Stato dell'arte dei modelli di linguaggio medico di grandi dimensioni
Riassunto di note cliniche
è più preciso del 30% rispetto a BART, Flan-T5 e Pegasus.
Riconoscimento delle entità cliniche
I modelli di John Snow Labs commettono la metà degli errori di ChatGPT.
L'estrazione dei codici ICD-10-CM
viene effettuata con un tasso di successo del 76%, contro il 26% di GPT-3.5 e il 36% di GPT-4.
Utilizzo degli LLM per il settore sanitario nella produzione
Utilizzo di LLM specifici per il settore sanitario per l'individuazione dei dati dalle note e dalle storie dei pazienti
Il Dipartimento degli Affari dei Veterani degli Stati Uniti, un sistema sanitario che serve oltre 9 milioni di veterani e le loro famiglie. Questa collaborazione con il VA National Artificial Intelligence Institute (NAII), la VA Innovations Unit (VAIU) e l'Office of Information Technology (OI&T) dimostra che l'accuratezza degli attuali LLM sulle note cliniche è inaccettabile, ma può essere migliorata in modo significativo con una pre-elaborazione, ad esempio utilizzando i modelli di riassunto del testo clinico dei John Snow Labs prima di fornire il contenuto all'output generativo dell'intelligenza artificiale LLM.
Recupero di coorti di pazienti su richiesta del testo: Sfruttare i modelli di LLM sanitario per la gestione di precisione della salute della popolazione
Utilizzando i modelli Healthcare LLM del John Snow Lab, la piattaforma ClosedLoop consente agli utenti di recuperare le coorti di pazienti utilizzando messaggi di testo libero. Gli esempi includono: "Quali pazienti sono nel 5% del rischio di un ricovero non programmato e hanno una malattia renale cronica di stadio 3 o superiore?" o "Quali pazienti sono nel 5% del rischio di un ricovero, hanno più di 72 anni e non si sono sottoposti a un controllo annuale di benessere?"
---