图片

这篇文章探讨了利用大语言模型 (LLM) 辅助儿科抑郁症诊断的可行性。研究人员发现，传统的抑郁症筛查方法，如PHQ-9抑郁症筛查量表，在儿科初级保健中应用受限，且诊断数据存在严重不一致性。鉴于此，研究人员提出利用大语言模型从电子病历的自由文本中提取相关文本片段，辅助临床医生识别抑郁症状，从而提高诊断一致性和效率，并减少诊断错误。研究结果表明，几种先进的大语言模型模型在提取抑郁症状方面表现出较高的准确性，尤其是在识别较为罕见的症状方面，但同时也面临一些挑战，例如临床记录的复杂性以及对PHQ-9评分的误读。

 

图片

研究背景和问题
抑郁症是一种复杂的疾病，在10-24岁青少年中尤为普遍，且发病率正在急剧上升。然而，传统的抑郁症筛查工具，例如PHQ-9量表，在儿科初级保健中的应用存在诸多挑战，包括实际操作的局限性以及临床医生在解释症状和风险因素方面的差异。此外，儿童和青少年在自我报告症状方面也存在困难，这导致了诊断数据的不完整性和不一致性。现有基于机器学习的抑郁症检测研究大多集中在社交媒体数据分析上，但社交媒体数据存在隐喻语言、讽刺等问题，且数据稀疏。

 

研究方法

 

研究人员使用了来自美国辛辛那提儿童医院医疗中心电子病历的数据，包含约1800名6-24岁被诊断为抑郁症或相关情绪障碍的儿科患者。由于PHQ-9量表在实际应用中的不一致性，研究人员手工标注了22名患者的病历，涵盖了16类与抑郁症相关的症状（如“睡眠问题”、“自我厌恶”、“自杀倾向”等），这些症状类别是根据贝克抑郁量表和PHQ-9量表量身定制的，更适合儿科抑郁症症状的识别。随后，研究人员使用了三种先进的LLM模型（FLAN T5、Llama 3和Phi）来自动化识别这些症状类别。作为基线方法，研究人员还使用了简单的关键词匹配方法。

 

图片

研究结果

 

研究结果表明，所有三种大语言模型的效率都比简单的关键词匹配方法高出60%。其中，FLAN T5模型在精确度方面表现最佳，平均F1值为0.65，精确度为0.78，尤其擅长提取“睡眠问题”和“自我厌恶”等较少见的症状。Phi模型在精确度(0.44)和召回率(0.60)之间取得了平衡，在“感到沮丧”和“体重变化”等类别中表现良好。Llama 3模型的召回率最高(0.90)，但存在过度概括症状的问题，使其不太适合这项分析。研究人员也指出，大语言模型面临的主要挑战包括处理临床记录的复杂结构以及对PHQ-9高分值的误读。最后，研究人员还证明了由FLAN T5生成的症状标注作为机器学习算法中的特征，可以有效地区分抑郁症患者和对照组，精确度高达0.78，显著优于不使用这些特征的基线模型。

 

图片

讨论和结论
这项研究强调了大语言模型在解决数据稀疏性和异质性问题方面的优势，能够从儿科电子病历的自由文本中以高精度提取抑郁症状。FLAN T5模型的高计算效率使其在资源有限的临床环境中具有应用潜力。然而，研究也存在一些局限性，例如仅关注PHQ-9和贝克抑郁量表症状，以及研究样本仅限于儿科人群。尽管如此，这项研究仍然证明了大语言模型在增强抑郁症筛查、提高诊断一致性和为精神科临床医生提供透明、可解释的工具方面的潜力。未来研究应进一步验证大语言模型在不同临床环境和人群中的有效性和可靠性，并探索其在其他精神疾病诊断中的应用。大语言模型并非旨在取代临床医生的判断，而是作为一种辅助工具，帮助临床医生更有效地进行诊断和治疗。研究人员强调了在将大语言模型应用于临床实践中，必须注意伦理问题，确保其安全有效地使用。

 

本项研究的贡献

 

这项研究的主要贡献在于：（1）首次将大语言模型应用于儿科精神健康临床记录的抑郁症症状提取；（2）对三种先进的大语言模型进行了基准测试，并比较了它们的性能；（3）证明了大语言模型提取的症状信息可以作为机器学习算法的特征，提高抑郁症筛查的准确性；（4）提出了一种基于大语言模型的、安全且可解释的辅助诊断方法，以解决儿科抑郁症诊断中的数据稀疏性和异质性问题。

 

图片

这项研究为利用人工智能技术辅助儿科抑郁症诊断提供了新的思路和方法，为改善儿科精神健康问题提供了重要的参考价值。然而，在将该技术应用于临床实践之前，还需要进行更广泛和深入的研究，探索如何将大语言模型更无缝地整合进现有医疗工作流程，确保其在实际临床环境中的安全性和有效性。