System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医疗,特别是涉及一种基于大模型的临床试验智能招募方法及装置。
技术介绍
1、临床试验是指以人为对象的前瞻性研究,预先将受试者或受试人群分配至接受一种或多种医疗干预,以评价医疗干预对健康结局的影响。受试者招募在临床试验中属于研究实施阶段的前期工作,是临床试验中一个非常重要的环节,过程主要包括招募受试者、筛选合格受试者、获得受试者的知情同意。受试者招募能否招募到足够数量的符合试验要求的受试对象,将会对试验质量高低产生重要影响,也是影响试验进度的重要因素,如果无法招募到足够数量的适宜受试者,临床试验不得不暂停甚至终止。
2、目前,现有的针对临床招募的方法主要是通过配置器对临床试验方案文件进行处理获得入选排除标准数据,并将入选排除标准数据分类为客观评价标准、主观评价标准、关键评价标准和非关键评价标准。随后将主观评价标准、非关键评价标准通过大语言模型进行提取,得到招募特征,并将收集的患者资料进行文字内容提取,对文字内容进行结构化处理得到文本数据。再对文本数据通过大语言模型进行提取,得到客观评价标准所需数据、主观评价标准所需数据、关键评价标准所需数据和非关键评价标准所需数据。将主观评价标准所需数据、非关键评价标准所需数据通过大语言模型进行提取,得到患者特征。最后,将客观评价标准所需数据、关键评价标准所需数据和患者特征送入招募池,机器招募员根据客观评价标准、关键评价标准和招募特征对上述所需数据进行筛选匹配,再对招募池中的全部患者进行筛选匹配,将筛选匹配符合要求的患者推送给研究人员做最终判断。但是该现有方法主要是基于分
3、综上所述,现有的针对临床招募的方法较多依赖人工,导致招募效率较低,且难以保障患者的隐私不被泄露,最终招募结果的可解释性较差。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种招募效率较高、招募结果可解释性较好且能够保障患者隐私安全的基于大模型的临床试验智能招募方法及装置。
2、本专利技术提供了一种基于大模型的临床试验智能招募方法,所述方法包括:
3、获取临床试验数据,并通过所述临床试验数据对大模型进行预训练,以使所述大模型理解医学文本数据的不同场景,所述临床试验数据至少包括临床试验信息、患者病历信息、医学文献以及医学知识库数据;
4、调用预训练后的所述大模型对所述患者病历信息中的患者隐私信息进行识别,以对所述患者病历信息进行脱敏处理,脱敏处理后的患者病历信息至少包括患者的出入院记录、首次病程记录、病程记录以及治疗记录;
5、将脱敏处理后的患者病历信息以及提示对话框作为预训练后的所述大模型的输入,以按照所述提示对话框的答案模板输出与所述患者病历信息匹配的临床试验方案。
6、在其中一个实施例中,所述大模型至少包括开源大模型llama2;
7、所述获取临床试验数据,并通过所述临床医学试验数据对大模型进行预训练,以使所述大模型理解医学文本数据的不同场景,包括:
8、对所述临床试验数据进行预处理,得到所述医学文本数据,并基于所述医学文本数据构建训练数据集,所述预处理至少包括数据清洗、数据过滤以及缺失值填充;
9、通过所述训练数据集对所述开源大模型llama2进行预训练,以使预训练后的所述开源大模型llama2理解所述医学文本数据的语境和含义。
10、在其中一个实施例中,所述调用预训练后的所述大模型对所述患者病历信息中的患者隐私信息进行识别,以对所述患者病历信息进行脱敏处理,包括:
11、将所述患者病历信息作为预训练后的所述大模型的输入,以调用预训练后的所述大模型识别出所述患者病历信息中的患者隐私信息,所述患者隐私信息至少包括患者身份信息;
12、将所述患者病历信息中的所述患者隐私信息替换为同等长度的替换符,以对所述患者病历信息进行脱敏处理。
13、在其中一个实施例中,所述将脱敏处理后的患者病历信息以及提示对话框作为预训练后的所述大模型的输入,以按照所述提示对话框的答案模板输出与所述患者病历信息匹配的临床试验方案,之前包括:
14、获取脱敏处理后的多个历史患者病历信息以及每个历史患者病历信息对应的历史临床试验方案;
15、将所述历史患者病历信息作为预训练后的所述大模型的输入,并将所述历史患者病历信息对应的历史临床试验方案作为预训练后的所述大模型的输出,对预训练后的所述大模型进行训练。
16、在其中一个实施例中,所述将脱敏处理后的患者病历信息以及提示对话框作为预训练后的所述大模型的输入,以按照所述提示对话框的答案模板输出与所述患者病历信息匹配的临床试验方案,之前还包括:
