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.
Prédiction d'événements médicaux sans risque à l'aide d'un transformateur génératif pré-entraîné sur les dossiers médicaux électroniques
Created by
Haebom
Auteur
Ekaterina Redekop, Zichen Wang, Rushikesh Kulkarni, Mara Pleasure, Aaron Chin, Hamid Reza Hassanzadeh, Brian L. Hill, Melika Emami, William Speier, Corey W. Arnold
Contour
Cet article présente la première analyse complète d'une approche de prédiction « zero-shot » qui exploite les données longitudinales des dossiers médicaux électroniques (DME) pour prédire les événements médicaux futurs. Nous présentons un nouveau pipeline formalisant la prédiction de concepts médicaux sous forme de modélisation générative à l'aide de modèles de base pré-entraînés basés sur GPT. Contrairement aux approches d'apprentissage supervisé qui nécessitent des données étiquetées volumineuses, notre approche permet de prédire les événements médicaux futurs en utilisant uniquement des connaissances pré-entraînées. Nous évaluons les performances sur plusieurs fenêtres temporelles et catégories cliniques, démontrant que le modèle peut capturer les dépendances temporelles potentielles et les trajectoires complexes des patients sans supervision de tâche. Nous démontrons la capacité du modèle GPT de base du DME à capturer divers phénotypes et à prédire de manière fiable les résultats cliniques grâce à la prédiction « zero-shot », avec une précision moyenne de 0,614 et un rappel de 0,524. Nous démontrons une performance « zero-shot » robuste, avec de faibles taux de faux positifs tout en maintenant des taux de vrais positifs élevés pour 12 pathologies diagnostiques clés.
Takeaways, Limitations
•
Takeaways:
◦
Démonstration du potentiel de prédiction d’événements médicaux sans risque à l’aide des données du DSE.
◦
Fournit un modèle de prédiction plus efficace et évolutif que les méthodes d’apprentissage supervisé conventionnelles.
◦
Obtenez des performances prédictives robustes dans une variété de catégories cliniques et de fenêtres temporelles.
◦
Améliorer la diversité des modèles de santé prédictifs dans les contextes cliniques et réduire le besoin de formation spécifique aux tâches.
•
Limitations:
◦
Manque de discussion sur des Limitations spécifiques (non explicitement mentionnés dans le document)
◦
Des recherches supplémentaires sont nécessaires sur la généralisabilité des performances du zero-shot.
◦
Une évaluation des performances sur divers ensembles de données EHR est nécessaire.
◦
Des recherches supplémentaires sont nécessaires pour déterminer l’interprétabilité et la fiabilité du modèle.
