論文の概要: Health-LLM: Personalized Retrieval-Augmented Disease Prediction Model
- arxiv url: http://arxiv.org/abs/2402.00746v4
- Date: Tue, 13 Feb 2024 02:42:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 12:03:12.975438
- Title: Health-LLM: Personalized Retrieval-Augmented Disease Prediction Model
- Title（参考訳）: health-llm:パーソナライズされた検索型疾病予測モデル
- Authors: Mingyu Jin, Qinkai Yu, Chong Zhang, Dong Shu, Suiyuan Zhu, Mengnan Du,
Yongfeng Zhang, Yanda Meng
- Abstract要約: 本稿では,大規模特徴抽出と医療知識トレードオフスコアリングを組み合わせたHeath-LLMという革新的なフレームワークを提案する。
本研究は,Health-LLMの有効性を評価するために,多数の健康報告で疾患予測実験を行った。
- 参考スコア（独自算出の注目度）: 39.91972699991518
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) in healthcare has significantly advanced
intelligent medical treatment. However, traditional intelligent healthcare is
limited by static data and unified standards, preventing full integration with
individual situations and other challenges. Hence, a more professional and
detailed intelligent healthcare method is needed for development. To this end,
we propose an innovative framework named Heath-LLM, which combines large-scale
feature extraction and medical knowledge trade-off scoring. Compared to
traditional health management methods, our approach has three main advantages.
First, our method integrates health reports into a large model to provide
detailed task information. Second, professional medical expertise is used to
adjust the weighted scores of health characteristics. Third, we use a
semi-automated feature extraction framework to enhance the analytical power of
language models and incorporate expert insights to improve the accuracy of
disease prediction. We have conducted disease prediction experiments on a large
number of health reports to assess the effectiveness of Health-LLM. The results
of the experiments indicate that the proposed method surpasses traditional
methods and has the potential to revolutionize disease prediction and
personalized health management. The code is available at
https://github.com/jmyissb/HealthLLM.
- Abstract（参考訳）: 医療における人工知能(AI)は、非常に高度なインテリジェント医療治療を持っている。
しかし、従来のインテリジェントヘルスケアは、静的データと統一された標準によって制限されており、個々の状況や他の課題との完全な統合を妨げている。
したがって、開発にはより専門的で詳細なインテリジェントヘルスケア手法が必要である。
そこで我々は,大規模特徴抽出と医療知識トレードオフスコアリングを組み合わせたHeath-LLMという革新的なフレームワークを提案する。
従来の健康管理手法と比較して,本手法には3つの利点がある。
まず,健康報告を大規模モデルに統合し,詳細なタスク情報を提供する。
第2に、専門的な医療専門知識は、健康特性の重み付けスコアを調整するために使用される。
第3に,半自動特徴抽出フレームワークを用いて言語モデルの分析能力を高め,専門家の洞察を取り入れ,疾患予測の精度を向上させる。
本研究は,Health-LLMの有効性を評価するために,多数の健康報告で疾患予測実験を行った。
実験の結果,提案手法は従来の方法を超え,疾患予測とパーソナライズされた健康管理に革命をもたらす可能性が示唆された。
コードはhttps://github.com/jmyissb/HealthLLMで入手できる。
関連論文リスト
- Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文 参考訳（メタデータ） (2024-10-06T18:46:28Z) - The Digital Transformation in Health: How AI Can Improve the Performance of Health Systems [2.8351008282227266]
モバイルヘルスは、医療提供と患者のエンゲージメントに革命をもたらす可能性がある。
適応的な介入の配信を可能にする人工知能と強化学習プラットフォームを提案する。
このプラットフォームの柔軟性は、さまざまなモバイルヘルスアプリケーションやデジタルデバイスに接続し、パーソナライズされたレコメンデーションを送信することで、デジタルツールがヘルスシステムの結果に与える影響を大幅に改善することができる。
論文 参考訳（メタデータ） (2024-09-24T13:52:15Z) - Zero Shot Health Trajectory Prediction Using Transformer [11.660997334071952]
ETHOS(Enhanced Transformer for Health Outcome Simulation)は、健康データ解析のためのトランスフォーマーディープラーニングアーキテクチャの新しい応用である。
ETHOSは、将来の健康軌道を予測するために、患者健康時間線(PHT)の詳細とトークン化された健康イベントの記録を使用して訓練されている。
論文 参考訳（メタデータ） (2024-07-30T18:33:05Z) - MLtoGAI: Semantic Web based with Machine Learning for Enhanced Disease Prediction and Personalized Recommendations using Generative AI [0.929965561686354]
本研究は,セマンティックWeb技術と機械学習(ML)を統合して疾患予測を強化するMLtoGAIを紹介する。
セマンティック技術と説明可能なAIを活用することで、システムは疾患予測の精度を高め、レコメンデーションが個々の患者に適切かつ容易に理解されることを保証する。
論文 参考訳（メタデータ） (2024-07-26T06:32:06Z) - Graph-Augmented LLMs for Personalized Health Insights: A Case Study in Sleep Analysis [2.303486126296845]
大規模言語モデル(LLM)は、インタラクティブなヘルスアドバイスを提供する上で、有望であることを示している。
Retrieval-Augmented Generation (RAG) やファインチューニングのような従来の手法は、複雑で多次元で時間的に関係のあるデータを完全に活用できないことが多い。
本稿では,健康意識のパーソナライズと明確性を高めるために,グラフ拡張LDMフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-24T01:22:54Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳（メタデータ） (2023-10-28T12:08:03Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - Smart Healthcare in the Age of AI: Recent Advances, Challenges, and
Future Prospects [3.3336265497547126]
スマートヘルスケアシステムは近年関心が高まりつつあるトピックであり、現代技術における大きな発展のためにますます必要となってきた。
本研究の目的は、健康モニタリングのためのウェアラブルやスマートフォンデバイス、疾患診断のための機械学習、環境支援生活環境向けに開発された社会ロボットを含む支援フレームワークなど、主要な分野を取り上げ、現在最先端のスマートヘルスケアシステムについて議論することである。
論文 参考訳（メタデータ） (2021-06-24T05:10:47Z) - 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)
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。