F1飙升44.4%！评分引导LLM精准锁定阿片类药物障碍，准确率破0.93
A Rubric-Guided Large Language Model Solution for Opioid Use Disorder Computable Phenotyping
📖 AI 总结
该研究提出了一种基于评分细则引导的大语言模型（LLM）解决方案，用于阿片类药物使用障碍（OUD）的可计算表型识别。由于电子健康记录中诊断编码缺失、临床叙述中的支持证据难以挖掘，OUD的准确识别面临挑战。研究采用18项专家制定的评分细则，结合优化提示（OPRO）技术，引导LLM自动提取关键文本证据以判定OUD。在253名患者（含68例OUD阳性）的验证中，该模型取得了0.774的最佳F1分数和0.934的AUROC，相比基于机器学习及零样本LLM的方法，F1分数分别相对提升了12.8%和44.4%。该框架不仅提升了识别性能，还通过将LLM提取的证据与表型判定关联，增强了结果的可解释性，为临床决策支持提供了更可靠的自动化工具。
🔑 关键词速览
| Opioid use disorder (OUD) | 阿片类药物使用障碍，一种慢性成瘾性疾病，表现为对阿片类药物的强迫性使用，尽管造成负面后果仍持续使用。 |
| Computable phenotyping (CP) | 可计算表型分析，利用电子健康记录等数据自动识别患者是否具有某种临床特征或疾病状态的方法。 |
| Large language model (LLM) | 大语言模型，一种基于深度学习的人工智能模型，能够理解和生成自然语言文本。 |
| Optimization by PROmpting (OPRO) | 提示优化技术，一种通过自动优化提示词来提升大语言模型在特定任务上表现的方法。 |
| Rubric-guided | 评分标准引导的，指使用一组明确的评分标准或指南来指导模型进行信息提取和决策。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