本文介绍了一项关于慢性头晕（chronic dizziness）病因分类的研究，该研究由Xiaowei Xu、Ruixuan Jiang等作者共同完成，并于2024年发表在《Journal of Healthcare Informatics Research》期刊上。研究团队来自中国医学科学院医学信息研究所、北京天坛医院神经内科、清华大学人工智能研究所等多个机构。研究的主要目标是利用大语言模型（Large Language Model, LLM）和机器学习技术，开发一种名为DizzyInsight的创新模型，以提高慢性头晕病因分类的准确性和可靠性。

研究背景

慢性头晕是指持续3个月或更长时间的眩晕症状，严重影响患者的日常生活和心理健康。常见的慢性头晕病因包括持续性姿势-知觉性头晕（Persistent Postural-Perceptual Dizziness, PPPD）、焦虑和抑郁障碍等。慢性头晕的诊断复杂，涉及多个学科的知识，尤其是在初级医疗环境中，医生往往难以准确诊断。因此，开发一种能够辅助诊断的工具显得尤为重要。

研究方法

研究团队设计了一个名为DizzyInsight的模型，该模型基于大语言模型ChatGLM，能够从病历记录中提取特征数据，并构建决策树进行病因分类。研究分为三个主要模块：数据转换引擎、验证处理器和决策建模器。

1. 数据转换引擎：该模块负责生成提示词（prompt），指导大语言模型从病历记录中提取特征数据。提示词包括推理指导、预定义的领域知识、操作指令以及JSON输出格式。
2. 验证处理器：该模块用于验证和纠正从病历记录中提取的数据错误，确保数据的准确性和可靠性。如果发现错误，系统会通过规则代理或提示大语言模型进行修正。
3. 决策建模器：该模块使用提取的特征数据训练可解释的机器学习模型，最终生成病因分类结果。研究采用了随机森林模型进行分类，并使用阳性预测值（PPV）、敏感性（sensitivity）和F1分数等指标评估模型性能。

研究结果

研究纳入了260名患者的数据，平均年龄为59.52岁，女性占59.62%。最常见的诊断为PPPD（51.92%）和焦虑及抑郁障碍（43.85%）。DizzyInsight模型在分类PPPD和焦虑及抑郁障碍方面表现出较好的性能，PPPD的阳性预测值为0.69，敏感性为0.86；焦虑及抑郁障碍的阳性预测值为0.81，敏感性为0.66。

研究还对比了基于BERT模型和直接使用大语言模型的分类效果。结果显示，BERT模型在某些方面表现优于DizzyInsight，尤其是在PPPD的分类准确性和焦虑及抑郁障碍的敏感性方面。然而，DizzyInsight在数据提取和模型可解释性方面具有优势。

研究意义

DizzyInsight模型的开发为慢性头晕的病因分类提供了一种新的工具，尤其是在初级医疗环境中，能够帮助医生快速确定诊断方向，减少不必要的检查，提高诊断效率。此外，该研究展示了利用大语言模型处理非结构化医疗数据的潜力，为未来的医疗决策支持系统开发提供了新的思路。

研究亮点

1. 创新性：DizzyInsight模型首次将大语言模型应用于慢性头晕的病因分类，结合了机器学习的可解释性和大语言模型的自然语言处理能力。
2. 实用性：该模型能够从病历记录中提取关键特征，生成结构化的数据，并通过可解释的机器学习模型进行分类，适用于非专家环境。
3. 高效性：通过减少不必要的检查，DizzyInsight能够显著提高诊断效率，节省医疗资源。

研究局限性

尽管DizzyInsight模型表现出较好的性能，但仍存在一些局限性。首先，模型的准确性依赖于专家的领域知识输入，若专家在特征识别中出现错误，模型无法自行修正。其次，大语言模型在处理数据时可能存在“幻觉”问题，即生成不准确的信息。未来研究需要进一步探索如何提高模型的内部自验证能力，以增强其准确性。

结论

DizzyInsight模型为慢性头晕的病因分类提供了一种创新的解决方案，展示了利用大语言模型和机器学习技术提升医疗诊断效率的潜力。未来的研究应进一步验证该模型在初级医疗环境中的适用性，并探索其在其他医疗领域的应用。