ستساعدك المقالة التالية: تقدم دراسة الذكاء الاصطناعي (AI) هذه من المملكة المتحدة نموذجًا شبيهًا بلغة GPT-3 يمكنه محاكاة التنبؤات الصحية للمريض باستخدام السجلات الصحية الإلكترونية
يتم تسجيل معظم المعلومات المتعلقة بالحالة الصحية لكل مريض والتاريخ السريري المحفوظ في السجلات الصحية الإلكترونية (EHRs) في الملاحظات السريرية داخل النص غير المنظم. يمكن استخدام هذه البيانات لإنشاء نماذج زمنية تعيد إنشاء المسار الصحي للمريض ، وتتوقع الأمراض والعلاجات ، وتحدد تصنيفات المخاطر ، وأكثر من ذلك بكثير. تعتمد معظم الأبحاث السابقة حول التنبؤ والتنبؤ على مجموعات البيانات المهيكلة أو البيانات المنظمة الموجودة في السجلات الصحية الإلكترونية. يستهدف التنبؤ بالأحداث التي ستحدث خلال فترة زمنية محددة. تحتوي مجموعات البيانات المنظمة على عيب يتمثل في عدم إمكانية الوصول إليها دائمًا ، وحتى عندما تكون متاحة ، فقد تقدم فقط صورة جزئية لتجربة المريض (80٪ من بيانات المريض في نص حر).
علاوة على BERT ، تم تضمين التحقيقات السابقة الأخرى. أحدها هو BEHRT ، الذي يستخدم جزءًا صغيرًا فقط من 301 مرضًا مدرجًا في القسم المنظم من السجلات الصحية الإلكترونية. يجب تصنيف المعلومات إلى زيارات للمرضى لأن BEHRT لا يمكنها إلا التنبؤ بالظروف التي ستظهر أثناء زيارة المريض اللاحقة للمستشفى أو خلال إطار زمني محدد مسبقًا. بالإضافة إلى ذلك ، أشاروا إلى أن الطريقة تستخدم عدة تسميات ، والتي قد تكون مشكلة عندما يرتفع عدد الأفكار المتوقعة. مثال آخر هو نموذج G-BERT ، الذي تكون مدخلاته كلها عينات زيارة واحدة وغير كافية لالتقاط معلومات سياقية طويلة الأجل في السجلات الصحية الإلكترونية. يتم استخدام البيانات المنظمة فقط ، كما هو الحال في BEHRT.
يرمز التصنيف الدولي للأمراض إلى بيانات التشخيص المهيكلة التي يتم تدريب Med-BERT عليها. لم يتم إدخال الوظيفة الموضوعية للتنبؤ بمرض جديد بشكل مباشر في النموذج ؛ بدلاً من ذلك ، تم تحسينه باستخدام البيانات من مهمة نمذجة اللغة المقنعة التقليدية (MLM). لا يمكن استخدام النموذج إلا مع رموز ICD-10 ، وقد تم اختباره فقط على مجموعة صغيرة من الأمراض ، والتي قد تحتاج إلى المزيد للتنبؤ بالأداء العام بدقة. بالإضافة إلى النماذج المستندة إلى BERT ، فإنها تلفت الانتباه أيضًا إلى نماذج الذاكرة طويلة المدى (LSTM) ، مثل نموذج LM-LSTM الذي وضعه Steinberg et al. يقومون بتحسين نموذجهم للتنبؤ بأحداث مستقبلية محددة ، مثل الكثير من النماذج الأخرى ويستخدمون البيانات المنظمة فقط.
في هذه الدراسة ، قاموا بتطوير نموذج استشراف فريد للتنبؤ بالمفاهيم البيولوجية باستخدام بيانات النص الحر من السجلات الصحية الإلكترونية. تتبع هذه الدراسة المنهجية الموضحة في GPTv3 ، حيث يتم تضمين العديد من الوظائف في مجموعة البيانات ؛ على سبيل المثال ، قد يُنتج نموذج GPTv3 رمز HTML تلقائيًا ، والرد على الاستفسارات ، وكتابة الحكايات ، وغير ذلك الكثير. وينطبق الشيء نفسه على البصيرة حيث يمكن تطبيق نفس النموذج لتوقع مخاطر المرض ، وتوفير فروق للأحداث أو العلاجات القادمة ، وأكثر من ذلك بكثير.
تضمنت مساهماتهم الرئيسية ما يلي: نهج قائم على المحولات يولد تسلسلات زمنية لمفاهيم الطب الحيوي في الروايات السريرية. تقييم أداء النموذج في مستشفيات متعددة ، بما في ذلك مرافق الصحة البدنية والعقلية. صنع نموذج تم تدريبه على أكثر من 800000 مريض من مستشفى رئيسي في المملكة المتحدة ، يمثلون مجموعة متنوعة من السكان ، ومتاح للجمهور من خلال تطبيق ويب. مجموعة بيانات متاحة للجمهور (قيد المراجعة حاليًا لتقديمها إلى قاعدة بيانات Physionet).
