यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
यह शोधपत्र हेल्थकेयर एजेंट ऑर्केस्ट्रेटर (HAO) प्रस्तुत करता है, जो एक बड़े पैमाने के भाषा मॉडल (LLM) पर आधारित एक चिकित्सा कृत्रिम बुद्धिमत्ता एजेंट है, जो बहु-विषयक ऑन्कोलॉजी सम्मेलनों (MTB) में प्रयुक्त रोगी सारांश निर्माण की दक्षता और सटीकता में सुधार करता है। HAO सटीक और व्यापक रोगी सारांश तैयार करने के लिए बहु-एजेंट नैदानिक कार्यप्रवाहों का संचालन करता है। यह पारंपरिक मैनुअल विधियों में निहित श्रम-गहनता, व्यक्तिपरकता और महत्वपूर्ण जानकारी के लोप को संबोधित करता है। इसके अलावा, हम TBFact का प्रस्ताव करते हैं, जो उत्पन्न सारांशों की पूर्णता और संक्षिप्तता का आकलन करने के लिए एक नवीन मूल्यांकन ढाँचा है। यह "मॉडल-निर्णायक" दृष्टिकोण संवेदनशील नैदानिक डेटा साझा किए बिना मूल्यांकन को सक्षम बनाता है। प्रायोगिक परिणाम दर्शाते हैं कि रोगी इतिहास एजेंट ने 94% महत्वपूर्ण जानकारी प्राप्त की, और TBFact ने 0.84 का रिकॉल प्राप्त किया।
____T9022_____, ____T9023_____
•
Takeaways:
◦
एलएलएम-आधारित एचएओ एमटीबी रोगी सारांश निर्माण प्रक्रिया की दक्षता और सटीकता में सुधार कर सकता है।
◦
टीबीफैक्ट संवेदनशील डेटा साझा किए बिना रोगी सारांश की पूर्णता और संक्षिप्तता का आकलन करने के लिए एक नया मूल्यांकन ढांचा प्रदान करता है।
◦
HAO और TBFact, MTB के लिए विश्वसनीय और स्केलेबल समर्थन हेतु एक ठोस आधार प्रदान करते हैं।
•
Limitations:
◦
टीबीफैक्ट के मूल्यांकन मानदंड परिपूर्ण नहीं हो सकते हैं, तथा विभिन्न शैलियों, क्रम, समानार्थी शब्दों के प्रयोग, तथा वाक्यांशविज्ञान में अंतर के कारण सटीक मूल्यांकन कठिन हो सकता है।
◦
वर्तमान में, मूल्यांकन एक विशिष्ट अस्पताल के डेटासेट पर आधारित है, इसलिए अन्य डेटासेटों के लिए सामान्यीकरण प्रदर्शन निर्धारित करने के लिए आगे अनुसंधान की आवश्यकता है।
◦
HAO के व्यावहारिक नैदानिक अनुप्रयोग के लिए अतिरिक्त सत्यापन और सुरक्षा मूल्यांकन की आवश्यकता है।
