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.
Predicción de eventos médicos sin disparos mediante un transformador generativo preentrenado en registros médicos electrónicos
Created by
Haebom
Autor
Ekaterina Redekop, Zichen Wang, Rushikesh Kulkarni, Mara Pleasure, Aaron Chin, Hamid Reza Hassanzadeh, Brian L. Hill, Melika Emami, William Speier, Corey W. Arnold
Describir
Este artículo presenta el primer análisis exhaustivo de un enfoque de predicción de cero disparos que aprovecha datos longitudinales de historias clínicas electrónicas (HCE) para predecir eventos médicos futuros. Presentamos un novedoso proceso que formaliza la predicción de conceptos médicos como una tarea de modelado generativo utilizando modelos de referencia preentrenados basados en GPT. A diferencia de los enfoques de aprendizaje supervisado que requieren una gran cantidad de datos etiquetados, nuestro enfoque permite la predicción de eventos médicos futuros utilizando únicamente el conocimiento preentrenado. Evaluamos el rendimiento en múltiples ventanas de tiempo y categorías clínicas, demostrando que el modelo puede capturar posibles dependencias temporales y trayectorias complejas de pacientes sin supervisión de tareas. Demostramos la capacidad del modelo de referencia EHR GPT para capturar diversos fenotipos y predecir robustamente los resultados clínicos con predicción de cero disparos, logrando una precisión promedio de 0,614 en el top-1 y una recuperación de 0,524. Demostramos un rendimiento robusto de cero disparos, logrando bajas tasas de falsos positivos y manteniendo altas tasas de verdaderos positivos para 12 afecciones diagnósticas clave.
Takeaways, Limitations
•
Takeaways:
◦
Demostración del potencial de la predicción de eventos médicos de cero impacto utilizando datos de EHR.
◦
Proporciona un modelo de predicción más eficiente y escalable que los métodos de aprendizaje supervisado convencionales.
◦
Logre un desempeño predictivo sólido en una variedad de categorías clínicas y ventanas de tiempo.
◦
Mejorar la diversidad de modelos predictivos de salud en entornos clínicos y reducir la necesidad de capacitación específica para cada tarea.
•
Limitations:
◦
Falta de discusión de Limitations específico (no mencionado explícitamente en el documento)
◦
Se necesitan más investigaciones sobre la generalización del rendimiento de cero disparos.
◦
Es necesaria una evaluación del rendimiento en varios conjuntos de datos de EHR.
◦
Se necesitan más investigaciones para determinar la interpretabilidad y confiabilidad del modelo.
