微调大型语言模型从非结构化临床笔记中检测社会隔离 - AI与医疗健康

微调大型语言模型从非结构化临床笔记中检测社会隔离Fine-Tuned Large Language Models for Detecting Social Isolation from Unstructured Clinical Notes | medRxiv

环球医讯 / AI与医疗健康来源：www.medrxiv.org美国 - 英语2026-07-29 04:56:09 - 阅读时长3分钟 - 1471字

这项研究探索了微调大型语言模型（包括FLAN-T5-Large、BERT、RoBERTa和Gemma-2-2B）在识别非结构化临床笔记中社会隔离和社会支持信号的应用。研究表明，FLAN-T5-Large表现最佳，宏F1分数达0.92±0.04，能够准确区分社会隔离、无社会隔离和社会支持三类情况。该技术可帮助医疗系统自动识别缺乏社会支持的患者，及时干预以改善患者健康结局，对提升医疗服务质量具有重要意义，尤其在老龄化社会背景下，社会隔离作为健康风险因素的早期识别尤为关键，这为利用人工智能改善医疗健康监测提供了新途径。

摘要

目标本研究旨在利用微调后的FLAN-T5-Large、BERT、RoBERTa和Gemma-2-2B模型，识别非结构化临床笔记中的社会隔离和社会支持实例。

材料与方法 使用包含社会背景线索的标注临床笔记片段来微调每个模型。通过准确率、精确率、召回率和宏F1分数评估性能。使用结构化提示来指导模型执行分类任务并减少过度泛化。跨模型的性能比较评估了敏感性、稳健性和假阳性减少情况。

结果 FLAN-T5-Large取得了最高性能，宏F1分数为0.92±0.04，显示出各类别的平衡结果：社会隔离（F1 = 0.91±0.03）、无社会隔离（F1 = 0.94±0.05）和社会支持（F1 = 0.90±0.04）。Gemma-2-2B产生了可比结果，宏F1分数为0.89±0.10。BERT和RoBERTa分别取得了较低的宏F1分数0.77±0.17和0.80±0.21，且在不同类别间表现不一致。

讨论本工作的主要贡献是精确识别与社会联系相关的多个概念。通过整合真实阳性与假阳性的标注示例，包括否定表达和语境模糊的术语，模型能够更好地将相关社会背景线索与噪声区分开来。同时训练社会隔离和社会支持提供了用于比较分析和患者分层的双重框架。

结论基于Transformer的NLP模型，特别是FLAN-T5-Large，展示了识别临床文本中社会隔离和社会支持的潜力。这些发现支持使用生成式AI技术从电子健康记录(EHRs)中增强社会隔离的检测，推动情境感知的医疗保健分析。

通俗摘要 强大的社会联系可以帮助人们延长寿命，而感到孤立则会增加严重健康问题的风险。关于某人是否社会孤立的信号并未被记录在其电子健康记录中，而是隐藏在作为医疗保健访问一部分创建的临床笔记中。由于这些笔记冗长且复杂，手动审查它们以寻找社会联系是不可能的。因此，使用称为大型语言模型(LLMs)的先进人工智能模型来自动生成查找临床笔记中社会孤立或社会支持的信号。为了训练LLMs检测这些信号，我们首先为三种情景创建了大量示例：社会孤立、社会支持以及示例包含"孤立"一词但与社会联系无关的情况。这些示例帮助LLMs理解每种情景的示例模式。我们训练了三个LLMs，FLAN-T5、BERT和Gemma。其中，FLAN-T5-Large表现更好，在不同患者群体中取得了准确且一致的结果。这种自动化方法可以帮助医疗保健系统识别可能缺乏社会支持的患者，更新其健康记录并将他们引导至可以帮助他们的服务，最终改善患者护理。