PulseAugur
中
实时 08:37:28
English(EN) Human-in-the-Loop Large Language Model Framework for Identification of Cutaneous Immune-Related Adverse Events

LLM框架提高识别药物不良事件的准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新研究论文详细介绍了一个“人在回路”框架，该框架利用检索增强的多智能体大型语言模型（LLM）从临床笔记中识别皮肤免疫相关不良事件（cirAEs）。与单独手动审查相比，该LLM辅助工作流程显示出更高的准确性和评分者间一致性。该框架还显著减少了审查不良事件所需的时间，表明这是一种可扩展且透明的提取此类数据的方法。 AI

影响 该框架展示了一种可扩展且准确的提取关键医疗数据的方法，有可能提高患者安全和药物开发。

排序理由 研究论文，详细介绍了LLM在特定医学领域的创新应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

LLM框架提高识别药物不良事件的准确性

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Charles Lu, Olivia Burke, Debby Cheng, Adam Kashlan, Caitlyn Duffy, Zeyun Lu, Lirit Fuksman, Jin Ning Tian, Andrew Sedlack, Priya Katyal, Eudora Lee, Ralina Karagenova, Chuck Lin, Kun-Hsing Yu, Nicole LeBoeuf, Alexander Gusev, Yevgeniy R. Semenov ·

    用于识别皮肤免疫相关不良事件的“人机协同”大型语言模型框架

    arXiv:2607.20428v1 Announce Type: new Abstract: This study evaluated a retrieval-augmented, multi-agent large language model (LLM)-driven, human-in-the-loop framework for detecting cutaneous immune-related adverse events (cirAEs) from clinical notes. Compared with unassisted manu…

相关实体

相关话题