Large Language Models Predict Functional Outcomes after Acute Ischemic Stroke
Created by
- Haebom
Category
Empty
저자
Anjali K. Kapoor (Department of Neurosurgery, NYU Langone Health, New York, USA), Anton Alyakin (Department of Neurosurgery, NYU Langone Health, New York, USA, Global AI Frontier Lab, New York University, Brooklyn, USA, Department of Neurosurgery, Washington University in Saint Louis, Saint Louis, USA), Jin Vivian Lee (Department of Neurosurgery, NYU Langone Health, New York, USA, Global AI Frontier Lab, New York University, Brooklyn, USA, Department of Neurosurgery, Washington University in Saint Louis, Saint Louis, USA), Eunice Yang (Department of Neurosurgery, NYU Langone Health, New York, USA, Columbia University Vagelos College of Physicians and Surgeons, New York, USA), Annelene M. Schulze (Department of Neurosurgery, NYU Langone Health, New York, USA), Krithik Vishwanath (Department of Aerospace Engineering and Engineering Mechanics, University of Texas at Austin, Austin, USA), Jinseok Lee (Global AI Frontier Lab, New York University, Brooklyn, USA, Department of Biomedical Engineering, Kyung Hee University, Yongin, South Korea), Yindalon Aphinyanaphongs (Department of Population Health, NYU Langone Health, New York, USA, Division of Applied AI Technologies, NYU Langone Health, New York, USA), Howard Riina (Department of Neurosurgery, NYU Langone Health, New York, USA, Department of Radiology, NYU Langone Health, New York, USA), Jennifer A. Frontera (Department of Neurology, NYU Langone Health, New York, USA), Eric Karl Oermann (Department of Neurosurgery, NYU Langone Health, New York, USA, Global AI Frontier Lab, New York University, Brooklyn, USA, Division of Applied AI Technologies, NYU Langone Health, New York, USA, Center for Data Science, New York University, New York, USA)
💡 개요
본 연구는 급성 허혈성 뇌졸중 환자의 기능적 예후 예측에 대규모 언어 모델(LLM)의 적용 가능성을 탐구합니다. 기존에 구조화된 데이터에 의존했던 것과 달리, 본 연구는 입원 기록 노트로부터 직접 90일 후의 수정 랭킨 척도(mRS) 점수를 예측하는 LLM의 성능을 평가했습니다. 파인튜닝된 Llama 모델은 90일 mRS 예측에서 76.3%의 이진 정확도를 달성하며, 구조화된 데이터 기반 모델과 유사한 성능을 보였습니다.
🔑 시사점 및 한계
•
시사점 1: LLM은 별도의 데이터 추출 과정 없이도 뇌졸중 환자의 입원 기록 노트만으로 기능적 예후를 예측할 수 있습니다.
•
시사점 2: 본 연구 결과는 임상 워크플로우에 원활하게 통합될 수 있는 텍스트 기반의 예후 도구 개발 가능성을 제시하며, 이는 임상 의사결정과 자원 배분에 기여할 수 있습니다.
•
한계점 또는 향후 과제: LLM의 예측 성능을 더욱 향상시키고, 실제 임상 환경에서의 적용을 위한 추가적인 검증 및 해석 가능한 AI 기술 개발이 필요합니다.
