ابتكار ثوري في الذكاء الاصطناعي: تعلم السياسات المقيدة بالرسوم البيانية لتحسين توقع رموز الرعاية الصحية!

في عالم الطب، يعتبر توقع رموز الرعاية الصحية أحد التحديات الكبرى التي تواجه الأنظمة الصحية، حيث يتمثل التحدي في تحويل ملخصات الخروج غير المنظمة إلى رموز ICD-10-CM في مساحة تسميات متسعة وعميقة. التقليدي، معظم الأنظمة تتعامل مع هذه المهمة كتصنيف متعدد الوسوم، مما يؤدي إلى عدم تقديم إشارات تدريب فعالة للرموز النادرة. ولكن ماذا لو كان هناك طريقة مبتكرة تسمح بتحسين هذه العملية بشكل كبير؟

نقدم لكم "تعلم السياسات المقيدة بالرسوم البيانية"، الذي يشكل توقع رموز ICD كعملية قرار ذات أفق محدود عبر تسلسل هرمي مقطوع. يعتمد هذا الأسلوب على نموذج لغوي واحد يتنقل عبر الرسوم البيانية، مختاراً العقد الصالحة وصولاً إلى الرموز القابلة للفوترة. هذا التحول يُعيد تشكيل توقع الوسوم المتعددة إلى قرارات فرعية هرمية واعية.

في تجربة تم إجراؤها باستخدام ملخصات خروج ميميك-الرابع (MIMIC-IV)، حقق النموذج الأفضل لدينا، المعروف باسم SFT-1+، دقة تصل إلى 0.709 في درجة المايكرو F1 على مجموعة تحكم من 50 رمز، و0.527 في درجة المايكرو F1 في المساحة الكاملة المكونة من 15,761 رمز.

المقارنة مع الأسس التقليدية كشفت تفوقاً واضحاً، حيث تفوق SFT-1+ بأفضل من الأساس التقليدي الأقوى بواقع 0.044 في المايكرو F1 و0.157 في الماكرو F1، مما يشير إلى أن التحليل المقيد بالرسوم البيانية يُخفف من تحديات الرموز النادرة.

تظهر نتائج هذه الدراسة أن تعلم السياسات المقيدة بالرسوم البيانية يمكن أن يتفوق على الحلول الأكثر تعقيدًا، مما يمهّد الطريق لتطبيقات أوسع وأشمل في مجال الرعاية الصحية.

ما رأيكم في هذا التطور الرائع في عالم الذكاء الاصطناعي؟ شاركونا آرائكم وتجاربكم في التعليقات!