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，准确率仅为 35·8%。事实证明，较大的 LLM 更有效，特别是在构建与患者生存相关的临床相关特征方面，例如一般状况和疾病范围。在内部验证中，深度学习模型的 C 指数从 0·737（95% 置信区间 [CI] 0·727–0·746）增加到 0·820（95% CI 0·813–0·827）。同样，在外部验证中，深度学习模型的 C 指数从 0·779 （95% CI 0·755–0·800） 增加到 0·842 （95% CI 0·823–0·859）。通过强调具有临床意义的因素，这些模型也变得更加可解释。 **解释：**通用域 LLM 尽管没有经过专门针对医疗数据的