MétaCan
Menu
Retour à la cohorte
Enregistrement W4412163857 · doi:10.1158/1557-3265.aimachine-b012

Abstract B012: Prompting Large Language Models to Predict Adverse Events during Cancer Treatment

2025· article· en· W4412163857 sur OpenAlexaffabout
Wayne Isaac T. Uy, Galileo Arturo Gonzalez Conchas, Jiang Chen He, Muammar Kabir, Baijiang Yuan, Geoffrey Liu, Sharon Narine, Melanie Powis, Benjamin Grant, Mattea Welch, Tran Truong, Robert C. Grant

Notice bibliographique

RevueClinical Cancer Research · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueArtificial Intelligence in Healthcare
Établissements canadiensUniversity Health NetworkPrincess Margaret Cancer Centre
Organismes subventionnairesnon disponible
Mots-clésAdverse effectCancerMedicineIntensive care medicineOncologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Abstract Background: Large language models (LLMs) excel on standardized oncology exams; however, their broader clinical utility remains unclear. LLMs are easy to use through “prompting.” For example, a doctor or patient can provide a clinical note and ask about the probability of an adverse event (AE). Current AE prediction relies on machine learning using tabular data, which requires substantial engineering to adapt to specific tasks and settings, making them costly and less generalizable. We compared prompting LLMs against tabular ML models to predict AEs during systemic cancer therapy. Materials an. Methods: Patients with aerodigestive cancers at Princess Margaret Cancer Centre who received their first systemic therapy from 2008 to 2015 formed the development set, and from 2016 to 2018 formed the test set. We evaluated different prompting strategies with open-source LLMs using the de-identified consult and most recent pre-treatment note from each patient to predict the risk of clinical, symptom, and laboratory AEs. An ensemble of ML models was trained on tabular electronic health record data for comparison. We measured performance with the area under the receiver-operating characteristic curve (AUC). Using an established schema, an oncologist reviewed the text-based justifications from 20 random LLM predictions. Results The cohort included 6,381 patients. Notes had a median token length of 1,737 (range 137-7,795). The LLM Qwen 2.5 14B achieved the best AUC across 14 of 19 AEs in the development set. The larger 14B model outperformed the 7B model on all targets (p = 4e-5). Among prompting strategies, no benefit was observed with the oncologist versus AI model persona (p = 0.21), chain-of-thought reasoning (p = 0.23), or concatenating tabular data to notes (p = 0.42). In the test cohort, LLMs and tabular ML showed equivalent performance for some AEs, such as death within 30 days (LLM AUC: 0.73 [95% CI 0.66, 0.80], versus [v.] ML: 0.74 [0.67, 0.81], p = 0.89) and hyperbilirubinemia (0.79 [0.72, 0.86] v. 0.78 [0.70, 0.85], p = 0.77). For other AEs, performance was numerically similar, such as death in one year (0.72 [0.70, 0.74] v. 0.76 [0.73, 0.78], p = 0.02) and anemia (0.78 [0.75, 0.80] v. 0.82 [0.8, 0.84], p = 0.01). LLMs performed worse for symptom-related AEs, such as pain (0.48 [0.44, 0.53] v. 0.69 [0.65, 0.74], p = 1e-11) and tiredness (0.49 [0.45, 0.52] v. 0.69 [0.65, 0.72], p = 2e-14). The oncologist deemed LLM justifications satisfactory across all dimensions for at least 90% of predictions, except that 20% had factual consistency errors. Conclusion: Prompting LLMs performed similarly to engineered tabular ML models for predicting several AEs, despite using only raw text from notes. Better performance with larger models suggests the gap between LLMs and ML models may continue to narrow. This work lays the foundation for using LLMs as general-purpose clinical decision-support tools for cancer care. Citation Format: Wayne Isaac T. Uy, Galileo Arturo Gonzalez Conchas, Jiang Chen He, Muammar Kabir, Baijiang Yuan, Geoffrey Liu, Sharon Narine, Melanie Powis, Benjamin Grant, Mattea Welch, Tran Truong, Robert Grant. Prompting Large Language Models to Predict Adverse Events during Cancer Treatment [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Artificial Intelligence and Machine Learning; 2025 Jul 10-12; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(13_Suppl):Abstract nr B012.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,071
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,599
Tête enseignante GPT0,700
Écart entre enseignants0,101 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueClinical Cancer ResearchMême sujetArtificial Intelligence in HealthcareTravaux en français237 207