ترجمه فارسی مقاله MALADE: هماهنگ‌سازی عوامل مبتنی بر LLM با بازیابی نسل افزوده برای مراقبت‌های دارویی

چکیده

In the era of Large Language Models (LLMs), given their remarkable text understanding and generation abilities, there is an unprecedented opportunity to develop new, LLM-based methods for trustworthy medical knowledge synthesis, extraction and summarization. This paper focuses on the problem of Pharmacovigilance (PhV), where the significance and challenges lie in identifying Adverse Drug Events (ADEs) from diverse text sources, such as medical literature, clinical notes, and drug labels. Unfortunately, this task is hindered by factors including variations in the terminologies of drugs and outcomes, and ADE descriptions often being buried in large amounts of narrative text. We present MALADE, the first effective collaborative multi-agent system powered by LLM with Retrieval Augmented Generation for ADE extraction from drug label data. This technique involves augmenting a query to an LLM with relevant information extracted from text resources, and instructing the LLM to compose a response consistent with the augmented data. MALADE is a general LLM-agnostic architecture, and its unique capabilities are: (1) leveraging a variety of external sources, such as medical literature, drug labels, and FDA tools (e.g., OpenFDA drug information API), (2) extracting drug-outcome association in a structured format along with the strength of the association, and (3) providing explanations for established associations. Instantiated with GPT-4 Turbo or GPT-4o, and FDA drug label data, MALADE demonstrates its efficacy with an Area Under ROC Curve of 0.90 against the OMOP Ground Truth table of ADEs. Our implementation leverages the Langroid multi-agent LLM framework and can be found at https://github.com/jihyechoi77/malade.

چکیده به فارسی (ترجمه ماشینی)

در دوره مدل های بزرگ زبان (LLM) ، با توجه به درک قابل توجه متن و توانایی های تولید آنها ، فرصتی بی سابقه برای توسعه روشهای جدید و مبتنی بر LLM برای سنتز دانش پزشکی قابل اعتماد ، استخراج و خلاصه وجود دارد.در این مقاله به مسئله داروسازی (PHV) می پردازیم ، جایی که اهمیت و چالش ها در شناسایی عوارض جانبی دارویی (ADE) از منابع متنی متنوع ، مانند ادبیات پزشکی ، نت های بالینی و برچسب های دارویی نهفته است.متأسفانه ، این کار توسط عواملی از جمله تغییرات در اصطلاحات داروها و نتایج مانع شده است ، و توصیفات ADE اغلب در مقادیر زیادی از متن روایی دفن می شود.ما Malade را ارائه می دهیم ، اولین سیستم مؤثر چند عامل مؤثر که توسط LLM با تولید تقویت شده بازیابی برای استخراج ADE از داده های برچسب دارویی استفاده می شود.این تکنیک شامل افزایش پرس و جو به LLM با اطلاعات مربوطه استخراج شده از منابع متنی و آموزش LLM برای ایجاد پاسخی مطابق با داده های افزوده است.Malade یک معماری عمومی LLM-AGNOSTIC است و قابلیت های منحصر به فرد آن عبارتند از: (1) استفاده از انواع منابع خارجی ، مانند ادبیات پزشکی ، برچسب های دارویی و ابزارهای FDA (به عنوان مثال ، API اطلاعات مربوط به مواد مخدر OpenFDA) ، (2) استخراج دارو-ارتباط در یک قالب ساختاری به همراه قدرت انجمن ، و (3) ارائه توضیحات برای انجمن های تأسیس.با استفاده از داده های برچسب داروی GPT-4 Turbo یا GPT-4O و FDA ، Malade اثربخشی خود را با منطقه ای تحت منحنی ROC 0.90 در برابر جدول حقیقت زمین OMOP از ADE نشان می دهد.اجرای ما از چارچوب LLM Langroid Multi-Agent LLM استفاده می کند و می توانید در https://github.com/jihyechoi77/malade پیدا کنید.