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.
CEHR-XGPT : un modèle de base multitâche évolutif pour les dossiers médicaux électroniques
Created by
Haebom
Auteur
Chao Pang, Parc Jiheum, Xinzhuo Jiang, Nishanth Parameshwar Pavinkurve, Krishna S. Kalluri, Shalmali Joshi, No emie Elhadad, Karthik Natarajan
Contour
CEHR-XGPT est un modèle de base polyvalent pour les données de dossiers médicaux électroniques (DME). Il intègre trois fonctionnalités essentielles : représentation des caractéristiques, prédiction zéro-coup et génération de données synthétiques, au sein d'une architecture unique. Pour prendre en charge l'inférence temporelle sur les séquences cliniques, il intègre un nouveau cadre d'apprentissage basé sur des jetons temporels qui code explicitement l'évolution temporelle dynamique du patient dans la structure du modèle. Il affiche des performances robustes sur les trois tâches et se généralise efficacement aux jeux de données externes grâce à l'enrichissement et au réglage fin du vocabulaire. Cette polyvalence permet un développement rapide du modèle, la découverte de cohortes et la prédiction des résultats pour les patients, sans réapprentissage spécifique à la tâche.
Takeaways, Limitations
•
Takeaways:
◦
Nous présentons un modèle de base à usage général pour les données EHR, augmentant son applicabilité à diverses tâches.
◦
Un nouveau cadre d’apprentissage basé sur des jetons temporels pour le raisonnement temporel est présenté.
◦
Augmentez l'efficacité du développement de modèles en intégrant des capacités de prédiction zéro coup et de génération de données synthétiques.
◦
Démontrer la généralisabilité à des ensembles de données externes.
•
Limitations :
◦
Cet article ne traite pas spécifiquement de Limitations. Des recherches supplémentaires sont nécessaires pour traiter les biais potentiels des données, leur interprétabilité et les problèmes éthiques qui peuvent survenir lors de leur application en contexte clinique réel.
