應用預訓練語言模型於急診患者心臟疾病診斷預測之研究

胸痛是急診科最常見的主訴之一，此主訴通常與冠心症或心律不整等心臟疾病有關，這些疾病的早期識別對病人的預後至關重要，但在急診如此高壓的環境中，臨床醫師通常需要在短時間內依靠經驗做出判斷，容易出現診斷不一致或延誤的情況。隨著人工智慧技術及大型語言模型的迅速發展，特別是大型語言模型（LLMs）的出現，如 GPT-4 和 BERT，已在自然語言處理領域展現出色的性能，並逐漸被應用於醫療領域，用於解讀電子健康紀錄（EHRs）和輔助診斷決策，這些工具為分析臨床數據和預測疾病帶來了新的可能性。
本研究將使用 MIMIC-IV 資料庫，結合預訓練語言模型，透過整合急診中的生理背景之數值型數據和用藥紀錄等文字數據，並藉由特定的分類標籤來判斷病人的診斷類型，包括冠心症、心律不整或其他疾病，開發一個能幫助醫師更準確預測胸痛患者心臟疾病的系統。此系統優先參考 ICU 的診斷結果,使用大型語言模型進行微調和評估。期望透過此研究成果，不僅能協助醫師更高效地應對急診診斷的挑戰，也能顯著提升病人治療的時效性與精準度，讓病人獲得更快速、更準確的診斷,同時為語言模型在醫療決策中的應用提供有力佐證，進一步推動未來智能化醫療的發展與普及。