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.
CEHR-XGPT: Un modelo escalable multitarea para la gestión de historiales clínicos electrónicos
Created by
Haebom
Autor
Chao Pang, Jiheum Park, Xinzhuo Jiang, Nishanth Parameshwar Pavinkurve, Krishna S. Kalluri, Shalmali Joshi, No emie Elhadad, Karthik Natarajan
Describir
CEHR-XGPT es un modelo básico de propósito general para datos de historias clínicas electrónicas (HCE), que integra tres capacidades esenciales: representación de características, predicción de cero disparos y generación de datos sintéticos en una única arquitectura. Para facilitar la inferencia temporal en secuencias clínicas, incorpora un novedoso marco de aprendizaje temporal basado en tokens que codifica explícitamente la evolución temporal dinámica del paciente en la estructura del modelo. Demuestra un rendimiento robusto en las tres tareas y se generaliza eficazmente a conjuntos de datos externos mediante la expansión de vocabulario y el ajuste fino. Esta versatilidad permite un rápido desarrollo de modelos, el descubrimiento de cohortes y la predicción de resultados del paciente sin necesidad de reentrenamiento específico para cada tarea.
Takeaways, Limitations
•
Takeaways:
◦
Presentamos un modelo base de propósito general para datos EHR, aumentando su aplicabilidad a diversas tareas.
◦
Se presenta un nuevo marco de aprendizaje basado en tokens temporales para el razonamiento temporal.
◦
Aumente la eficiencia del desarrollo de modelos integrando capacidades de predicción de disparo cero y generación de datos sintéticos.
◦
Demostrar generalización a conjuntos de datos externos.
•
Limitations:
◦
Este artículo no aborda específicamente Limitations. Se requiere más investigación para abordar el posible sesgo de datos, la interpretabilidad y los problemas éticos que puedan surgir al aplicarlos en entornos clínicos reales.
