論文の概要: Towards a Personal Health Large Language Model

• arxiv url: http://arxiv.org/abs/2406.06474v1
• Date: Mon, 10 Jun 2024 17:16:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-11 12:49:35.604442
• Title: Towards a Personal Health Large Language Model
• Title（参考訳）: 個人健康大言語モデルに向けて
• Authors: Justin Cosentino, Anastasiya Belyaeva, Xin Liu, Nicholas A. Furlotte, Zhun Yang, Chace Lee, Erik Schenck, Yojan Patel, Jian Cui, Logan Douglas Schneider, Robby Bryant, Ryan G. Gomes, Allen Jiang, Roy Lee, Yun Liu, Javier Perez, Jameson K. Rogers, Cathy Speed, Shyam Tailor, Megan Walker, Jeffrey Yu, Tim Althoff, Conor Heneghan, John Hernandez, Mark Malhotra, Leor Stern, Yossi Matias, Greg S. Corrado, Shwetak Patel, Shravya Shetty, Jiening Zhan, Shruthi Prabhakara, Daniel McDuff, Cory Y. McLean,
• Abstract要約: 本稿では、時系列の個人健康データに対する理解と推論のために、Geminiから微調整されたPersonal Health Large Language Model (PH-LLM)を提案する。 1)睡眠パターン,身体活動,生理的反応からパーソナライズされた洞察の生成,2)専門的ドメイン知識,3)自己報告型睡眠結果の予測の3つのデータセットを作成した。
• 参考スコア（独自算出の注目度）: 25.74660715692516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In health, most large language model (LLM) research has focused on clinical tasks. However, mobile and wearable devices, which are rarely integrated into such tasks, provide rich, longitudinal data for personal health monitoring. Here we present Personal Health Large Language Model (PH-LLM), fine-tuned from Gemini for understanding and reasoning over numerical time-series personal health data. We created and curated three datasets that test 1) production of personalized insights and recommendations from sleep patterns, physical activity, and physiological responses, 2) expert domain knowledge, and 3) prediction of self-reported sleep outcomes. For the first task we designed 857 case studies in collaboration with domain experts to assess real-world scenarios in sleep and fitness. Through comprehensive evaluation of domain-specific rubrics, we observed that Gemini Ultra 1.0 and PH-LLM are not statistically different from expert performance in fitness and, while experts remain superior for sleep, fine-tuning PH-LLM provided significant improvements in using relevant domain knowledge and personalizing information for sleep insights. We evaluated PH-LLM domain knowledge using multiple choice sleep medicine and fitness examinations. PH-LLM achieved 79% on sleep and 88% on fitness, exceeding average scores from a sample of human experts. Finally, we trained PH-LLM to predict self-reported sleep quality outcomes from textual and multimodal encoding representations of wearable data, and demonstrate that multimodal encoding is required to match performance of specialized discriminative models. Although further development and evaluation are necessary in the safety-critical personal health domain, these results demonstrate both the broad knowledge and capabilities of Gemini models and the benefit of contextualizing physiological data for personal health applications as done with PH-LLM.
• Abstract（参考訳）: 健康において、ほとんどの大規模言語モデル(LLM)研究は臨床タスクに焦点を当てている。 しかし、このようなタスクにはほとんど統合されないモバイルおよびウェアラブルデバイスは、個人の健康モニタリングのために、豊かで経時的なデータを提供する。 本稿では、時系列の個人健康データに対する理解と推論のために、Geminiから微調整されたPersonal Health Large Language Model (PH-LLM)を紹介する。 テストする3つのデータセットを作成し、キュレーションしました 1)睡眠パターン,身体活動,生理的反応からパーソナライズされた洞察とレコメンデーションの作成。 2)専門知識,及び 3)自己報告型睡眠結果の予測。 最初のタスクでは、睡眠とフィットネスの実際のシナリオを評価するために、ドメインの専門家と共同で857のケーススタディを設計しました。 Gemini Ultra 1.0 と PH-LLM は, 総合的に評価した結果, フィットネスの専門的実績と統計的に異なるものではなく, 専門家が睡眠に優れる一方で, 微調整による PH-LLM は, 関連するドメイン知識の使用や睡眠情報に対するパーソナライズ情報の改善に大きく寄与した。 PH-LLMドメインの知識を多選択肢睡眠薬とフィットネス検査を用いて評価した。 PH-LLMは睡眠で79%、フィットネスで88%を達成し、ヒトの専門家の平均スコアを上回った。 最後に、PH-LLMを用いて、ウェアラブルデータのテキストおよびマルチモーダルエンコーディングによる自己申告睡眠品質の予測を行い、特定識別モデルの性能に合わせたマルチモーダルエンコーディングが必要であることを実証した。 これらの結果は、ジェミニモデルの幅広い知識と能力と、PH-LLMによる個人健康分野における生理的データのコンテキスト化の利点の両方を実証するものである。

