زيادة دقة التنبؤ بالوفيات داخل المستشفيات باستخدام تعلم متعدد التمثيلات مع ملخصات الخبراء التي تولدها نماذج اللغات الضخمة!

في دراسة حديثة، تم تسليط الضوء على استخدام إطار متعدد التمثيلات يعتمد على نماذج اللغات الضخمة (LLM) لتحسين التنبؤ بالوفيات داخل المستشفيات (IHM). هذه الدراسة تستخدم بيانات من قاعدة بيانات MIMIC-III، التي تشمل تفاصيل أكثر من 19,000 حالة إقامة في وحدة العناية المركزة (ICU) مع معدل وفيات وصل إلى 12.83%.

تم دمج الملخصات التي تولدها نماذج اللغات الضخمة مع بيانات الفسيولوجيا السريرية التي تم الحصول عليها على مدى 48 ساعة. واستُخدمت عدة طرق لتقييم التكرارية، بما في ذلك استرجاع الانحدار وانتقادات خطية، لتحديد مقدار التحسن الذي يمكن تحقيقه عند دمج الملخصات مع الملاحظات الصحية.

نتائج الدراسة أظهرت أن الدمج أدى إلى تحسن كبير في مقاييس الأداء، حيث وصل AUPRC إلى 0.4977 وAUROC إلى 0.8429، مقارنةً بـ 0.3625 و0.7770 لبيانات الفسيولوجيا فقط. ومع ذلك، وجد الباحثون أن النسبة الكبيرة من هذا التحسن كانت نتيجة لإعادة تنظيم المعلومات الموجودة بالفعل في الملاحظات السريرية.

هذه النتائج لا تفتح فقط آفاق جديدة في تحسين دقة التنبؤ، بل تشجع الدراسات المستقبلية على استكشاف المزيد من التطبيقات لنماذج اللغات الضخمة في المجالات الطبية. كيف تتابعون تقدم هذه التكنولوجيا في تحسين الرعاية الصحية؟ شاركونا آرائكم في التعليقات!