PVminerLLM: Structured Extraction of Patient Voice from Patient-Generated Text using Large Language Models

Created by

Haebom

저자

Samah Fodeh, Linhai Ma, Ganesh Puthiaraju, Srivani Talakokkul, Afshan Khan, Ashley Hagaman, Sarah Lowe, Aimee Roundtree

💡 개요

환자 생성 텍스트에는 환자의 경험, 사회적 상황, 치료 참여 등에 대한 중요한 정보가 담겨 있으나, 구조화되지 않아 활용이 제한적입니다. 본 연구는 환자 목소리를 구조적으로 추출하기 위한 벤치마크인 PVminer를 소개하고, 이를 위해 지도 학습 기반으로 미세 조정된 대규모 언어 모델(LLM)인 PVminerLLM을 제안합니다. PVminerLLM은 코드 예측, 하위 코드 예측, 증거 스팬 추출 등 여러 작업에서 기존 프롬프트 기반 모델 대비 우수한 성능을 보이며, 대규모 분석을 가능하게 합니다.

🔑 시사점 및 한계

•

환자 생성 텍스트에서 비임상적 건강 결과에 영향을 미치는 요소를 구조적으로 추출하여 환자 중심 연구 및 임상 품질 개선에 활용할 수 있습니다.

•

대규모 언어 모델을 지도 학습 방식으로 미세 조정하면 모델 크기에 관계없이 신뢰할 수 있는 환자 목소리 추출이 가능합니다.

•

본 연구에서 공개될 코드, 평가 스크립트, 훈련된 LLM은 환자 음성 데이터 분석 연구를 촉진할 것입니다.

•

연구용으로 요청 시 제공될 주석이 달린 데이터셋은 추가적인 연구 발전에 기여할 수 있습니다.

•

대규모 언어 모델의 학습 및 운영에는 상당한 컴퓨팅 자원이 소요될 수 있으며, 데이터 프라이버시 및 윤리적 고려사항이 필요합니다.

PDF 보기

Made with Slashpage