PulseAugur
中
实时 06:54:45
English(EN) An ambiguity taxonomy for evaluating large language model performance on clinical registry abstraction: a multi-site prospective study

由于歧义，LLM在临床注册表提取方面遇到困难

作者 PulseAugur 编辑部 · [1 个来源] ·

一项发表在arXiv上的新研究评估了大型语言模型（LLM）从临床注册表数据中提取信息的性能。研究人员发现，与人工提取者相比，LLM在处理未经处理的电子病历数据时准确性显著降低。随着问题所需歧义和临床推理的增加，LLM的准确性明显下降，在药物标记等简单任务上表现最好，在复杂事件时间问题上表现最差。 AI

影响 强调了当前LLM在医疗保健等复杂、高风险领域的局限性，表明需要改进推理和歧义处理能力。

排序理由 该集群包含一篇学术论文，详细介绍了LLM在特定领域性能的研究。[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 →

由于歧义，LLM在临床注册表提取方面遇到困难

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · James Matheson, Betsy Castillo, Andrew Y. Shin, David Scheinker ·

    用于评估大型语言模型在临床注册表提取性能的歧义分类法：一项多中心前瞻性研究

    arXiv:2608.20373v1 Announce Type: new Abstract: Objective: To evaluate large language model (LLM) performance on unprocessed electronic medical record (EMR) data for clinical registry abstraction. Methods: We evaluated LLM performance answering registry questions for the American…

相关实体

相关话题