Onco-Retriever: Generativer Klassifikator zur Rückgewinnung von EHR-Datensätzen in der Onkologie
Ein leistungsfähiger, kompakter Retriever-Modell, das speziell für die Onkologie entwickelt wurde und die Leistung herkömmlicher Embedding-basierter Modelle deutlich übertrifft.
Präzise Extraktion von Beziehungen zwischen Akupunkturpunkten mithilfe großer Sprachmodelle
Große Sprachmodelle wie GPT sind effektiv bei der Extraktion von Beziehungen zwischen Akupunkturpunkten und der menschlichen Anatomie, was die Genauigkeit der Akupunkturpunktlokalisation verbessern und die Qualität der Behandlung, die Behandlungsergebnisse und die Forschung zur Akupunktur fördern kann.
Interpretierbare tiefere Lernarchitekturen für die Vorhersage von Patientenoutcomes in elektronischen Gesundheitsakten
Zwei interpretierbare RNN-basierte Deep-Learning-Architekturen, TA-RNN und TA-RNN-AE, wurden entwickelt, um klinische Outcomes in elektronischen Gesundheitsakten zum nächsten Besuch und mehrere Besuche im Voraus vorherzusagen.
Verantwortungsvoller Einsatz von generativer KI für die Zusammenfassung klinischer Evidenz
Der verantwortungsvolle Einsatz von generativer KI für die Zusammenfassung klinischer Evidenz erfordert die Gewährleistung von Rechenschaftspflicht, Kausalität, Transparenz, Fairness und Generalisierbarkeit, um die Zuverlässigkeit und Vertrauenswürdigkeit der Ergebnisse sicherzustellen.
Effiziente Extraktion von Informationen zur Schweregrad-Einschätzung von Substanzgebrauchsstörungen aus klinischen Notizen mithilfe großer Sprachmodelle
Große Sprachmodelle können effizient Informationen zur Schweregrad-Einschätzung verschiedener Substanzgebrauchsstörungen aus klinischen Notizen extrahieren, was die Risikobewertung und Behandlungsplanung für Patienten mit Substanzgebrauchsstörungen verbessert.
Große Sprachmodelle verstehen medizinische Codes nicht
Große Sprachmodelle (LLMs) verstehen die inhärente Bedeutung von medizinischen Codes, die in der Gesundheitsversorgung weit verbreitet sind, nicht.
Entwicklung und Validierung eines Natural Language Processing-Algorithmus zur Extraktion von Informationen zu physischen Rehabilitationsübungen aus klinischen Notizen
Die Studie entwickelte und evaluierte verschiedene NLP-Algorithmen, um Informationen zu physischen Rehabilitationsübungen aus klinischen Notizen von Schlaganfallpatienten zu extrahieren. Die regel-basierten und Gradient Boosting-Algorithmen zeigten die beste Leistung bei den meisten Konzepten.
Verbesserung der Behandlung von Sepsis durch verstärkte sequenzielle Entscheidungsfindung: Der POSNEGDM-Rahmen mit Mortalitätsklassifikator und Transformer
Der POSNEGDM-Rahmen, der auf einem innovativen Transformer-basierten Modell und einem Feedback-Verstärker basiert, kann die Überlebensrate von Sepsis-Patienten signifikant verbessern, indem er sowohl positive als auch negative Behandlungsverläufe berücksichtigt.
Automatisierte Triage von Patienten in Notaufnahmen durch den Einsatz von Graph-Neuronalen-Netzen
Durch den Einsatz von Graph-Neuronalen-Netzen und Netzwerkwissenschaft kann ein KI-basiertes System entwickelt werden, das Patienten in Notaufnahmen präzise in Dringlichkeitsstufen einteilt und damit die herkömmlichen manuellen Triagesysteme übertrifft.
Automatisierte Triage von Patienten in Notaufnahmen durch den Einsatz von Graph-Neuronalen-Netzen
Durch den Einsatz von Graph-Neuronalen-Netzen kann die Zuweisung von Prioritätscodes für Patienten in Notaufnahmen automatisiert und präziser erfolgen als durch herkömmliche Triage-Methoden.
© 2024 by Linnk AI