Computer assisted verbal autopsy: comparing large language models to physicians for assigning causes to 6939 deaths in Sierra Leone from 2019–2022
Notice bibliographique
Résumé
BACKGROUND: Verbal autopsies (VAs) collect information on deaths in low and middle-income countries occurring outside healthcare facilities to estimate causes of death (CODs) for use in epidemiological or planning studies. Physician coding of VAs focused on the narrative of deaths and past symptoms is current best practice. Large language models (LLM) such as GPT-5 enable possible use of the narrative portion of VAs to assign CODs. However, there are few if any robust comparisons of LLMs to physician coding. METHODS: We analyzed 6,939 VA records from a random sample of deaths in Sierra Leone (2019-2022) to compare five models: three LLMs (GPT-3.5, GPT-4, GPT-5) and two based on symptom algorithms (InterVA-5, InSilicoVA), against physician-assigned CODs. GPT models used narratives, whereas InterVA-5 and InSilicoVA relied on questionnaires. CODs were grouped into 19, 10, and 7 categories for adult, child, and neonatal deaths. We used cause specific mortality fraction (CSMF) accuracy and partial chance corrected concordance (PCCC) to assess population and individual-level agreement respectively, compared to the standard of physician coding. We stratified analyses by age group as CODs vary among neonates, children and adults. RESULTS: Overall, GPT-5 outperformed all models (PCCC = 0.71), followed by GPT-4 (0.61), GPT-3.5 (0.56), InSilicoVA (0.44), and InterVA-5 (0.44). GPT-5 achieved the highest performance for adult (0.68), child (0.71), and neonatal (0.65) deaths. Across ages, performance increased from 1 month to 14 years and declined from 15 to 69 years. GPT-5, GPT-4, GPT-3.5, and InSilicoVA achieved the highest PCCC in 14, 7, 7, and 2 of the 30 CODs, respectively. At the population level, GPT-5 achieved the highest CSMF accuracy (0.9), while all other models had comparable performance (0.74-0.79). CONCLUSIONS: GPT models and InSilicoVA showed greater performance for specific CODs at the individual-level. GPT models demonstrated improvements over InterVA-5 and InSilicoVA models. This study provides foundational evidence for integrating LLM and algorithmic models with physician coding to improve the quality of VA data.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».