论文
利用呼吸治疗临床记录中的 LLM 衍生特征增强拔管失败预测
Enhancing Extubation Failure Prediction with LLM-Derived Features from Respiratory Therapy Clinical Notes
摘要
有创机械通气是一种挽救生命的治疗方法，但及时、安全地停止治疗对于预防拔管失败 (EF) 和相关健康风险至关重要。我们提出了一种新颖的 EF 预测方法，该方法利用 大语言模型 和逻辑回归管道在自由文本呼吸治疗笔记中分类的特征。我们的方法应用于华盛顿大学医学院的患者队列，识别出具有临床意义的 EF 相关特征，当与结构化患者数据一起包含时，这些特征可以提高 EF 预测性能。我们进一步强调了先前 EF 预测研究中目标人群的差异（例如异质纳入标准和 EF 定义）如何导致模型性能的系统差异并阻碍研究之间的普遍性。