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.
Este artículo ofrece una visión general completa de los avances recientes en la intersección del aprendizaje profundo, los modelos de lenguaje extenso (LLM) y el modelado de historias clínicas electrónicas (HCE). Para abordar los desafíos únicos de la heterogeneidad, la irregularidad temporal y la especificidad del dominio de los datos de las historias clínicas electrónicas, presentamos una taxonomía integrada en cinco dimensiones de diseño principales: enfoques basados en datos, diseño de arquitectura de redes neuronales, estrategias basadas en el aprendizaje, aprendizaje multimodal y sistemas de modelado basados en LLM. Revisamos métodos representativos que abordan la mejora de la calidad de los datos, la representación estructural y temporal, el aprendizaje autosupervisado y la integración con el conocimiento clínico, y destacamos tendencias emergentes como los modelos de referencia, los agentes clínicos basados en LLM y las transformaciones de HCE a texto para la inferencia posterior. Finalmente, analizamos los desafíos abiertos como la evaluación comparativa, la explicabilidad, la consistencia clínica y la generalización en diversos entornos clínicos, y nuestro objetivo es proporcionar una hoja de ruta estructurada para el avance del modelado de HCE basado en IA y el soporte de decisiones clínicas. Puede encontrar una lista completa de métodos relacionados con HCE en https://survey-on-tabular-data.github.io/ .
Presentamos una descripción general completa del potencial del aprendizaje profundo y LLM para el análisis y modelado de datos de EHR.
◦
Proporciona una taxonomía integrada de cinco dimensiones: enfoque basado en datos, arquitectura de red neuronal, estrategia de aprendizaje, aprendizaje multimodal y modelado basado en LLM.
◦
Introducimos nuevas tendencias como modelos fundacionales, agentes clínicos basados en LLM, conversión de EHR a texto, etc.
◦
Presentamos una hoja de ruta para avanzar en el modelado de EHR basado en IA y el apoyo a la toma de decisiones clínicas.
•
Limitations:
◦
Si bien identifica explícitamente los desafíos que deben abordarse, como la evaluación comparativa, la explicabilidad, la consistencia clínica y la generalización en distintos entornos clínicos, no ofrece soluciones específicas.
