摘要：团队推出了一种多功能的大型语言模型，以增强围手术期护理。...

每年有数百万美国人接受手术。手术后，预防肺炎，血凝块和感染等并发症可能是成功康复与长时间，痛苦的住院时间之间的差异。超过10％的手术患者经历了此类并发症，这可能导致重症监护病房（ICU），更高的死亡率和增加的医疗保健成本。高危患者的早期识别至关重要，但是准确地预测这些风险仍然是一个挑战。

人工智能（AI）的新进步，尤其是大型语言模型（LLMS），现在提供了有希望的解决方案。由麦凯维工程学院的Fullgraf计算机科学与工程学教授Chenyang Lu和圣路易斯华盛顿大学AI卫生研究所（AIHealth）主任Chenyang Lu的最新研究，探索了LLMS通过分析术前评估和临床注释来预测术后并发症的潜力。这项工作于2月11日在线发布NPJ数字医学，表明专业的LLM可以在预测术后风险中显着优于传统的机器学习方法。

卢说：“手术带来了巨大的风险和成本，但临床笔记具有手术团队的大量宝贵见解。” “我们的大型语言模型是专门针对手术笔记量身定制的，可以早日，准确地预测术后并发症。通过主动确定风险，临床医生可以更快地干预，改善患者的安全性和结果。”

传统的风险预测模型主要依赖于结构化数据，例如实验室测试结果，患者人口统计以及手术细节，例如程序持续时间或外科医生的经验。尽管这些信息无疑是有价值的，但它通常缺乏患者独特的临床叙述的细微差别，这在临床注释的详细文本中被捕获。这些笔记包含有关患者病史，当前状况以及影响并发症可能性的其他因素的个性化叙述。

Lu兼联合首先作者Charles Alba和Bing Xue，两位研究生在研究时与LU一起工作，受雇于专业的LLM，接受了公开可用的医学文献和电子健康记录的培训。然后，他们在手术音符上微调了经过预告片的模型，以更好地预测手术结果。最终的方法（第一个处理外科手术说明并使用它们来预测术后结果的方法）可以超越结构化数据，以识别患者状况的模式，否则可能会被忽略。

基于2018年至2021年间收集的中西部学术医学中心的近85,000个手术笔记和相关的患者结果，该团队报告说，他们的模型的表现远胜于预测并发症的传统方法。对于术后并发症的每100名患者，该团队的新模型正确地预测了比传统的自然语言处理模型多39例。

除了可能早日捕获和减轻手术并发症的患者数量之外，该研究还展示了基础AI模型的力量，AI模型的功能旨在进行多任务，并且可以应用于广泛的问题。

阿尔巴说：“基础模型可以多样化，因此通常比专业模型更有用。在这种情况下，在可能的并发症可能存在很多并发症的情况下，该模型需要足够多功能以预测许多不同的结果。” “我们同时对多个任务进行了微调的模型，发现它比专门训练以检测单个并发症的模型更准确地预测并发症。这是有道理的，因为并发症通常是相关的，因此统一的基础模型从共同的关于不同兴趣的知识中受益，并且不必对每个人进行艰苦的调整。”

“这种多功能模型有可能在各种临床环境中部署，以预测广泛的并发症，” Washu医学学副教授，Washu医学学院（I2）成员Joanna Abraham说。 “通过及早确定风险，它可能成为临床医生的宝贵工具，使他们能够采取积极的措施并量身定制干预措施，以改善患者的预后。”

这项研究得到了美国卫生与公共服务部（R01 HS029324-02）的医疗研究和质量机构的支持。