan Krishnamoorthy, Avi Patel, Karandeep Singh
2025-05-16

COMPOSER-LLMраннее прогнозирование сепсисаэлектронные медицинские записибольшая языковая модельнеструктурированные клинические заметки
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.
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.

пациенты с подозрением на сепсис, представленные структурированными электронными медицинскими картами и неструктурированными клиническими заметками

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
Access Type
Author Information
Authors
Joseph C. Ahn
Shamim Nemati
Gabriel Wardi
Eliah S. Aronoff-Spencer
Supreeth Prajwal Shashikumar
Sina Mohammadi
Rishivardhan Krishnamoorthy
Avi Patel
Karandeep Singh
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%