Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Foundation Model of Electronic Medical Records for Adaptive Risk Estimation

Created by
  • Haebom

저자

Pawel Renc, Michal K. Grzeszczyk, Nassim Oufattole, Deirdre Goode, Yugang Jia, Szymon Bieganski, Matthew B. A. McDermott, Jaroslaw Was, Anthony E. Samir, Jonathan W. Cunningham, David W. Bates, Arkadiusz Sitek

개요

본 논문은 기존의 정적이고 고정된 임계값을 사용하는 초기 경고 시스템(NEWS, MEWS)의 한계를 극복하기 위해, 환자 건강 시간 경과(PHT)를 토큰화하여 transformer 기반 아키텍처를 사용하는 AI 모델인 ETHOS를 개발하고, 이를 활용하여 동적이고 개인화된 위험 확률을 계산하는 적응형 위험 추정 시스템(ARES)을 제시합니다. ARES는 임상의가 정의한 중요한 사건에 대한 동적이고 개인화된 위험 확률을 계산하며, 환자 특이적 위험 요인을 강조하는 개인화된 설명 가능성 모듈도 포함하고 있습니다. MIMIC-IV v2.2 데이터셋을 사용하여 ARES을 평가한 결과, 기존 초기 경고 시스템 및 최신 머신러닝 모델보다 입원, 중환자실 입원 및 장기 입원 예측에서 우수한 AUC 점수를 달성했습니다. 인구 통계적 하위 집단 전반에서 견고한 위험 추정치를 보였으며, 보정 곡선은 모델의 신뢰성을 확인했습니다. 설명 가능성 모듈은 환자 특이적 위험 요인에 대한 귀중한 통찰력을 제공했습니다.

시사점, 한계점

시사점:
기존 초기 경고 시스템보다 정확도가 높은 동적이고 개인화된 위험 예측 시스템을 제시.
환자 특이적 위험 요인을 설명하는 모듈을 통해 의사의 의사결정 지원.
ETHOS 모델의 우수한 성능과 견고성을 입증.
소스 코드 공개를 통한 향후 연구 활성화.
한계점:
실제 임상 환경에서의 ARES 유용성 검증 필요.
임상적 영향에 대한 불확실성 존재.
👍