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.
Cet article offre un aperçu complet des avancées récentes à l'intersection de l'apprentissage profond, des grands modèles de langage (LLM) et de la modélisation des dossiers médicaux électroniques (DME). Pour relever les défis uniques que représentent l'hétérogénéité, l'irrégularité temporelle et la spécificité du domaine des données des DME, nous présentons une taxonomie intégrée couvrant cinq dimensions majeures de conception : les approches axées sur les données, la conception d'architectures de réseaux neuronaux, les stratégies axées sur l'apprentissage, l'apprentissage multimodal et les systèmes de modélisation basés sur les LLM. Nous passons en revue des méthodes représentatives qui traitent de l'amélioration de la qualité des données, de la représentation structurelle et temporelle, de l'apprentissage auto-supervisé et de l'intégration aux connaissances cliniques. Nous mettons également en évidence les tendances émergentes telles que les modèles de base, les agents cliniques basés sur les LLM et les transformations de DME en texte pour l'inférence ultérieure. Enfin, nous abordons les défis ouverts tels que l'analyse comparative, l'explicabilité, la cohérence clinique et la généralisation à divers contextes cliniques, et nous visons à fournir une feuille de route structurée pour l'avancement de la modélisation des DME basée sur l'IA et de l'aide à la décision clinique. Une liste complète des méthodes liées aux DME est disponible dans https://survey-on-tabular-data.github.io/ .
Nous présentons un aperçu complet du potentiel de l’apprentissage profond et du LLM pour l’analyse et la modélisation des données EHR.
◦
Il fournit une taxonomie intégrée de cinq dimensions : approche axée sur les données, architecture de réseau neuronal, stratégie d'apprentissage, apprentissage multimodal et modélisation basée sur le LLM.
◦
Nous introduisons de nouvelles tendances telles que les modèles fondamentaux, les agents cliniques basés sur le LLM, la conversion du DSE en texte, etc.
◦
Nous présentons une feuille de route pour faire progresser la modélisation des DSE basée sur l’IA et l’aide à la décision clinique.
•
Limitations:
◦
Bien qu’il identifie explicitement les défis à relever, tels que l’analyse comparative, l’explicabilité, la cohérence clinique et la généralisabilité dans tous les contextes cliniques, il n’offre pas de solutions spécifiques.
◦
On ne sait pas clairement dans quelle mesure le contenu du lien fourni ( https://survey-on-tabular-data.github.io/) est pertinent par rapport au contenu de cet article.
◦
Une validation supplémentaire de l’exhaustivité et de l’exactitude du système de classification présenté dans l’article est nécessaire.
