Gönderiyi okuyorsunuz: Birleşik Krallık’taki bu yapay zeka (AI) çalışması, EHR kullanarak hastanın sağlık tahminlerini simüle edebilen GPT-3 benzeri bir dil modeli sunuyor
Elektronik sağlık kayıtlarında (EHR’ler) saklanan her hastanın sağlık durumu ve tıbbi geçmişi hakkındaki bilgilerin çoğu, yapılandırılmamış metin içindeki klinik notlara kaydedilir. Bu tür veriler, hastanın sağlık gidişatını yeniden yaratan, hastalıkları ve tedavileri öngören, risk sınıflandırmalarını belirleyen ve çok daha fazlasını sağlayan zamansal modeller oluşturmak için kullanılabilir. Tahmin ve prognoz üzerine yapılan önceki araştırmaların çoğu, yapılandırılmış veri kümelerine veya EHR’lerde bulunan yapılandırılmış verilere dayanmaktadır. Amacı belirli bir dönemde meydana gelecek olayları tahmin etmektir. Yapılandırılmış veri setlerinin her zaman erişilebilir olmama gibi bir dezavantajı vardır ve erişilebilseler bile hastanın deneyiminin yalnızca kısmi bir resmini sunabilirler (hasta verilerinin %80’i serbest metindedir).
BERT’e ek olarak daha önce yapılan diğer araştırmalar da dahil ediliyor. Bunlardan biri, EHR’lerin yapılandırılmış bölümünde yer alan 301 hastalığın yalnızca küçük bir kısmını kullanan BEHRT’dir. BEHRT yalnızca hastanın bir sonraki hastane ziyareti sırasında veya önceden belirlenmiş bir süre içinde ortaya çıkacak koşulları tahmin edebildiğinden, bilgiler hasta ziyaretleri şeklinde sınıflandırılmalıdır. Ek olarak, yöntemin birden fazla etiket kullandığını ve bunun da öngörülen fikirlerin sayısı arttığında sorun yaratabileceğini belirtiyorlar. Diğer bir örnek ise girdilerinin tamamı tek ziyaretlik örnekler olan ve EHR’de uzun vadeli bağlamsal bilgilerin yakalanması için yetersiz olan G-BERT modelidir. Tıpkı BEHRT’de olduğu gibi yalnızca yapılandırılmış veriler kullanılır.
Uluslararası Hastalık Sınıflandırması, Med-BERT’in eğitim aldığı yapılandırılmış teşhis verilerini kodlar. Yeni bir hastalığın tahmin edilmesine yönelik nesnel çalışma doğrudan modele dahil edilmez; bunun yerine geleneksel Maskeli Dil Modelleme (MLM) görevinden elde edilen veriler kullanılarak iyileştirilir. Model yalnızca ICD-10 kodlarıyla kullanılabilir ve yalnızca küçük bir hastalık seçkisi üzerinde test edilmiştir; genel performansı doğru bir şekilde tahmin etmek için daha fazlasına ihtiyaç duyulabilir. BERT tabanlı modellerin yanı sıra Steinberg ve arkadaşlarının sunduğu LM-LSTM modeli gibi Uzun Kısa Süreli Bellek (LSTM) modellerine de dikkat çekmektedir. Tıpkı diğer modeller gibi gelecekteki belirli olayları tahmin etmek için modellerini geliştirirler ve yalnızca yapılandırılmış verileri kullanırlar.
Bu çalışmada, EHR serbest metin verilerini kullanarak biyolojik kavramları tahmin etmek için benzersiz bir Öngörü modeli geliştiriyorlar. Bu çalışma, GPTv3’te açıklanan ve veri setinde çeşitli çalışmaların örtük olarak yer aldığı metodolojiyi takip etmektedir; Örneğin, bir GPTv3 sürümü otomatik olarak HTML kodu oluşturabilir, sorguları yanıtlayabilir, hikayeler oluşturabilir ve çok daha fazlasını yapabilir. Aynı model, hastalık riskini tahmin etmek, yaklaşan olaylar veya tedaviler için farklılıklar sağlamak ve çok daha fazlası için uygulanabileceğinden tahmin için de geçerlidir.
Başlıca katkıları arasında şunlar yer almaktadır: Klinik anlatılarda biyomedikal kavramların zamansal dizilerini üreten dönüştürücü tabanlı bir yaklaşım. Fiziksel ve zihinsel sağlık tesisleri de dahil olmak üzere birden fazla hastane genelinde model performansını değerlendirin. Birleşik Krallık’taki büyük bir hastaneden gelen ve farklı bir popülasyonu temsil eden 800.000’den fazla hasta üzerinde eğitilen bir modelin, bir web uygulaması aracılığıyla kamuya açık hale getirilmesi. Kamuya açık bir veri seti (şu anda Physionet veri tabanına sunulmak üzere inceleme aşamasındadır).
