यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
स्थिर और निश्चित थ्रेसहोल्ड का उपयोग करने वाली मौजूदा प्रारंभिक चेतावनी प्रणालियों (NEWS, MEWS) की सीमाओं को दूर करने के लिए, यह पेपर अनुकूली जोखिम अनुमान प्रणाली (ARES) प्रस्तुत करता है, जो ETHOS का उपयोग करता है, जो एक AI मॉडल है जो रोगी के स्वास्थ्य समय-पाठ्यक्रम (PHT) को टोकन करता है और गतिशील और व्यक्तिगत जोखिम संभावनाओं की गणना करने के लिए एक ट्रांसफार्मर-आधारित वास्तुकला का उपयोग करता है। ARES चिकित्सक द्वारा परिभाषित महत्वपूर्ण घटनाओं के लिए गतिशील और व्यक्तिगत जोखिम संभावनाओं की गणना करता है और इसमें एक व्यक्तिगत व्याख्यात्मक मॉड्यूल भी शामिल है जो रोगी-विशिष्ट जोखिम कारकों पर जोर देता है। MIMIC-IV v2.2 डेटासेट का उपयोग करते हुए, ARES ने अस्पताल में भर्ती होने, गहन देखभाल इकाई में प्रवेश और दीर्घकालिक अस्पताल में भर्ती होने की भविष्यवाणी करने में मौजूदा प्रारंभिक चेतावनी प्रणालियों और अत्याधुनिक मशीन लर्निंग मॉडल की तुलना में बेहतर AUC स्कोर हासिल किए।
Takeaways, Limitations
•
Takeaways:
◦
हम एक गतिशील और व्यक्तिगत जोखिम पूर्वानुमान प्रणाली प्रस्तुत करते हैं जो मौजूदा प्रारंभिक चेतावनी प्रणालियों की तुलना में अधिक सटीक है।
◦
रोगी-विशिष्ट जोखिम कारकों का वर्णन करने वाले मॉड्यूल के माध्यम से चिकित्सक के निर्णय लेने में सहायता करना।
◦
ETHOS मॉडल के उत्कृष्ट प्रदर्शन और मजबूती का प्रदर्शन।
◦
ओपन सोर्स कोड के माध्यम से भावी अनुसंधान को प्रोत्साहित करना।
•
Limitations:
◦
वास्तविक नैदानिक परिस्थितियों में ARES की उपयोगिता का सत्यापन आवश्यक है।
