論文の概要: Large Language Model Capabilities in Perioperative Risk Prediction and Prognostication

• arxiv url: http://arxiv.org/abs/2401.01620v1
• Date: Wed, 3 Jan 2024 08:41:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-04 14:49:08.748432
• Title: Large Language Model Capabilities in Perioperative Risk Prediction and Prognostication
• Title（参考訳）: 周術期リスク予測と予後予測における大規模言語モデル能力
• Authors: Philip Chung, Christine T Fong, Andrew M Walters, Nima Aghaeepour, Meliha Yetisgen, Vikas N O'Reilly-Shah
• Abstract要約: GPT-4 Turboは、患者の臨床ノートと手順の説明を用いて、リスク階層化を行い、術後の予後を予測できる。 少ないショットとチェーンのプロンプトによって、いくつかのタスクの予測パフォーマンスが向上する。
• 参考スコア（独自算出の注目度）: 1.8584725306758687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate whether general-domain large language models such as GPT-4 Turbo can perform risk stratification and predict post-operative outcome measures using a description of the procedure and a patient's clinical notes derived from the electronic health record. We examine predictive performance on 8 different tasks: prediction of ASA Physical Status Classification, hospital admission, ICU admission, unplanned admission, hospital mortality, PACU Phase 1 duration, hospital duration, and ICU duration. Few-shot and chain-of-thought prompting improves predictive performance for several of the tasks. We achieve F1 scores of 0.50 for ASA Physical Status Classification, 0.81 for ICU admission, and 0.86 for hospital mortality. Performance on duration prediction tasks were universally poor across all prompt strategies. Current generation large language models can assist clinicians in perioperative risk stratification on classification tasks and produce high-quality natural language summaries and explanations.
• Abstract（参考訳）: GPT-4 Turboのような一般ドメインの大規模言語モデルがリスク階層化を達成できるかどうかを考察し,電子的健康記録から得られた患者の臨床記録と手順の記述を用いて術後成績の予測を行う。 身体状態分類,入院,icu入院,無計画入院,病院死亡率,pacuフェーズ1継続時間,入院期間,icu継続時間という8つの課題について予測性能について検討した。 少ないショットとチェーンのプロンプトによって、いくつかのタスクの予測パフォーマンスが向上する。 F1スコアはASA体格分類0.50点、ICU入院0.81点、病院死亡0.86点である。 時間予測タスクのパフォーマンスは、すべての迅速な戦略で普遍的に劣っていた。 現在の大規模言語モデルでは, 術中リスク階層化を補助し, 高品質な自然言語要約や解説を作成できる。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Towards Personalised Patient Risk Prediction Using Temporal Hospital Data Trajectories [0.9545101073027095]
  本研究では,集中治療単位患者を滞在中の観察データの軌跡によってグループ化するパイプラインを提案する。 ICUステークの最初の4時間のみのデータにパイプラインを適用すると、患者の大多数が、滞在期間全体を考慮した場合と同じクラスタに割り当てられる。
  論文  参考訳（メタデータ） (2024-07-12T15:53:26Z)
• Assessing the impact of emergency department short stay units using length-of-stay prediction and discrete event simulation [1.0822676139724565]
  救急部門から一般内科に入院した患者に対して,入院期間を予測する意思決定支援システムの構築を目指す。 我々は探索的データ分析を行い、最高の予測性能をもたらす属性を識別するために特徴選択手法を用いる。
  論文  参考訳（メタデータ） (2023-08-04T22:26:02Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• Using Deep Learning-based Features Extracted from CT scans to Predict Outcomes in COVID-19 Patients [0.4841303207359715]
  Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。 深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。 これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
  論文  参考訳（メタデータ） (2022-05-10T16:22:16Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。