関連論文リスト

• SleepCoT: A Lightweight Personalized Sleep Health Model via Chain-of-Thought Distillation [9.133271556862738]
  本研究は,CoT蒸留法を用いて睡眠管理を個別化するための新しいアプローチを提案する。 提案手法は,課題解決戦略,長期専門知識,大規模モデルからのパーソナライズされたレコメンデーション機能を,より効率的でコンパクトなモデルに同時に蒸留する。
  論文  参考訳（メタデータ） (2024-10-22T11:56:34Z)
• Transforming Wearable Data into Health Insights using Large Language Model Agents [25.92023580781527]
  本稿では,ウェアラブルの行動保健データを分析・解釈するエージェントシステムであるPersonal Health Insights Agent(PHIA)を紹介する。 650時間の人間と専門家による評価に基づいて、PHIAは事実の数値的な質問の84%以上と、クラウドソーシングされたオープンエンドな質問の83%以上に正確に対処することができる。
  論文  参考訳（メタデータ） (2024-06-10T17:00:54Z)
• ALPHA: AnomaLous Physiological Health Assessment Using Large Language Models [4.247764575421617]
  大規模言語モデル(LLM)は、医療指標を決定する上で非常に優れた性能を示す。 特別適応GPTモデルでは,サイクルカウントで1bpm未満の誤差を達成できた。 この研究は、高度なAIヘルスアシスタントにおける健康データ分析ツールと重要な要素としてのLLMの二重の役割を強調した。
  論文  参考訳（メタデータ） (2023-11-21T11:09:57Z)
• 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)
• PMC-LLaMA: Towards Building Open-source Language Models for Medicine [62.39105735933138]
  大規模言語モデル(LLM)は、自然言語理解において顕著な能力を示した。 LLMは、ドメイン固有の知識が不足しているため、医学的応用のような正確性を必要とする領域で苦労している。 PMC-LLaMAと呼ばれる医療応用に特化した強力なオープンソース言語モデルの構築手順について述べる。
  論文  参考訳（メタデータ） (2023-04-27T18:29:05Z)
• Monitoring and Improving Personalized Sleep Quality from Long-Term Lifelogs [0.46408356903366527]
  睡眠は、身体的、認知的、心理的健康に重要な役割を果たす。 多くの睡眠研究はいまだに臨床的に発展しており、一般市民にはアクセスできない。 本稿では,複数の情報源の主観的データと主観的データの両方に基づいて,個別のSQを監視するための計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-23T08:48:43Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• 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)
• Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data [74.60507696087966]
  精神状態は、先進医療に共通する国でも診断されていない。 人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。 本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
  論文  参考訳（メタデータ） (2021-06-24T17:46:03Z)
• Identity and Posture Recognition in Smart Beds with Deep Multitask Learning [8.422257363944295]
  被験者とその睡眠姿勢を正確に検出できる堅牢な深層学習モデルを提案する。 喪失機能の組み合わせは、被験者と睡眠姿勢を同時に区別するために使用される。 提案するアルゴリズムは、最終的に臨床およびスマートホーム環境で使用できる。
  論文  参考訳（メタデータ） (2021-04-05T21:21:54Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。