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.
Modèle de base des dossiers médicaux électroniques pour l'estimation adaptative des risques
Created by
Haebom
Auteur
Pawel Renc, Michal K. Grzeszczyk, Nassim Oufattole, Deirdre Goode, Yugang Jia, Szymon Bieganski, Matthew BA McDermott, Jaroslaw Was, Anthony E. Samir, Jonathan W. Cunningham, David W. Bates, Arkadiusz Sitek.
Contour
Pour surmonter les limites des systèmes d'alerte précoce existants (NEWS, MEWS) utilisant des seuils statiques et fixes, cet article présente le système adaptatif d'estimation des risques (ARES). Ce système utilise ETHOS, un modèle d'IA qui tokenise l'évolution temporelle de la santé des patients (PHT) et utilise une architecture basée sur des transformateurs pour calculer les probabilités de risque dynamiques et personnalisées. ARES calcule les probabilités de risque dynamiques et personnalisées pour les événements critiques définis par le clinicien et comprend également un module d'explicabilité personnalisé qui met l'accent sur les facteurs de risque spécifiques au patient. En utilisant le jeu de données MIMIC-IV v2.2, ARES a obtenu des scores ASC supérieurs à ceux des systèmes d'alerte précoce existants et des modèles d'apprentissage automatique de pointe pour prédire l'hospitalisation, l'admission en unité de soins intensifs et l'hospitalisation de longue durée. Les estimations de risque étaient robustes dans tous les sous-groupes démographiques, et les courbes d'étalonnage ont confirmé la fiabilité du modèle. Le module d'explicabilité a fourni des informations précieuses sur les facteurs de risque spécifiques au patient.
Takeaways, Limitations
•
Takeaways:
◦
Nous présentons un système de prédiction des risques dynamique et personnalisé qui est plus précis que les systèmes d’alerte précoce existants.
◦
Soutenir la prise de décision des médecins grâce à des modules décrivant les facteurs de risque spécifiques aux patients.
◦
Démontrant les excellentes performances et la robustesse du modèle ETHOS.
◦
Encourager la recherche future grâce au code open source.
•
Limitations:
◦
La validation de l’utilité de l’ARES dans des contextes cliniques réels est nécessaire.
◦
Il existe une incertitude quant à l’impact clinique.
