研究人员开发了一种新方法，使用大型语言模型（LLM）来识别和恢复传统去标识化系统经常遗漏的受保护健康信息（PHI）。通过采用机构特定的提示，LLM可以更好地理解特定于上下文的PHI，例如医院缩写和内部代码，这对于电子健康记录中准确的去标识化至关重要。在对儿科肿瘤学记录的研究中，该方法显著优于现有系统，召回率为0.981，F1得分为0.907，同时还提供了一种审计去标识化参考标准的方法。 AI
影响 LLM可以提高去标识化敏感健康数据的准确性和效率，从而改善电子健康记录的二次使用。
排序理由 研究论文，详细介绍了使用LLM去标识化PHI的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- Health Insurance Portability and Accountability Act
- Large Language Models
- OpenMed PII
- Stanford TiDE
- Texas Children's Hospital
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
