编辑推荐：
为解决从非结构化临床笔记中提取避孕药切换原因困难的问题，研究人员开展了用大语言模型（LLMs）从临床笔记提取相关信息的研究。结果显示 GPT-4 表现出色，还明确了切换关键原因。这有助于优化避孕药管理，提升患者诊疗体验。
在女性生殖健康领域，避孕药扮演着至关重要的角色。然而，患者在使用避孕药的过程中，常常会因为各种原因进行药物切换。据统计，美国近 5000 万女性使用避孕药，且 44% 的女性在开始使用避孕药的 1 年内停药，76% 的人会在 3 个月内恢复使用同一种或另一种避孕药 。这些切换背后的原因对于优化避孕方案、提升患者体验至关重要。但令人头疼的是，这些原因大多隐藏在非结构化的临床笔记中，想要大规模分析它们，简直困难重重。传统的手动注释创建数据集的方法不仅耗时费力，开发机器学习模型实现信息自动化提取也是挑战连连。
在这样的困境下，来自美国加州大学旧金山分校（University of California San Francisco）等机构的研究人员挺身而出，开展了一项极具意义的研究。他们将目光聚焦在大语言模型（Large Language Models，LLMs）上，试图借助其强大的能力，从临床笔记中挖掘出避孕药切换的关键信息。最终，他们的研究成果发表在了《npj Digital Medicine》上。
为了开展这项研究，研究人员运用了多个关键技术方法。首先，他们从 UCSF Information Commons 数据集里精心筛选出避孕药切换队列，去除了非药物避孕药、无起始日期的处方等干扰数据。接着，针对提取避孕药选择策略相关信息，他们测试了 6 种提示（Prompt），并选用 GPT-4 模型进行零样本（Zero-shot）提取。此外，还运用了 BERTopic 主题建模方法对提取的原因进行聚类分析，以挖掘关键原因。
研究结果如下：
- 患者队列：从 UCSF Information Commons 数据集筛选后，得到包含 20274 名独特患者的 39712 个药物订单的避孕药队列。其中，1515 名（7.6%）患者经历了 1964 次避孕药切换。与未切换患者相比，切换患者更年轻，不同种族 / 族裔的切换比例差异显著。首次处方不同类型避孕药的切换率也不同，经皮避孕药首次处方后的切换率最高，宫内和口服避孕药最低。
- GPT-4 提取避孕药切换信息的人工评估：对 GPT-4 进行提示评估，发现 6 种提示在提取开始和停止使用的避孕药信息时，微平均 F1（micro F1）分数稳定。其中最佳提示提取停止使用避孕药原因的准确率达 91.4%，幻觉率仅 2.2%。该提示在开源语言模型测试中，Gemma2-9B-it 表现最佳。
- GPT-4 避孕药切换信息提取优于基线模型：将 GPT-4 与基于不同比例结构化数据训练的基线模型对比，无论基线模型训练数据比例如何，GPT-4 在提取避孕药开始和停止信息的微平均 F1 分数上均更优。
- 确定避孕药切换的原因：通过无监督 BERTopic 主题建模，识别出 19 个主题并归纳为 10 个有意义的主题。其中常见主题包括不规则出血、患者希望切换、忘记服药等。不同种族 / 族裔和年龄组的患者，在切换原因上存在差异，如 “拉丁裔（Latinx）” 或 “其他” 患者因体重增加和情绪变化切换的比例较高，“亚裔” 患者因植入物取出切换更为常见，“黑人或非裔美国人”“拉丁裔” 或 “多种族 / 族裔” 患者受保险覆盖因素影响较大 。
在研究结论和讨论部分，研究人员指出，大语言模型能够精准地从临床笔记中提取治疗切换的理由，这对于深入理解患者护理意义非凡。通过分析发现，保险覆盖、体重增加和情绪变化等因素，对不同种族 / 族裔的患者在避孕药切换决策上有着不同程度的影响。这些发现让临床医生更加清楚治疗切换的多样原因，有助于他们提前预估避孕药使用中可能出现的问题，优化初始治疗选择，为患者设定更合理的预期，从而提升患者的治疗效果和体验。
不过，该研究也存在一定的局限性。比如数据集受样本量限制，且来源于学术医疗中心，可能存在偏差；临床笔记信息可能不完整，部分药物名称编辑不当；未考虑患者病史变化和混杂诊断；大语言模型缺乏透明度和可解释性等。尽管如此，这项研究依然为后续探索避孕药使用和切换的影响因素奠定了重要基础，开启了数据驱动理解治疗决策的新方向，朝着更以患者为中心的医疗护理迈进了一步。
