LLMSurvival: Analisi di Sopravvivenza con Consapevolezza della Censura Basata su LLM
Un nuovo framework chiamato LLMSurvival migliora le capacità dei grandi modelli linguistici (LLM) nell'analisi dei dati di sopravvivenza provenienti da tabelle cliniche, gestendo efficacemente i problemi di censura. Questo metodo innovativo enfatizza i confronti a coppie per le previsioni tempo-evento e valuta il rischio basandosi sui riferimenti dei dati di addestramento. In due scenari clinici—uno incentrato sulla mortalità in terapia intensiva utilizzando i dati MIMIC-IV e l'altro sul rischio di frattura dal NewYork-Presbyterian/Weill Cornell Medicine—LLMSurvival ha dimostrato un miglioramento del 3,1% nella previsione della mortalità in terapia intensiva e un incremento dello 0,5% per il rischio di frattura rispetto ai tradizionali modelli di rischio proporzionale di Cox. Il framework affronta in modo significativo le sfide della censura nell'analisi di sopravvivenza con gli LLM.
Fatti principali
- 1. LLMSurvival consente l'analisi di sopravvivenza end-to-end con LLM non modificati.
- 2. Riformula la previsione tempo-evento come ranking a coppie tra soggetti comparabili.
- 3. Il rischio al momento del test è derivato aggregando confronti con individui di ancoraggio della coorte di addestramento.
- 4. Valutato sulla previsione della mortalità in terapia intensiva in MIMIC-IV e sulla previsione di fratture da fragilità in una coorte del NewYork-Presbyterian/Weill Cornell Medicine.
- 5. Miglioramento della concordanza rispetto a Cox del 3,1% per la mortalità in terapia intensiva e dello 0,5% per il rischio di frattura.
- 6. La censura impedisce un semplice fine-tuning supervisionato degli LLM per l'analisi di sopravvivenza.
- 7. Il framework opera direttamente su dati clinici tabulari.
- 8. Pubblicato su arXiv con ID 2605.25399.
Entità
Istituzioni
- NewYork-Presbyterian
- Weill Cornell Medicine
- arXiv