赋能医疗从业者使用语言模型： 结构化语音记录在两个真实世界临床应用中的应用-计算机科学-大语言模型-医疗健康.pdf

赋能医疗从业者使用语言模型：

结构化语音记录在两个真实世界临床应用中的应用

Jean-PhilippeCorbeil,AsmaBenAbacha,GeorgeMichalopoulos,

PhillipSwazinna,MiguelDel-Agua,JérômeTremblay,AkilaJeesonDaniel,

CariBader,Yu-ChengCho,PoojaKrishnan,NathanBodenstab,

ThomasLin,WenxuanTeng,FrancoisBeaulieu,PaulVozila

MicrosoftHealthcareLifeSciences

Correspondence:jcorbeil@

摘要两个高影响力的临床自然语言处理任务仍

大型语言模型（LLMs）如GPT-4o和o1在多处于探索初期：1)护理口述的结构化报告，以

本个医疗基准上的临床自然语言处理（NLP）及2)从长时间医生病人咨询中提取医疗指令。

任务中表现出色。然而，由于数据稀缺性这两个任务在临床工作流程中都极为重要，人

译和敏感性，尽管行业积极努力，两个高影响工智能可以在这些领域显著减轻医护人员的文

中力NLP任务——从护士口述生成结构化表档负担并提高患者治疗速度。尽管该领域的行

2格报告和从医患沟通中提取医疗命令——

v业兴趣日益增长，但由于缺乏公开可用的数据

7仍然研究不足。解决这些实际临床任务的集和临床数据固有的敏感性，进展和评估受到

1实用方案可以显著减轻医务人员的文档负

5了限制。

5担，使其能够更加专注于患者护理。在本

0.文中，我们使用私有和开源的临床数据集在这项工作中，我们评估了基于LLM的

7调查这两个具有挑战性的任务，评估开放解决方案在两个关键临床信息提取任务中的可

0

5权重和封闭权重LLMs的表现，并分析它行性，利用了专有数据集和新开放源码的数据

2们各自的优势和局限性。此外，我们提出

:集。我们使用开源和闭源LLMs对其优势和限

v了一种代理管道来生成真实且非敏感的护

i制进行了实际评估，并指出了处理长上下文、

x士口述报告，实现临床观察的结构化提取。

r溢出流程表、解读书面形式的口语表达以及抽

a为了支持两个领域的进一步研究，我们发

取复杂结构等挑战。此外，我们引入了一个代

布了SYNUR和SIMORD，这是第一个用

于护士观察提取和医疗命令提取的开源数理数据生成管道，为护理观察提取任务生产现

据集。实且不敏感的合成数据，发布了首个开源的护