RT-Surv: Improving Mortality Prediction After Radiotherapy with Large Language Model Structuring

本文是LLM系列文章，针对《RT-Surv: Improving Mortality Prediction After Radiotherapy with Large Language Model Structuring of Large-Scale Unstructured Electronic Health Records》的翻译。

摘要

背景： 准确的患者选择对于防止无效的放疗 （RT） 治疗至关重要。依赖于结构化数据的传统生存预测模型通常缺乏精度。大型语言模型 （LLM） 为构建非结构化电子健康记录 （EHR） 数据提供了一种新颖的方法，通过整合全面的临床信息，有可能改善生存预测。
方法： 我们分析了 2013 年至 2023 年间延世癌症中心接受 RT 治疗的 34,276 名患者的结构化和非结构化数据。开源 LLM 使用单次学习构建了非结构化 EHR 数据。外部验证涉及 2020 年 3 月至 2023 年 7 月在龙仁世福兰斯医院接受 RT 治疗的 852 名患者。将 LLM 的性能与特定领域的医学 LLM 和更小变体的性能进行了比较。 使用统计、机器学习和深度学习方法开发的生存预测模型结合了结构化和 LLM 结构化数据。
**结果：**开源 LLM 在构建非结构化 EHR 数据方面实现了 87·5% 的平均准确率，而无需额外的训练。特定领域的医学 LLM 表现明显更差，