Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Affiner les modèles fondamentaux pour coder les diagnostics à partir des dossiers médicaux vétérinaires
Created by
Haebom
Auteur
Mayla R. Boguslav, Adam Kiehl, David Kott, G. Joseph Strecker, Tracy Webb, Nadia Saklou, Terri Ward, Michael Kirby
Contour
Cet article souligne l'importance du codage clinique utilisant une terminologie médicale standardisée pour relever les défis d'interopérabilité des dossiers médicaux vétérinaires, une ressource de données à grande échelle pour la recherche clinique vétérinaire. Comparée aux précédentes études DeepTag et VetTag qui tentaient d'automatiser le codage des diagnostics vétérinaires à l'aide des modèles LSTM et Transformer, cette étude a inclus les 7 739 codes de diagnostic SNOMED-CT reconnus par le Centre hospitalier universitaire vétérinaire de l'Université d'État du Colorado (CSU VTH) et a affiné 13 modèles de langage (ML) pré-entraînés librement à partir de 246 473 dossiers de consultations vétérinaires codés manuellement, issus du dossier médical électronique (DME) du CSU VTH. Les résultats ont démontré des performances supérieures à celles des études précédentes, les résultats les plus précis étant obtenus lors de l'affinement d'un ML clinique relativement important à l'aide de données étiquetées exhaustives. Cependant, nous avons démontré que des résultats similaires peuvent être obtenus même avec des ressources limitées et en utilisant des ML non cliniques. Ces résultats contribuent à améliorer la qualité des DSE vétérinaires en étudiant des méthodes accessibles de codage automatique et en créant une base de données de santé intégrée et complète couvrant les espèces et les institutions pour soutenir la recherche en santé animale et humaine.
Takeaways, Limitations_
•
Takeaways:
◦
Nous démontrons que l’utilisation de modèles linguistiques pré-entraînés peut améliorer la précision du codage automatisé des diagnostics vétérinaires.
◦
Bien que les meilleures performances soient obtenues avec de grands ensembles de données et de grands LM cliniques, nous suggérons que des performances similaires peuvent être obtenues avec des ressources limitées et des LM non cliniques.
◦
Contribuer à l’amélioration de la qualité des DSE vétérinaires et à la création d’une base de données de santé intégrée inter-espèces et inter-institutionnelle.
◦
Contribuer à sécuriser une base de données utilisable pour la recherche en santé animale et humaine.
•
Limitations:
◦
Cette étude a été limitée aux données de la CSU VTH, et des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité.
◦
Une analyse plus approfondie des différences de performances en fonction du type et de la taille du LM utilisé est nécessaire.
◦
Des recherches supplémentaires sont nécessaires pour déterminer l’applicabilité et la généralisabilité à d’autres institutions vétérinaires et espèces.
◦
Des recherches supplémentaires sont nécessaires sur son application et son maintien dans des contextes cliniques réels.
