利用大型语言模型在电子健康记录中进行主诉自动完成
内容提要
大语言模型在医疗临床中的应用包括：利用编码器-解码器模型从电子健康记录生成合成数据以促进数据共享；微调预训练模型及GPT-4少样本学习可从医患对话自动生成临床笔记，效果媲美人工书写；ChatGPT和GPT-4能辅助疾病分类与诊断，但存在错误陈述、遗漏重要发现、过度治疗及隐私问题，尚不宜临床实用；结合知识图谱的ClinGen与检索增强生成等方法可提升罕见病识别与数据增强效果。
延伸解读
合成数据：隐私与共享的平衡点
文章提到，编码器-解码器模型可从电子健康记录生成主诉文本，并去除个人信息、不常见缩写和拼写错误，再结合生成敌对网络生成完全合成的记录。这为医疗数据共享提供了新思路：合成数据既能保留部分统计特征，又降低隐私泄露风险。但文章未说明合成数据与真实数据的分布差异程度，实际应用中仍需评估其代表性和安全性。
临床笔记生成：ICL与微调各有优势
在MEDIQA-Chat 2023任务中，微调预训练模型和使用GPT-4少样本上下文学习两种方法均表现优异，后者生成的笔记与人工书写同样受欢迎。这表明大模型在文书自动化上已具备实用潜力，可减轻医生记录负担。不过，专业审查仅针对特定任务，笔记的准确性、遗漏风险仍需在更广泛场景中验证。
诊断辅助：能力与风险并存
ChatGPT和GPT-4在疾病分类和诊断辅助上展现能力，且所需数据和时间较少，具有可扩展性。但文章明确指出，这些模型存在错误陈述、忽视重要医学发现、推荐不必要检查及过度治疗等问题，并伴随隐私顾虑，因此尚不适用于真实临床。读者应关注其作为辅助工具的局限性，而非替代医生决策。
知识增强：提升罕见病识别的新路径
结合知识图谱与检索增强生成的方法在肺动脉高压识别中表现出潜力，ClinGen通过临床知识提取指导数据生成，持续提升性能。这类方法能弥补大模型缺乏领域知识的短板，尤其有助于罕见病识别和临床研究。但文章未提供大规模验证结果，其泛化能力和实际部署成本仍需进一步观察。
Q&A
如何利用大语言模型从电子健康记录中自动生成主诉文本？
可以使用编码器-解码器模型从电子健康记录中生成实际病人的主诉文本，并能去除个人信息、不常见缩写和拼写错误。该模型算法还可与生成敌对网络（GANs）等结合，生成完全合成的电子健康记录，促进数据共享和开发更适合医疗数据的机器学习方法。
大语言模型在从医患对话生成临床笔记方面效果如何？
微调预训练语言模型和使用GPT-4少样本上下文学习两种方法在自动指标（如ROUGE、BERTScore）上均实现高性能，分别排名共享任务第二和第一。专业人士审查表明，基于ICL和GPT-4生成的笔记与人工书写笔记一样受欢迎，是从医患对话自动生成笔记的有前途途径。
ChatGPT和GPT-4在临床诊断辅助中存在哪些局限性？
这些模型存在错误陈述、忽视重要医学发现、推荐不必要的调查和过度治疗等问题，并伴随隐私问题，因此仍不适用于现实世界的临床使用。不过，它们所需的数据和时间较少，具有可扩展性潜力。
如何利用大语言模型提升罕见病（如肺动脉高压）的识别效果？
通过零射击的基于大语言模型的方法，结合检索增强生成和MapReduce技术，在肺动脉高压领域展示了一种有效识别疾病的方法，在诊断中明显优于医生逻辑规则（F1分数为0.62比0.75），有望增强罕见疾病群体的识别并推动临床研究。
ClinGen方法如何结合知识图谱和大语言模型改进临床自然语言处理？
ClinGen通过结合临床领域特定知识图谱和大语言模型，进行临床知识提取和上下文信息化的大语言模型指导数据生成，持续提升性能，有效调整生成训练实例的多样性和真实数据分布，是一种创新、资源高效的方法。
使用ChatGPT进行数据增强对电子病历中的药物识别有什么帮助？
研究表明，基于ChatGPT的数据增强对药物识别和药物事件分类任务的性能提高有益，能够帮助识别电子病历中的关键因素。
