Automated HIV Screening on Dutch Electronic Health Records with Large Language Models
一、文章主要内容总结
该研究聚焦于利用大型语言模型（LLM）实现荷兰电子健康记录（EHR）的自动化HIV筛查，核心目标是通过高效分析非结构化临床文本，提升HIV早期诊断效率、降低漏诊率。
- 研究背景：HIV筛查对早期干预和减少传播至关重要，但传统筛查依赖患者主动检测或医护人员基于症状判断，存在漏诊风险；现有自动化方法多依赖结构化数据，忽略了非结构化临床笔记中的关键风险信息，且人工依据临床指南（如EuroTEST）审查病历耗时耗力。
- 研究方案：
- 提出基于MedGemma（Google开发的医疗领域LLM）的自动化筛查流水线，将EuroTEST指南融入提示词，分析荷兰语EHR文本判断患者是否需进一步HIV检测。
- 设计两种提示词（简单提示SP：3步思维链；复杂提示CP：9步思维链），并测试多种输出聚合策略（如自一致性投票、最佳概率采样等）。
- 以多语言BERT（mBERT）为基线模型，在伊拉斯姆斯大学医学中心的HIV数据集（含10626条记录）上进行验证，数据集按9:1分为训练集和测试集，采用准确性、宏F1、敏感性（召回率）、特异性作为评价指标，重点关注敏感性以减少漏诊。
- 核心结果：
- MedGemma-SP结合自一致性策略表现最优，敏感性达88.68%，显著高于基线mBERT的75.47%，且保持较低假阴性率。
- 复杂提示词（CP）虽提升了准确性和宏F1，但敏感性显著下降（最高68.87%），不适用于需优