.png){kind=icon}
返回
Stroke Diagnosis and Prediction Tool Using ChatGLM: Development and Validation Study
.png){kind=icon}
OA
AI
DOI：10.2196/67010.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：卒中是一种全球常见的疾病，对医疗保健系统和国家经济造成显著负担。准确的卒中诊断可以显著提高再灌注率，减轻残疾，并降低死亡率。然而，急性卒中的诊断和治疗存在较大差异。
目的：本研究旨在开发和验证一种基于ChatGLM-6B的卒中诊断和预测工具，该工具结合电子健康记录中的自由文本信息与非对比增强计算机断层扫描（NCCT）报告，以增强卒中检测和治疗。
方法：提出一种使用ChatGLM-6B的大型语言模型（LLM），通过识别最佳输入组合、使用外部工具以及应用指令微调和低秩适应（LoRA）技术来促进卒中诊断。包含2016年至2024年间1885例有和无卒中患者的详细数据的数据库用于训练和内部验证；另外，来自两家医院的335例患者作为外部测试集，包括来自训练医院的230例患者（但入院时间不同）和来自另一家医院的105例患者。
结果：基于临床记录和NCCT的LLM在卒中诊断中表现出极高的准确性，内部验证数据集达到99%，两个外部测试队列分别为95.5%和79.1%。它有效区分缺血性和出血性卒中，验证数据集准确率为100%，其他测试队列分别为99.1%和97.1%。此外，它识别大血管闭塞（LVO）的准确率为验证数据集80%，其他测试队列分别为88.6%和83.3%。同时，它筛查符合静脉溶栓（IVT）条件的患者的准确率为验证数据集89.4%，其他测试队列分别为60%和80%。
结论：我们开发了一种利用临床文本和NCCT识别卒中并指导再通治疗的LLM。尽管研究结果需要通过广泛部署进行验证，但它们具有增强卒中识别和缩短再灌注时间的潜力。
Keyword:
stroke
diagnosis
large language model
ChatGLM
generative language model
primary care
acute stroke
prediction tool
stroke detection
treatment
electronic health records
noncontrastcomputed tomography
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
Adapted large language models can outperform medical experts in clinical text summarization适应的大型语言模型在临床文本摘要方面可以胜过医学专家.png)
NATURE MEDICINEOAAI
NATURE MEDICINEIF50
OAAI分享收藏Evaluation of Artificial Intelligence-Based Grading of Diabetic Retinopathy in Primary CareJAMA NETWORK OPEN
OAAI
JAMA NETWORK OPENIF9.7
OAAI分享收藏Adherence to Stroke Care Performance Measures in Different Regions in China, 2015-2019 Evidence From the Chinese Stroke Center AllianceNEUROLOGY
NEUROLOGYIF8.5
PREAI
分享收藏Characteristics and Outcomes Among Patients Transferred to a Regional Comprehensive Stroke Center for Tertiary CareSTROKEOAAI
STROKEIF8.9
OAAI分享收藏Comparison of CT Perfusion Software Packages for Thrombectomy EligibilityANNALS OF NEUROLOGY
ANNALS OF NEUROLOGYIF7.7
PREAI
分享收藏
查看更多内容