IntelliCare: Improving Healthcare Analysis with Variance-Controlled Patient-Level Knowledge from Large Language Models

要約

先駆的なディープラーニング手法は、電子医療記録 (EHR) データの分析において大きな進歩を遂げましたが、限られたデータから多様な医療コードのセマンティクスを完全に把握するのに苦労することがよくあります。
大規模言語モデル (LLM) からの外部知識の統合は、医療予測を改善するための有望な手段となります。
ただし、LLM 分析はあいまいさの問題や不一致の問題により大きな差異を示し、効果的な利用が妨げられる場合があります。
これらの課題に対処するために、私たちは、LLM を活用して高品質の患者レベルの外部知識を提供し、既存の EHR モデルを強化する新しいフレームワークである IntelliCare を提案します。
具体的には、IntelliCare は患者コホートを特定し、タスク関連の統計情報を使用して LLM の理解と生成を強化し、曖昧さの問題を効果的に軽減します。
さらに、ハイブリッド アプローチを通じて LLM 由来の知識を洗練し、複数の分析を生成し、EHR モデルと複雑さの尺度の両方を使用してそれらを校正します。
2 つの大規模 EHR データセットにわたる 3 つの臨床予測タスクに関する実験評価では、IntelliCare が既存の方法に大幅なパフォーマンスの向上をもたらし、パーソナライズされた医療予測と意思決定支援システムの進歩における可能性を強調しています。

要約(オリジナル)

While pioneering deep learning methods have made great strides in analyzing electronic health record (EHR) data, they often struggle to fully capture the semantics of diverse medical codes from limited data. The integration of external knowledge from Large Language Models (LLMs) presents a promising avenue for improving healthcare predictions. However, LLM analyses may exhibit significant variance due to ambiguity problems and inconsistency issues, hindering their effective utilization. To address these challenges, we propose IntelliCare, a novel framework that leverages LLMs to provide high-quality patient-level external knowledge and enhance existing EHR models. Concretely, IntelliCare identifies patient cohorts and employs task-relevant statistical information to augment LLM understanding and generation, effectively mitigating the ambiguity problem. Additionally, it refines LLM-derived knowledge through a hybrid approach, generating multiple analyses and calibrating them using both the EHR model and perplexity measures. Experimental evaluations on three clinical prediction tasks across two large-scale EHR datasets demonstrate that IntelliCare delivers significant performance improvements to existing methods, highlighting its potential in advancing personalized healthcare predictions and decision support systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google