Spezielle LLMs können herkömmliche Methoden bei der Vorhersage postoperativer Risiken übertreffen

Millionen Amerikaner werden jedes Jahr operiert. Nach der Operation können Komplikationen wie Lungenentzündung, Blutgerinnsel und Infektionen der Unterschied zwischen einer erfolgreichen Genesung und einem längeren, schmerzhaften Krankenhausaufenthalt sein – oder schlechter. Mehr als 10% der chirurgischen Patienten erfahren solche Komplikationen, was zu längeren Aufenthalten auf der Intensivstation (ICU), höheren Sterblichkeitsraten und erhöhten Gesundheitskosten führen kann. Die frühzeitige Identifizierung von gefährdeten Patienten ist entscheidend, aber die Vorhersage dieser Risiken bleibt eine Herausforderung.

Neue Fortschritte in der künstlichen Intelligenz (KI), insbesondere in Großsprachenmodellen (LLMs), bieten nun eine vielversprechende Lösung. In einer kürzlich unter der Leitung von Chenyang Lu, dem Fullgraf -Professor für Informatik und Ingenieurwesen an der McKelvey School of Engineering und Direktorin des KI für das Gesundheitsinstitut (AIHealth) an der Washington University in St. Louis, vorhersehenden Studie untersucht eine kürzlich durchgeführte Studie unter der Leitung der kürzlich durchgeführten Studie unter der Leitung von LLMs zur Vorhersage postoperativer Komplikationen durch Analyse präoperativer Bewertungen und klinischer Notizen. Die Arbeiten, online veröffentlicht am 11. Februar in NPJ Digitalmedizinzeigt, dass spezielle LLMs herkömmliche Methoden für maschinelles Lernen bei der Vorhersage postoperativer Risiken erheblich übertreffen können.

Die Operation birgt erhebliche Risiken und Kosten, doch klinische Notizen enthalten eine Fülle von wertvollen Erkenntnissen des Operationsteams. Unser großes Sprachmodell, das speziell auf chirurgische Notizen zugeschnitten ist, ermöglicht eine frühzeitige und genaue Vorhersage postoperativer Komplikationen. Durch die proaktive Identifizierung von Risiken können Kliniker früher eingreifen und die Sicherheit und die Ergebnisse der Patienten verbessern. „

Chenyang Lu, der Fullgraf -Professor für Informatik und Ingenieurwesen an der McKelvey School of Engineering und Direktor des AI für Health Institute (AIHealth) an der Washington University in St. Louis

Traditionelle Risikovorhersagemodelle haben sich hauptsächlich auf strukturierte Daten wie Labortestergebnisse, Patientendemografie und chirurgische Details wie die Verfahrensdauer oder die Erfahrung des Chirurgen beruhen. Während diese Informationen zweifellos wertvoll sind, fehlt ihnen häufig die Nuance der einzigartigen klinischen Erzählung eines Patienten, die im detaillierten Text klinischer Notizen erfasst wird. Diese Notizen enthalten personalisierte Berichte über die Krankengeschichte des Patienten, den aktuellen Zustand und andere Faktoren, die die Wahrscheinlichkeit von Komplikationen beeinflussen.

Die Autoren von Lu und Co-First, Charles Alba und Bing Xue, beide Doktoranden, die zum Zeitpunkt der durchgeführten Studie mit LU zusammenarbeiten, beschäftigten spezielle LLMs, die auf öffentlich verfügbaren medizinischen Literatur und elektronischen Gesundheitsakten geschult wurden. Sie haben dann das vorgezogene Modell auf chirurgischen Notizen abgestimmt, um bessere Vorhersagen über die chirurgischen Ergebnisse zu treffen. Die resultierende Methode – die erste ihrer Art, um chirurgische Notizen zu verarbeiten und sie zu verwenden, um Vorhersagen über die postoperativen Ergebnisse zu treffen – kann über strukturierte Daten hinausgehen, um Muster im Zustand des Patienten zu erkennen, der ansonsten möglicherweise übersehen wird.

Basierend auf fast 85.000 chirurgischen Notizen und den damit verbundenen Patientenergebnissen eines akademischen medizinischen Zentrums im Mittleren Westen, das zwischen 2018 und 2021 gesammelt wurde, berichtete das Team, dass ihr Modell weitaus besser abfiel als herkömmliche Methoden zur Vorhersage von Komplikationen. Für alle 100 Patienten, die eine postoperative Komplikation erlebten, prognostizierte das neue Modell des Teams 39 mehr Patienten mit Komplikationen als herkömmliche Modelle für natürliche Sprachverarbeitung.

Über die Anzahl der Patienten hinaus, die möglicherweise frühzeitig chirurgische Komplikationen haben könnten, die frühzeitig gefangen und gemindert werden könnten, zeigt die Studie auch die Kraft von Foundation -KI -Modellen, die für Multitasking ausgelegt sind und auf eine Vielzahl von Problemen angewendet werden können.

„Foundation -Modelle können diversifiziert werden, daher sind sie im Allgemeinen nützlicher als spezialisierte Modelle. In diesem Fall muss das Modell vielseitig genug sein, um viele verschiedene Ergebnisse vorherzusagen“, sagte Alba, die auch Doktorandin in der Abteilung für Computer- und Datenwissenschaften in Washu ist. „Wir haben unser Modell für mehrere Aufgaben gleichzeitig fein abgestimmt und stellten fest, dass es Komplikationen genauer vorhersagt als Modelle, die speziell zur Erkennung individueller Komplikationen ausgebildet sind. Dies ist sinnvoll, da die Komplikationen häufig korreliert werden. Ein einheitliches Grundmodell profitiert von gemeinsamen Wissen über unterschiedliche Ergebnisse und muss nicht für jedes einzelne abgestimmt sein.“

„Dieses vielseitige Modell kann in verschiedenen klinischen Umgebungen eingesetzt werden, um eine breite Palette von Komplikationen vorherzusagen“, sagte Joanna Abraham, Associate Professor für Anästhesiologie bei Washu Medicine und Mitglied des Institute for Informatics (I2) bei Washu Medicine. „Durch frühzeitige Ermittlung von Risiken könnte es für Kliniker zu einem unschätzbaren Instrument werden, sodass sie proaktive Maßnahmen ergreifen und Interventionen anpassen können, um die Patientenergebnisse zu verbessern.“

Quellen: