論文の概要: Health-LLM: Personalized Retrieval-Augmented Disease Prediction System

• arxiv url: http://arxiv.org/abs/2402.00746v7
• Date: Mon, 30 Sep 2024 17:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:00:26.376892
• Title: Health-LLM: Personalized Retrieval-Augmented Disease Prediction System
• Title（参考訳）: Health-LLM:Personalized Retrieval-Augmented Disease Prediction System
• Authors: Mingyu Jin, Qinkai Yu, Dong Shu, Chong Zhang, Lizhou Fan, Wenyue Hua, Suiyuan Zhu, Yanda Meng, Zhenting Wang, Mengnan Du, Yongfeng Zhang,
• 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,革新的なフレームワークHeath-LLMを提案する。 従来の健康管理アプリケーションと比較して,本システムには3つの利点がある。
• 参考スコア（独自算出の注目度）: 43.91623010448573
• License:
• Abstract: Recent advancements in artificial intelligence (AI), especially large language models (LLMs), have significantly advanced healthcare applications and demonstrated potentials in intelligent medical treatment. However, there are conspicuous challenges such as vast data volumes and inconsistent symptom characterization standards, preventing full integration of healthcare AI systems with individual patients' needs. To promote professional and personalized healthcare, we propose an innovative framework, Heath-LLM, which combines large-scale feature extraction and medical knowledge trade-off scoring. Compared to traditional health management applications, our system has three main advantages: (1) It integrates health reports and medical knowledge into a large model to ask relevant questions to large language model for disease prediction; (2) It leverages a retrieval augmented generation (RAG) mechanism to enhance feature extraction; (3) It incorporates a semi-automated feature updating framework that can merge and delete features to improve accuracy of disease prediction. We experiment on a large number of health reports to assess the effectiveness of Health-LLM system. The results indicate that the proposed system surpasses the existing ones and has the potential to significantly advance disease prediction and personalized health management.
• Abstract（参考訳）: 人工知能(AI)の最近の進歩、特に大きな言語モデル(LLM)は、医療応用を著しく進歩させ、インテリジェントな医療治療の可能性を実証している。 しかし、膨大なデータ量や一貫性のない症状の特徴付け基準、個々の患者のニーズに医療AIシステムが完全に統合されるのを防ぐといった顕著な課題がある。 専門的かつパーソナライズされた医療を促進するために,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,革新的なフレームワークHeath-LLMを提案する。 従来の健康管理アプリケーションと比較して,1) 医療報告や医療知識を大きなモデルに統合し,大きな言語モデルに関連性のある質問を投げかける,2) 特徴抽出の強化にRAG機構を活用する,3) 半自動的な機能更新フレームワークを組み込んで,疾患予測の精度を向上させる,という3つの利点がある。 我々は,Health-LLMシステムの有効性を評価するために,多数の健康レポートを実験した。 その結果,提案システムは既存のシステムを超え,疾患予測とパーソナライズされた健康管理を著しく進める可能性が示唆された。

関連論文リスト

• 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)
• Time-aware Heterogeneous Graph Transformer with Adaptive Attention Merging for Health Event Prediction [6.578298085691462]
  本稿では,疾患領域の知識を同化し,薬物と疾患の複雑な関係を解明するための新しい異種グラフ学習モデルを提案する。 2つの医療データセットで評価したところ、予測精度と解釈可能性の両方において顕著な改善が見られた。
  論文  参考訳（メタデータ） (2024-04-23T08:01:30Z)
• A Large Medical Model based on Visual Physiological Monitoring for Public Health [31.398153756579685]
  視覚型生理モニタリング(VBPM)技術を活用した公衆衛生大規模医療モデル(PHLMM)の展望と展望を概説する。 PHLMMは、国連の「持続可能な開発目標2030」を推進し、公衆衛生のための「持続的で普遍的な」枠組みと見なすことができる。 本稿では、公衆衛生問題に対するPHLMMの重要適用可能性と、医療用AI(AI4メディシン)分野におけるその重要な役割について概観する。
  論文  参考訳（メタデータ） (2024-04-21T04:37:24Z)
• 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)
• Applying Bayesian Ridge Regression AI Modeling in Virus Severity Prediction [0.0]
  医療専門家に最先端ウイルス分析をもたらすAIモデルであるBayesian Ridge Regressionの長所と短所をレビューする。 モデルの精度評価は有望な結果を示し、改善の余地があった。 さらに、重症度指数は、患者のケアニーズを概観するための貴重なツールとして機能する。
  論文  参考訳（メタデータ） (2023-10-14T04:17:00Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。