LLM як асистенти клінічних досліджень: безпечне та точне вилучення даних з неструктурованих наративів ЕМК

Автори: Mitchell A. Klusty, Elizabeth C. Solie, Caroline N. Leach, W. Vaiden Logan, Lynnet E. Richey, John C. Gensel, David P. Szczykutowicz, Bryan C. McLellan, Emily B. Collier, Samuel E. Armstrong, V. K. Cody Bumgardner

Опубліковано: 2025-12-17

Переглянути на arXiv →
#cs.AI

Анотація

Ця стаття представляє безпечну, модульну архітектуру, яка використовує локально розгорнуті великі мовні моделі (LLM) для автоматизованого вилучення структурованих ознак з неструктурованих наративів електронних медичних карт (EHR). Система інтегрує методи розширеної генерації з вибіркою (RAG) та структурованої відповіді, щоб зменшити навантаження ручного перегляду карт, підвищити узгодженість збору даних та прискорити клінічні дослідження, досягаючи високої точності для численних медичних характеристик.

LLM як асистенти клінічних досліджень: безпечне та точне вилучення даних з неструктурованих наративів ЕМК

Автори: Mitchell A. Klusty, Elizabeth C. Solie, Caroline N. Leach, W. Vaiden Logan, Lynnet E. Richey, John C. Gensel, David P. Szczykutowicz, Bryan C. McLellan, Emily B. Collier, Samuel E. Armstrong, V. K. Cody Bumgardner

Опубліковано: 2025-12-17

Переглянути на arXiv →
#cs.AI

Анотація

Ця стаття представляє безпечну, модульну архітектуру, яка використовує локально розгорнуті великі мовні моделі (LLM) для автоматизованого вилучення структурованих ознак з неструктурованих наративів електронних медичних карт (EHR). Система інтегрує методи розширеної генерації з вибіркою (RAG) та структурованої відповіді, щоб зменшити навантаження ручного перегляду карт, підвищити узгодженість збору даних та прискорити клінічні дослідження, досягаючи високої точності для численних медичних характеристик.

FEEDBACK

Проекти

Немає проектів