Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
CEHR-XGPT: Mô hình nền tảng đa nhiệm có khả năng mở rộng cho hồ sơ sức khỏe điện tử
Created by
Haebom
Tác giả
Chao Pang, Jiheum Park, Xinzhuo Jiang, Nishanth Parameshwar Pavinkurve, Krishna S. Kalluri, Shalmali Joshi, No emie Elhadad, Karthik Natarajan
Phác thảo
CEHR-XGPT là một mô hình nền tảng đa năng cho dữ liệu hồ sơ sức khỏe điện tử (EHR), tích hợp ba khả năng thiết yếu—biểu diễn đặc điểm, dự đoán zero-shot và tạo dữ liệu tổng hợp—vào một kiến trúc duy nhất. Để hỗ trợ suy luận theo thời gian trên các chuỗi lâm sàng, mô hình này tích hợp một khuôn khổ học tập dựa trên mã thông báo thời gian mới, mã hóa rõ ràng diễn biến thời gian động của bệnh nhân vào cấu trúc mô hình. Mô hình này thể hiện hiệu suất mạnh mẽ trên cả ba tác vụ và có khả năng khái quát hóa hiệu quả sang các tập dữ liệu bên ngoài thông qua việc mở rộng vốn từ vựng và tinh chỉnh. Tính linh hoạt này cho phép phát triển mô hình, khám phá nhóm và dự đoán kết quả bệnh nhân nhanh chóng mà không cần đào tạo lại theo từng tác vụ cụ thể.
Takeaways, Limitations
•
Takeaways:
◦
Chúng tôi trình bày một mô hình cơ sở mục đích chung cho dữ liệu EHR, tăng khả năng ứng dụng của nó vào nhiều nhiệm vụ khác nhau.
◦
Một khuôn khổ học tập dựa trên mã thông báo thời gian mới cho lý luận thời gian được trình bày.
◦
Tăng hiệu quả phát triển mô hình bằng cách tích hợp khả năng dự đoán zero-shot và tạo dữ liệu tổng hợp.
◦
Thể hiện khả năng khái quát hóa cho các tập dữ liệu bên ngoài.
•
Limitations:
◦
Bài báo này không đề cập cụ thể đến Limitations. Cần nghiên cứu thêm để giải quyết các vấn đề tiềm ẩn về sai lệch dữ liệu, khả năng diễn giải và đạo đức có thể phát sinh khi áp dụng trong bối cảnh lâm sàng thực tế.
