Robust Privacy Amidst Innovation with Large Language Models Through a Critical Assessment

本文是LLM系列文章，针对《Robust Privacy Amidst Innovation with Large Language Models Through a Critical Assessment of the Risks》的翻译。

摘要

目的
本研究评估电子健康记录 （EHR） 和自然语言处理 （NLP） 与大型语言模型 （LLM） 的集成，以增强医疗保健数据管理和患者护理，重点是使用高级语言模型为全球生物医学研究创建安全、符合 HIPAA 标准的合成患者记录。
材料和方法
该研究利用 GPT-3.5、GPT-4 和 Mistral 7B 的 MIMIC III 数据集的原始去标识化和重新标识（即重新填充）版本来生成合成临床记录。文本生成使用模板和关键字提取来生成上下文相关的合成注释，并使用一次性生成进行比较分析。隐私评估包括 PHI 的发生和共存。在 ICD-9 编码任务中评估文本效用，使用合成笔记训练 ICD-9 编码员。此外，使用 ROUGE 和余弦相似性指标进行文本质量评估，将合成注释与源注释进行比较，以测量语义相似性。
结果和讨论
通过 ICD-9 编码任务对 PHI 发生和文本效用的分析表明，基于关键字的方法风险低，性能好。单次生成显示最