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.
Ajuste de modelos fundamentales para codificar diagnósticos a partir de registros sanitarios veterinarios
Created by
Haebom
Autor
Mayla R. Boguslav, Adam Kiehl, David Kott, G. Joseph Strecker, Tracy Webb, Nadia Saklou, Terri Ward, Michael Kirby
Describir
Este artículo destaca la importancia de la codificación clínica mediante terminología médica estandarizada para abordar los desafíos de interoperabilidad de los registros médicos veterinarios, un recurso de datos a gran escala para la investigación clínica veterinaria. En comparación con estudios previos de DeepTag y VetTag que intentaron automatizar la codificación de diagnósticos veterinarios mediante modelos LSTM y Transformer, este estudio incluyó los 7739 códigos de diagnóstico SNOMED-CT reconocidos por el Hospital Veterinario Docente de la Universidad Estatal de Colorado (CSU VTH) y afinó 13 modelos de lenguaje (LM) preentrenados libremente utilizando 246 473 registros de visitas de pacientes veterinarios codificados manualmente del historial clínico electrónico (EHR) del CSU VTH. Los resultados demostraron un rendimiento superior en comparación con estudios previos, y los resultados más precisos se obtuvieron al afinar un LM clínico relativamente grande utilizando datos etiquetados extensos. Sin embargo, demostramos que se pueden lograr resultados similares incluso con recursos limitados y utilizando LM no clínicos. Estos hallazgos contribuyen a mejorar la calidad de los registros médicos electrónicos veterinarios mediante la investigación de métodos accesibles para la codificación automatizada y a la construcción de una base de datos de salud integrada y completa entre especies e instituciones para apoyar la investigación en salud animal y humana.
Takeaways, Limitations
•
Takeaways:
◦
Demostramos que el aprovechamiento de modelos de lenguaje previamente entrenados puede mejorar la precisión de la codificación diagnóstica veterinaria automatizada.
◦
Si bien el mejor rendimiento se logra con grandes conjuntos de datos y LM clínicos grandes, sugerimos que se puede lograr un rendimiento similar con recursos limitados y LM no clínicos.
◦
Contribuir a mejorar la calidad de la HCE veterinaria y a construir una base de datos de salud integrada, interespecie e interinstitucional.
◦
Contribuir a garantizar una base de datos utilizable para la investigación en salud animal y humana.
•
Limitations:
◦
Este estudio se limitó a datos de CSU VTH y se necesita más investigación para determinar la generalización.
◦
Es necesario un análisis más profundo de las diferencias de rendimiento según el tipo y tamaño de LM utilizado.
◦
Se necesitan más investigaciones para determinar la aplicabilidad y generalización a otras instituciones veterinarias y especies.
◦
Se necesita más investigación sobre su aplicación y mantenimiento en entornos clínicos reales.
