Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Reconstrucción de trayectorias de sepsis a partir de informes de casos clínicos mediante LLM: el corpus de series temporales textuales para la sepsis

작성자
  • Haebom

Autor

Shahriar Noroozizadeh, Jeremy C. Weiss

Describir

Este artículo presenta un proceso para la extracción y anotación de hallazgos clínicos de registros de pacientes (informes de casos) a lo largo del tiempo mediante modelos de lenguaje a gran escala (LLM) para el análisis de series temporales de datos de atención médica. Construimos un corpus de series temporales de texto de 2139 registros de pacientes con sepsis (Sepsis-3) del subconjunto PubMed Open Access (PMOA) y validamos el sistema mediante comparación con el conjunto de datos I2B2/MIMIC-IV. Utilizando los modelos O1-preview y Llama 3.3 70B Instruct, demostramos una alta tasa de coincidencia de eventos (~0,75) y una concordancia sólida (~0,93). Sin embargo, destacamos las limitaciones de los LLM en la reconstrucción temporal, sugiriendo posibles mejoras mediante la integración multimodal.

Takeaways, Limitations

•
Takeaways:
◦
Demostramos que se pueden utilizar modelos de lenguaje a gran escala para extraer y anotar eficazmente hallazgos clínicos a lo largo del tiempo a partir de registros médicos.
◦
La generación automatizada de series temporales de datos médicos ofrece el potencial de desarrollar análisis médicos y modelos predictivos más sofisticados.
◦
Contribuir a la activación de la investigación médica proporcionando un corpus de series temporales de texto según el tiempo de acceso abierto.
•
Limitations:
◦
Existen limitaciones en las capacidades de reconstrucción temporal de LLM.
◦
Se plantea la necesidad de mejorar el rendimiento mediante la integración de datos multimodales.
◦
Es necesaria una revisión más profunda de la generalización del conjunto de datos utilizado para evaluar el desempeño del modelo.
👍
Slashpage로 제작됨