.png){kind=icon}
返回
Large Language Model-Driven Knowledge Graph Construction in Sepsis Care Using Multicenter Clinical Databases: Development and Usability Study
.png){kind=icon}
OA
AI
DOI：10.2196/65537.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：脓毒症是一种复杂且危及生命的状态，其特征是显著的异质性和大量的非结构化数据，这对传统的知识图谱构建方法构成了重大挑战。将大型语言模型（LLMs）与真实世界数据相结合，为解决这些挑战并增强对脓毒症的理解和管理提供了有前景的途径。
目的：本研究旨在利用LLMs（特别是GPT-4.0）的能力，结合多中心临床数据库，开发一个全面的脓毒症知识图谱。目标是加深对脓毒症的理解，并为临床决策提供可操作的见解。我们还建立了多中心脓毒症数据库（MSD）以支持这一工作。
方法：我们从中国西部3家大型医院收集了临床指南、公共数据库和真实世界数据，共涉及10,544例确诊脓毒症的患者。使用GPT-4.0，我们采用了先进的提示工程（prompt engineering）技术进行实体识别和关系抽取，从而促进了细致的脓毒症知识图谱的构建。
结果：我们建立了包含10,544份患者记录的脓毒症数据库，其中西医院8,497份，上锦医院690份，天府医院357份。脓毒症知识图谱包含1,894个节点和2,021种独特关系，涵盖九类实体概念（疾病、症状、生物标志物、影像学检查等）和8种语义关系（并发症、推荐用药、实验室检查等）。GPT-4.0在实体识别和关系抽取方面表现出优越性能，在脓毒症特定数据集上的F1得分为76.76，优于Qwen2（43.77）和Llama3（48.39）等其他模型。在CMeEE数据集上，GPT-4.0通过少样本学习（few-shot learning）达到F1得分为65.42，超越了BERT-CRF（62.11）和Med-BERT（60.66）等传统模型。在此基础上，我们构建了一个包含1,894个节点和2,021种独特关系的全面脓毒症知识图谱。
结论：本研究代表了使用LLMs（尤其是GPT-4.0）构建全面脓毒症知识图谱的开创性尝试。提示工程的创新应用与多中心真实世界数据的整合，显著提升了知识图谱构建的效率和准确性。所生成的知识图谱为理解脓毒症、支持临床决策和促进进一步研究提供了强大框架。该方法的成功凸显了LLMs在医学研究中的潜力，并为未来脓毒症及其他复杂医学条件的研究设定了新的基准。（《医学互联网研究》2025；27：e65537）doi: 10.2196/65537
Keyword:
sepsis
knowledge graph
large language models
prompt engineering
real-world
GPT-4.0
期刊
IF:
6
论文数:
9.7K
被引数:
5.0W
机构
暂无机构信息
引用论文
.png){kind=icon}
Sepsis-induced immunosuppression: mechanisms, diagnosis and current treatment options脓毒症相关免疫抑制：机制、诊断及现有治疗策略
OAAI
OAAI分享收藏The Cardiovascular System in Severe Sepsis: Insight From a Cardiovascular Simulator严重脓毒症中的心血管系统：来自心血管模拟器的见解
PREAI
分享收藏
查看更多内容