机构名称：
¥ 4.0
药物推荐系统在医疗保健中引起了人们的关注，因为它们的潜力根据患者的临床数据提供了个性化和有效的药物组合。但是，现有的方法论在适应多种电子健康记录（EHR）系统并有效地利用非结构化数据时会遇到挑战，从而产生有限的概括能力和次优性能。最近，利用医疗领域的大型语言模型（LLM）的兴趣正在增长，以支持医疗保健专业人员并增强患者护理。尽管出现了医疗LLMS及其在医疗问题回答之类的任务中，他们在临床环境中的实际应用，尤其是在药物建议中，但通常仍然没有得到充实的态度。在这项研究中，我们评估了用于药物建议任务的通用和医学特异性LLM。我们的发现表明，LLMS经常遇到过度处方的挑战，导致临床风险增加并降低药物建议精度。为了解决这个问题，我们提出了语言辅助药物建议（LAMO），该建议采用了一种参数高效的微调方法来量身定制开源LLM，以在药物建议方案中进行最佳性能。lamo杠杆在临床注释中提供了大量的临床信息，这是一种在传统方法论中通常不足的资源。由于我们的方法，Lamo的内部阀门准确性超过10％以上的最先前方法。此外，时间和外部验证证明了Lamo在各种时间和医院的强大概括能力
应对过度处方挑战：用于药物建议任务的大型语言模型
主要关键词
相关文件推荐
