
-
生物通官微
陪你抓住生命科技
跳动的脉搏
大语言模型解析胸部CT报告联合实验室数据推导并验证急诊呼吸困难死亡表型
《BMC Medical Informatics and Decision Making》:Structured phenotypes from unstructured reports: large language model extraction of chest CT identifies mortality subgroups in emergency department dyspnea
【字体: 大 中 小 】 时间:2026年10月11日 来源:BMC Medical Informatics and Decision Making 5.5
编辑推荐:
摘要背景急性呼吸困难是急诊科(ED)表现最为异质的症状之一,目前尚不存在跨其潜在病因的经诊断后风险分层验证框架。胸部CT报告对胸腔内器官的描述远超就诊主诉,然而这些信息很少被重新利用。我们旨在通过将常规实验室数据与大型语言模型(LLM)对胸部CT报告的提取相结合,推导并外部验
急性呼吸困难是急诊科(ED)表现最为异质的症状之一,目前尚不存在跨其潜在病因的经诊断后风险分层验证框架。胸部CT报告对胸腔内器官的描述远超就诊主诉,然而这些信息很少被重新利用。我们旨在通过将常规实验室数据与大型语言模型(LLM)对胸部CT报告的提取相结合,推导并外部验证急诊呼吸困难的死亡表型。
在三家韩国教学医院对51,843名成年人(2016–2025年)进行的多中心回顾性队列研究中,这些患者均因急性呼吸困难接受胸部CT检查。claude-sonnet-4-6使用预设JSON架构从每份报告中提取18项影像学发现。表型在一个医院(n?=?12,702)中通过k-means聚类推导,聚类特征包括12个常规临床和实验室变量以及分级影像学特征,随后通过冻结质心的最近聚类映射不变地应用于两家外部验证医院(n?=?17,395;n?=?21,746)。我们还将分级(0–3)特征与通过阈值设为严重度?≥?1从同一提取结果中获得的二分类特征进行了比较,所有下游步骤保持完全一致。
三个表型在所有三所医院中均可复现:良好型(37.9–40.6%)、炎症-肺实质型(21.1–25.3%)和心脏-血管-淤血型(34.1–40.5%)。与良好型相比,校正后风险比为炎症-肺实质型2.43–3.90,心脏-血管-淤血型2.81–3.44(所有P < .001);未校正比值分别为2.77–5.11和3.27–4.70。当从特征空间中移除年龄时,表型归属基本不变(校正后的Rand指数0.80–0.82),且这些表型在流行病前、流行病高峰期和流行病后的分层中均可被恢复。分级特征与二分类特征提供了相似的增量区分度:在经年龄和性别校正的Cox基线中添加表型指标后,Harrell C指数在分级特征下提高了0.041–0.054,在二分类特征下提高了0.040–0.053(配对差异0.0010–0.0022)。
常规胸部CT报告经LLM转换为结构化数据并与常规实验室值结合后,能够识别急诊呼吸困难中可复现的死亡表型,这些表型在病例组合不同的医院间携带独立于年龄和性别的预后信息。从同一提取结果中获得的二分类特征表现相当,因此在该流程中保留序数严重度带来的增益甚微。
急性呼吸困难是急诊科(ED)表现最为异质的症状之一,目前尚不存在跨其潜在病因的经诊断后风险分层验证框架。胸部CT报告对胸腔内器官的描述远超就诊主诉,然而这些信息很少被重新利用。我们旨在通过将常规实验室数据与大型语言模型(LLM)对胸部CT报告的提取相结合,推导并外部验证急诊呼吸困难的死亡表型。
在三家韩国教学医院对51,843名成年人(2016–2025年)进行的多中心回顾性队列研究中,这些患者均因急性呼吸困难接受胸部CT检查。claude-sonnet-4-6使用预设JSON架构从每份报告中提取18项影像学发现。表型在一个医院(n?=?12,702)中通过k-means聚类推导,聚类特征包括12个常规临床和实验室变量以及分级影像学特征,随后通过冻结质心的最近聚类映射不变地应用于两家外部验证医院(n?=?17,395;n?=?21,746)。我们还将分级(0–3)特征与通过阈值设为严重度?≥?1从同一提取结果中获得的二分类特征进行了比较,所有下游步骤保持完全一致。
三个表型在所有三所医院中均可复现:良好型(37.9–40.6%)、炎症-肺实质型(21.1–25.3%)和心脏-血管-淤血型(34.1–40.5%)。与良好型相比,校正后风险比为炎症-肺实质型2.43–3.90,心脏-血管-淤血型2.81–3.44(所有P < .001);未校正比值分别为2.77–5.11和3.27–4.70。当从特征空间中移除年龄时,表型归属基本不变(校正后的Rand指数0.80–0.82),且这些表型在流行病前、流行病高峰期和流行病后的分层中均可被恢复。分级特征与二分类特征提供了相似的增量区分度:在经年龄和性别校正的Cox基线中添加表型指标后,Harrell C指数在分级特征下提高了0.041–0.054,在二分类特征下提高了0.040–0.053(配对差异0.0010–0.0022)。
常规胸部CT报告经LLM转换为结构化数据并与常规实验室值结合后,能够识别急诊呼吸困难中可复现的死亡表型,这些表型在病例组合不同的医院间携带独立于年龄和性别的预后信息。从同一提取结果中获得的二分类特征表现相当,因此在该流程中保留序数严重度带来的增益甚微。