Transformer-Sprachmodelle erkennen Medikamentennamen-Tippfehler besser als Wörterbücher und GPT-4
Von KI ausgewählt und zusammengefasst
Worum es geht
Entwicklung und Validierung von BERT-basierten Modellen (BERTDrug, CharBERTDrug) für Erkennung von Schreibfehlern in Medikamentennamen; Training auf RxNorm-Corpus (69.824 Namen), externe Validierung auf Long-Term-Care-Datenbank (LTCDC, 3.586 Namen), Vergleich mit Dictionary-Baseline und GPT-4o.
Ergebnis
BERTDrug F1-Score 0,859 (RxNorm-Test), CharBERTDrug F1 0,696 auf Out-of-Vocabulary-LTCDC-Daten (ROC-AUC 0,788). Beide übertroffen GPT-4o auf RxNorm-Test (GPT: F1 0,721); auf LTCDC-Minority-Terms (200) GPT besser. Superior für unbekannte Begriffe; Domain-Shift reduziert Vorteil von Domänen-Training.
Übertragbarkeit auf Deutschland
USA-Studie mit RxNorm-Vokabular; Methode auf deutsche Arzneimittel-Nomenklaturen übertragbar
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.