Bespoke Large Language Models for Digital Triage Assistance in Mental Health Care
作者: Niall Taylor, Andrey Kormilitzin, Isabelle Lorge, Alejo Nevado-Holgado, Dan W Joyce
分类: cs.AI
发布日期: 2024-03-28
💡 一句话要点
提出基于大语言模型的数字分诊助手以解决心理健康护理中的等待时间问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大语言模型 心理健康 电子健康记录 临床分诊 人工智能 医疗决策支持 数据处理
📋 核心要点
- 现有的心理健康护理分诊方法面临长时间等待和信息处理效率低下的问题，影响患者及时获得治疗。
- 本文提出了三种基于大语言模型的端到端方法，旨在通过分析临床EHR数据来辅助临床医生进行分诊决策。
- 实验结果表明，所提出的模型能够提供与现有临床实践一致的分诊建议，并在资源有限的环境中可行。
📝 摘要（中文）
当代的大语言模型（LLMs）在处理电子健康记录（EHRs）中非结构化的临床数据方面具有潜在的应用价值，尤其是在心理健康领域，患者数据通常缺乏结构化内容。英国国家健康服务体系（NHS）面临的一个重大问题是专业心理健康护理的长等待时间。通过有效地分析临床笔记，本文提出并评估了三种基于LLM的端到端方法，以协助临床医生在分诊时做出推荐。这些模型能够提供与现有临床实践一致的分诊建议，并在单个GPU上实现，适合资源有限的NHS环境。
🔬 方法详解
问题定义：本文旨在解决心理健康护理中分诊效率低下的问题，现有方法在处理非结构化临床数据时存在信息提取困难和决策支持不足的痛点。
核心思路：通过大语言模型的能力，本文设计了三种方法，能够有效地从临床EHR数据中提取关键信息，辅助临床医生进行分诊，提高决策的准确性和效率。
技术框架：整体架构包括数据预处理、模型训练和分诊推荐三个主要模块。首先对EHR数据进行清洗和格式化，然后利用大语言模型进行训练，最后生成分诊建议。
关键创新：最重要的技术创新在于将大语言模型应用于心理健康护理的分诊过程，能够处理复杂的非结构化数据，并提供与临床实践相符的建议，显著提升了分诊的效率。
关键设计：模型在训练过程中采用了特定的损失函数以优化分诊建议的准确性，并在网络结构上进行了调整，以适应临床数据的多样性和复杂性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的模型在分诊建议的准确性上与现有临床实践保持一致，并且在处理速度上有显著提升，能够有效减少患者的等待时间，提升了NHS的服务效率。
🎯 应用场景
该研究的潜在应用领域包括心理健康护理、电子健康记录管理和临床决策支持系统。通过提高分诊效率，能够显著改善患者的就医体验，并为医疗资源的合理分配提供支持，未来可能推动更广泛的医疗AI应用。
📄 摘要（原文）
Contemporary large language models (LLMs) may have utility for processing unstructured, narrative free-text clinical data contained in electronic health records (EHRs) -- a particularly important use-case for mental health where a majority of routinely-collected patient data lacks structured, machine-readable content. A significant problem for the the United Kingdom's National Health Service (NHS) are the long waiting lists for specialist mental healthcare. According to NHS data, in each month of 2023, there were between 370,000 and 470,000 individual new referrals into secondary mental healthcare services. Referrals must be triaged by clinicians, using clinical information contained in the patient's EHR to arrive at a decision about the most appropriate mental healthcare team to assess and potentially treat these patients. The ability to efficiently recommend a relevant team by ingesting potentially voluminous clinical notes could help services both reduce referral waiting times and with the right technology, improve the evidence available to justify triage decisions. We present and evaluate three different approaches for LLM-based, end-to-end ingestion of variable-length clinical EHR data to assist clinicians when triaging referrals. Our model is able to deliver triage recommendations consistent with existing clinical practices and it's architecture was implemented on a single GPU, making it practical for implementation in resource-limited NHS environments where private implementations of LLM technology will be necessary to ensure confidential clinical data is appropriately controlled and governed.