Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Zero-shot Medical Event Prediction Using a Generative Pre-trained Transformer on Electronic Health Records

Created by
  • Haebom

作者

Ekaterina Redekop, Zichen Wang, Rushikesh Kulkarni, Mara Pleasure, Aaron Chin, Hamid Reza Hassanzadeh, Brian L. Hill, Melika Emami, William Speier, Corey W. Arnold

概要

本論文は、電子健康記録（EHR）の終端データを活用して、将来の医療事象を予測するゼロショット予測方式の最初の包括的な分析を提供します。 GPTベースの事前学習された基礎モデルを使用して、医療概念予測を生成モデリングタスクとして定式化する新しいパイプラインを紹介します。膨大なラベル付けされたデータを必要とする地図学習方法とは異なり、本研究の方法は、事前学習の知識だけで次の医療事象を予測できるようにします。複数のタイムゾーンと臨床カテゴリにわたってパフォーマンスを評価することで、モデルが課題の監督なしに潜在的な時間依存性と複雑な患者経路を捉えることができます。様々な表現型を捉え、臨床結果を強力にゼロショット予測できる基礎EHR GPTモデルの能力を実証し、平均上位1個精度0.614および再現率0.524を達成しました。 12の主要な診断条件に対して高い真陽性率を維持しながら低い偽陽性率を達成する強力なゼロショット性能を示しました。

Takeaways、Limitations

•
Takeaways：
◦
EHRデータを活用したゼロショット医療事象予測の可能性を示す。
◦
従来の地図学習方式より効率的でスケーラブルな予測モデルを提供。
◦
様々な臨床カテゴリーと時間帯にわたって堅牢な予測性能を達成。
◦
臨床環境における予測医療モデルの多様性を改善し、作業別訓練の必要性を減らす。
•
Limitations:
◦
具体的なLimitationsの議論の欠如。 (論文で明示的に言及されていない)
◦
ゼロショット性能の一般化の可能性に関するさらなる研究が必要です。
◦
さまざまなEHRデータセットのパフォーマンス評価が必要です。
◦
モデルの解釈の可能性と信頼性に関するさらなる研究の必要性
👍
Made with Slashpage