論文の概要: Integrating Large Language Models with Human Expertise for Disease Detection in Electronic Health Records
- arxiv url: http://arxiv.org/abs/2504.00053v1
- Date: Mon, 31 Mar 2025 04:19:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-03 15:43:08.442694
- Title: Integrating Large Language Models with Human Expertise for Disease Detection in Electronic Health Records
- Title（参考訳）: 電子カルテにおける大規模言語モデルと人的専門知識の統合
- Authors: Jie Pan, Seungwon Lee, Cheligeer Cheligeer, Elliot A. Martin, Kiarash Riazi, Hude Quan, Na Li,
- Abstract要約: 本研究は, EHR臨床ノートから複数の条件を同定するための, 先進的な大規模言語モデルに基づく効率的な戦略を考案した。
EHRノートの分析,理解,解釈にLLM(Generative Large Language Model)を利用したパイプラインを開発した。
- 参考スコア（独自算出の注目度）: 6.395493502337635
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Objective: Electronic health records (EHR) are widely available to complement administrative data-based disease surveillance and healthcare performance evaluation. Defining conditions from EHR is labour-intensive and requires extensive manual labelling of disease outcomes. This study developed an efficient strategy based on advanced large language models to identify multiple conditions from EHR clinical notes. Methods: We linked a cardiac registry cohort in 2015 with an EHR system in Alberta, Canada. We developed a pipeline that leveraged a generative large language model (LLM) to analyze, understand, and interpret EHR notes by prompts based on specific diagnosis, treatment management, and clinical guidelines. The pipeline was applied to detect acute myocardial infarction (AMI), diabetes, and hypertension. The performance was compared against clinician-validated diagnoses as the reference standard and widely adopted International Classification of Diseases (ICD) codes-based methods. Results: The study cohort accounted for 3,088 patients and 551,095 clinical notes. The prevalence was 55.4%, 27.7%, 65.9% and for AMI, diabetes, and hypertension, respectively. The performance of the LLM-based pipeline for detecting conditions varied: AMI had 88% sensitivity, 63% specificity, and 77% positive predictive value (PPV); diabetes had 91% sensitivity, 86% specificity, and 71% PPV; and hypertension had 94% sensitivity, 32% specificity, and 72% PPV. Compared with ICD codes, the LLM-based method demonstrated improved sensitivity and negative predictive value across all conditions. The monthly percentage trends from the detected cases by LLM and reference standard showed consistent patterns.
- Abstract（参考訳）: 目的:電子健康記録(EHR)は、行政データに基づく疾病監視と医療パフォーマンス評価を補完するために広く利用可能である。
EHRから条件を定義することは労働集約的であり、病気の結果を広範囲に手動でラベル付けする必要がある。
本研究は, EHR臨床ノートから複数の条件を同定するための, 先進的な大規模言語モデルに基づく効率的な戦略を考案した。
方法:2015年にカナダのアルバータ州で、心臓登録のコホートをEHRシステムと結びつけた。
我々は,ERHノートの分析,理解,解釈を,特定の診断,治療管理,臨床ガイドラインに基づいて行うために,LLM(Generative Large Language Model)を利用したパイプラインを開発した。
このパイプラインを用いて急性心筋梗塞(AMI)、糖尿病、高血圧を診断した。
検査成績は, 基準基準として臨床診断と比較され, 国際疾患分類法(ICD)法が広く採用されている。
結果: 調査コホートは3,088例, 551,095例であった。
感染率は55.4%、27.7%、65.9%で、それぞれAMI、糖尿病、高血圧が多かった。
AMIは感度88%,特異性63%,正の予測値77%,糖尿病91%,特異性86%,PV71%,高血圧94%,特異性32%,PV72%であった。
ICD符号と比較すると, LLM法ではすべての条件における感度と負の予測値が改善された。
LLMおよび基準基準による検出症例の月ごとの傾向は、一貫したパターンを示した。
関連論文リスト
- A Multi-Phase Analysis of Blood Culture Stewardship: Machine Learning Prediction, Expert Recommendation Assessment, and LLM Automation [2.25639842999394]
血の文化は、しばしば明確な正当化なしに過度に秩序づけられる。
135483 救急部門 (ED) の血液培養命令について検討し,細菌性貧血のリスクを予測する機械学習モデルを開発した。
論文 参考訳（メタデータ） (2025-04-09T21:12:29Z) - Congenital Heart Disease Classification Using Phonocardiograms: A Scalable Screening Tool for Diverse Environments [34.10187730651477]
先天性心疾患(CHD)は早期発見を必要とする重要な疾患である。
本研究では, 心電図(PCG)信号を用いたCHD検出のための深層学習モデルを提案する。
バングラデシュの一次データセットを含むいくつかのデータセットで、我々のモデルを評価した。
論文 参考訳（メタデータ） (2025-03-28T05:47:44Z) - From Knowledge Generation to Knowledge Verification: Examining the BioMedical Generative Capabilities of ChatGPT [45.6537455491436]
本手法は, 疾患中心の関連性の生成と関連性検証という2つのプロセスから構成される。
選択したLSMとしてChatGPTを用いて,疾患と関連する薬物,症状,遺伝子との連携を確立するために,迅速なエンジニアリングプロセスを構築した。
論文 参考訳（メタデータ） (2025-02-20T16:39:57Z) - SemioLLM: Assessing Large Language Models for Semiological Analysis in Epilepsy Research [45.2233252981348]
大規模言語モデルは、一般的な医学的知識をエンコードする能力において有望な結果を示している。
内科的知識を活用しててててんかんの診断を行う技術について検討した。
論文 参考訳（メタデータ） (2024-07-03T11:02:12Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z) - ECG-Based Patient Identification: A Comprehensive Evaluation Across Health and Activity Conditions [0.0]
本稿では,心電図信号を用いた医療システムにおける患者識別のための新しいアプローチを提案する。
畳み込みニューラルネットワーク(CNN)は、心電図信号から派生した特定のタイプの画像である心電図に基づいてユーザを分類するために使用される。
提案した同定システムは複数のデータベースで評価され、健常者では99.84%、循環器疾患では97.09%、健常者および不整脈患者では97.89%である。
論文 参考訳（メタデータ） (2023-02-13T17:14:55Z) - Sparse Dynamical Features generation, application to Parkinson's Disease
diagnosis [0.0]
本稿では,脳波の動的,頻度,時間的内容を用いて脳の機能に着想を得た新しいアプローチを提案する。
本手法は,N=50名の被験者を含む3眼球聴覚タスク中に記録された脳波信号を含む公開データセットを用いて評価し,そのうち25名がPDに罹患した。
論文 参考訳（メタデータ） (2022-10-20T22:39:29Z) - Preliminary study on the impact of EEG density on TMS-EEG classification
in Alzheimer's disease [48.42347515853289]
TMS誘発脳波反応を用いてアルツハイマー病患者を健康的なコントロールから分類する。
精度、感度、特異性はそれぞれ92.7%、96.58%、88.2%であった。
論文 参考訳（メタデータ） (2022-05-19T20:34:04Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。
実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
論文 参考訳（メタデータ） (2020-06-15T21:01:33Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。