Generatyvusis dirbtinis intelektas (AI), pvz., GPT-4, gali padėti prognozuoti, ar skubios pagalbos skyriaus pacientą reikia paguldyti į ligoninę, net ir turint tik minimalų mokymą apie ribotą įrašų skaičių, teigia Icahn medicinos mokyklos tyrėjai. Sinajaus kalnas.
Išsami informacija apie tyrimą buvo paskelbta gegužės 21 d Amerikos medicinos informatikos asociacijos žurnalas darbe, pavadintame „Moderniausio didelės kalbos modelio, skirto prognozuoti priėmimą iš skubios pagalbos skyriaus, tikslumo įvertinimas”.
Retrospektyviniame tyrime mokslininkai išanalizavo septynių Sinajaus kalno sveikatos sistemos ligoninių įrašus, naudodamiesi struktūriniais duomenimis, pvz., gyvybiškai svarbiais požymiais, ir nestruktūrizuotus duomenis, tokius kaip slaugytojų klasifikavimo užrašai, iš daugiau nei 864 000 apsilankymų greitosios medicinos pagalbos skyriuje, neįtraukdami identifikuojamų pacientų duomenų. Iš šių apsilankymų 159 857 (18,5 %) pacientas buvo paguldytas į ligoninę.
Tyrėjai palygino GPT-4 su tradiciniais mašininio mokymosi modeliais, tokiais kaip Bio-Clinical-BERT tekstui ir XGBoost struktūriniams duomenims įvairiuose scenarijuose, įvertindami jo efektyvumą, kad būtų galima numatyti hospitalizavimą atskirai ir kartu su tradiciniais metodais.
„Mus paskatino poreikis išbandyti, ar generatyvinis AI, ypač didelių kalbų modeliai (LLM), tokie kaip GPT-4, gali pagerinti mūsų gebėjimą numatyti priėmimą didelės apimties vietose, pvz., Greitosios pagalbos skyriuje“, – sako vienas iš vyresniųjų autorių Eyalas. Klangas, medicinos mokslų daktaras, Icahn Mount Sinai Duomenimis pagrįstos ir skaitmeninės medicinos skyriaus (D3M) generuojamojo dirbtinio intelekto tyrimų programos direktorius.
„Mūsų tikslas yra pagerinti klinikinių sprendimų priėmimą naudojant šią technologiją. Buvome nustebinti, kaip gerai GPT-4 prisitaikė prie ER nustatymo ir pateikė savo sprendimų motyvus. Ši galimybė paaiškinti savo loginį pagrindą išskiria jį iš tradicinių modelių ir atveria naujų AI būdų priimant medicininius sprendimus.
Nors tradiciniuose mašininio mokymosi modeliuose mokymams naudojami milijonai įrašų, LLM gali efektyviai mokytis iš kelių pavyzdžių. Be to, pasak tyrėjų, LLM gali įtraukti tradicines mašininio mokymosi prognozes ir pagerinti našumą
„Mūsų tyrimai rodo, kad dirbtinis intelektas netrukus galėtų padėti gydytojams skubios pagalbos skyriuose, priimdamas greitus, pagrįstus sprendimus dėl pacientų priėmimo. Šis darbas atveria duris tolimesnėms sveikatos priežiūros dirbtinio intelekto naujovėms, skatinant kurti modelius, kurie galėtų pagrįstai ir mokytis iš ribotų duomenų. kaip ir žmonių ekspertai“, – sako vienas iš vyresniųjų autorių Girishas N. Nadkarni, MD, MPH, Irene ir dr. Arthuras M. Fishbergas, Icahn Mount Sinai medicinos profesorius, Charleso Bronfmano personalizuotos medicinos instituto direktorius ir sistemos vadovas. D3M.
„Tačiau, nors rezultatai teikia vilčių, technologija vis dar atlieka pagalbinį vaidmenį, pagerindama sprendimų priėmimo procesą, suteikdama papildomų įžvalgų, o ne perimdama žmogiškąjį sveikatos priežiūros komponentą, kuris išlieka labai svarbus.
Mokslininkų grupė tiria, kaip taikyti didelius kalbinius modelius sveikatos priežiūros sistemoms, siekdama juos harmoningai integruoti su tradiciniais mašininio mokymosi metodais, kad būtų galima spręsti sudėtingus iššūkius ir priimti sprendimus realiu laiku klinikinėje aplinkoje.
„Mūsų tyrimas informuoja, kaip LLM gali būti integruoti į sveikatos priežiūros operacijas. Galimybė greitai apmokyti LLM išryškina jų potencialą suteikti vertingų įžvalgų net ir tokiose sudėtingose aplinkose kaip sveikatos priežiūra”, – sako Brendanas Carras, MD, MA, MS, bendradarbis. autorius ir skubios pagalbos skyriaus gydytojas, Sinajaus kalno sveikatos sistemos vyriausiasis vykdomasis pareigūnas.
„Mūsų tyrimas sudaro sąlygas tolesniems AI integravimo sveikatos priežiūros tyrimams daugelyje diagnostikos, gydymo, veiklos ir administracinių užduočių, kurias reikia nuolat optimizuoti, srityse.