基于大型语言模型和神经机器翻译的双语死因文本标准化以扩展通用数据模型：韩国大规模队列研究

《Scientific Reports》：Standardizing in-hospital cause-of-death data using large language models and neural machine translation

　　

摘要

本研究旨在通过将院内死亡数据与国家死亡统计数据进行关联，扩展观察性医疗结果伙伴关系通用数据模型（CDM）。具体而言，我们开发了一个利用大型语言模型（LLMs）和神经机器翻译（NMT）的流水线，以标准化非结构化的双语死因文本。在1,033,461名患者的队列中，识别出64,034份死亡记录。通过将韩国疾病标准分类代码映射到国际标准《医学系统命名法——临床术语》上，这些记录被转换为标准化的CDM格式。该流水线对1,702例包含医学缩写、非结构化的双语（韩语-英语）自由文本记录进行了结构化处理。比较了基于NMT和基于LLM的模型的英文翻译性能，并随后与医学专业人员审查的金标准进行了验证。最后，我们采用基于检索增强生成的LLM提示，自动为翻译后的文本分配国际疾病分类第十次修订版（ICD-10）代码，确定肿瘤（35.89%）和循环系统疾病（17.70%）为主要死因。技术上，Nllb-200-1.3B取得了最高的翻译准确率，而SOLAR-10.7B和Llama 3.1-8B在ICD-10代码匹配方面表现更优。我们成功建立了一个全面的死亡数据库，并证明基于LLM的模块在标准化临床大数据方面高度可行，为增强真实世界医疗数据的互操作性提供了一种可扩展的解决方案。