17、基于所述历史临床试验方案生成所述答案模板,并根据所述答案模板构建所述提示对话框;
18、将所述提示对话框作为预训练后的所述大模型的输入,并将所述历史临床试验方案作为预训练后的所述大模型的输出,对预训练后的所述大模型进行训练,以使预训练后的所述大模型按照所述提示对话框的答案模板输出临床试验方案。
19、在其中一个实施例中,所述将脱敏处理后的患者病历信息以及提示对话框作为预训练后的所述大模型的输入,以按照所述提示对话框的答案模板输出与所述患者病历信息匹配的临床试验方案,包括:
20、获取脱敏处理后的当前患者病历信息,所述脱敏处理后的当前患者病历信息至少包括当前患者的出入院记录、首次病程记录、病程记录以及治疗记录;
21、将所述脱敏处理后的当前患者病历信息作为预训练后的所述大模型的输入,以调用预训练后的所述大模型按照所述提示对话框的答案模板输出与所述脱敏处理后的当前患者病历信息匹配的当前临床试验方案。
22、在其中一个实施例中,所述方法还包括:
23、对所述患者病历信息进行划分,以获取多个阶段的子病历信息,所述子病历信息至少包括患者的出入院病历信息、首次病程病历信息、病程病历信息以及治疗病历信息;
24、将所述多个阶段的子病历信息以及提示对话框作为预训练后的所述大模型的输入,以输出所述多个阶段的子病历信息分别对应的多个临床试验子方案;
25、将所述多个临床试验子方案进行合并,并调用预训练后的所述大模型对合并后的所述多个临床试验子方案以及所述提示对话框进行处理,得到所述临床试验方案。
26、本专利技术还提供了一种基于大模型的临床试验智能招募装置,所述装置包括:
27、模型预训练模块,用于获取临床试验数据,并通过所述临床试验数据对大模型进行预训练,以使所述大模型理解医学文本数据的不同场景,所述临床本文档来自技高网...
【技术保护点】
1.一种基于大模型的临床试验智能招募方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于大模型的临床试验智能招募方法,其特征在于,所述大模型至少包括开源大模型Llama2;
3.根据权利要求1所述的基于大模型的临床试验智能招募方法,其特征在于,所述调用预训练后的所述大模型对所述患者病历信息中的患者隐私信息进行识别,以对所述患者病历信息进行脱敏处理,包括:
4.根据权利要求1所述的基于大模型的临床试验智能招募方法,其特征在于,所述将脱敏处理后的患者病历信息以及提示对话框作为预训练后的所述大模型的输入,以按照所述提示对话框的答案模板输出与所述患者病历信息匹配的临床试验方案,之前包括:
5.根据权利要求4所述的基于大模型的临床试验智能招募方法,其特征在于,所述将脱敏处理后的患者病历信息以及提示对话框作为预训练后的所述大模型的输入,以按照所述提示对话框的答案模板输出与所述患者病历信息匹配的临床试验方案,之前还包括:
6.根据权利要求5所述的基于大模型的临床试验智能招募方法,其特征在于,所述将脱敏处理后的患者病历信息以及
7.根据权利要求1至6任一项所述的基于大模型的临床试验智能招募方法,其特征在于,所述方法还包括:
8.一种基于大模型的临床试验智能招募装置,其特征在于,所述装置包括:
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于大模型的临床试验智能招募方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于大模型的临床试验智能招募方法,其特征在于,所述大模型至少包括开源大模型llama2;
3.根据权利要求1所述的基于大模型的临床试验智能招募方法,其特征在于,所述调用预训练后的所述大模型对所述患者病历信息中的患者隐私信息进行识别,以对所述患者病历信息进行脱敏处理,包括:
4.根据权利要求1所述的基于大模型的临床试验智能招募方法,其特征在于,所述将脱敏处理后的患者病历信息以及提示对话框作为预训练后的所述大模型的输入,以按照所述提示对话框的答案模板输出与所述患者病历信息匹配的临床试验方案,之前包括:
5.根据权利要求4所述的基于大模型的临床试验智能招募方法,其特征在于,所述将脱敏处理后的患者病历信息以及提示对话框作为预训练后的所述大模型的输入,以按照所述提示对...
【专利技术属性】
技术研发人员:苏志鹄,张奇,王实,
申请(专利权)人:北京惠每云科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。