KI kann die Identifizierung sozialer Determinanten der Gesundheit in EHRs verbessern

Folgen Sie Drugslib auf

Medizinisch überprüft von Carmen Pope, BPharm. Zuletzt aktualisiert am 12. Januar 2024.

Von Elana Gotkine HealthDay Reporter

FREITAG, 12. Januar 2024 – Große Sprachmodelle (LLMs). ) kann laut einer am 11. Januar online in npj Digital Medicine veröffentlichten Studie möglicherweise die Identifizierung sozialer Determinanten der Gesundheit (SDoH) in elektronischen Gesundheitsakten (EHRs) verbessern.

Unter Hinweis darauf, dass SDoH eine wichtige Rolle spielen in Patientenergebnissen, aber ihre Dokumentation fehlt oft oder ist in EHRs unvollständig, Marco Guevara von Mass General Brigham und der Harvard Medical School in Boston und Kollegen untersuchten die optimalen Methoden für die Verwendung von LLMs, um sechs SDoH-Kategorien aus narrativen Texten in den EHRs zu extrahieren: Beschäftigung , Wohnen, Transport, Elternstatus, Beziehung und soziale Unterstützung.

Die Forscher fanden heraus, dass die leistungsstärksten Modelle Flan-T5 XL und Flan-T5 XXL waren, die hinsichtlich aller SDoH-Erwähnungen und negativer SDoH fein abgestimmt waren Erwähnungen bzw. Je nach Modell und Architektur gab es Unterschiede bei der Hinzufügung von LLM-generierten synthetischen Daten zum Training, was jedoch die Leistung kleiner Flan-T5-Modelle verbesserte. In der Null- und Wenig-Schuss-Einstellung übertrafen die am besten abgestimmten Modelle die Null- und Wenig-Schuss-Leistung der ChatGPT-Modelle, mit Ausnahme von GPT4 mit 10-Schuss-Eingabeaufforderung für nachteiliges SDoH. Wenn dem Text Rassen-/Ethnizitäts- und Geschlechtsbeschreibungen hinzugefügt wurden, war die Wahrscheinlichkeit, dass fein abgestimmte Modelle ihre Vorhersage änderten, geringer als bei ChatGPT, was auf eine geringere algorithmische Verzerrung hindeutet. Insgesamt wurden 93,8 Prozent der Patienten mit unerwünschtem SDoH mit den Modellen identifiziert, während Codes der International Classification of Diseases-Version 10 2,0 Prozent erfassten.

„In Zukunft könnten diese Modelle unser Verständnis der Ursachen gesundheitlicher Ungleichheiten verbessern, indem sie reale Beweise verbessern, und könnten die Patientenversorgung direkt unterstützen, indem sie Patienten identifizieren, die am meisten von einer proaktiven Ressourcen- und Sozialarbeitsvermittlung profitieren könnten“, schreiben die Autoren .

Zusammenfassung/Volltext

< p class='ddc-disclaimer'>Haftungsausschluss: Statistische Daten in medizinischen Artikeln stellen allgemeine Trends dar und beziehen sich nicht auf Einzelpersonen. Einzelne Faktoren können stark variieren. Lassen Sie sich bei individuellen Gesundheitsentscheidungen immer individuell medizinisch beraten.

Quelle: HealthDay

Gesendet : 2024-01-13 02:15

Mehr lesen

Haftungsausschluss

Es wurden alle Anstrengungen unternommen, um sicherzustellen, dass die von Drugslib.com bereitgestellten Informationen korrekt und aktuell sind aktuell und vollständig, eine Garantie hierfür kann jedoch nicht übernommen werden. Die hierin enthaltenen Arzneimittelinformationen können zeitkritisch sein. Die Informationen von Drugslib.com wurden für die Verwendung durch medizinisches Fachpersonal und Verbraucher in den Vereinigten Staaten zusammengestellt. Daher übernimmt Drugslib.com keine Gewähr dafür, dass eine Verwendung außerhalb der Vereinigten Staaten angemessen ist, sofern nicht ausdrücklich anders angegeben. Die Arzneimittelinformationen von Drugslib.com befürworten keine Arzneimittel, diagnostizieren keine Patienten und empfehlen keine Therapie. Die Arzneimittelinformationen von Drugslib.com sind eine Informationsquelle, die zugelassenen Ärzten bei der Betreuung ihrer Patienten helfen soll und/oder Verbrauchern dienen soll, die diesen Service als Ergänzung und nicht als Ersatz für die Fachkenntnisse, Fähigkeiten, Kenntnisse und Urteilsvermögen im Gesundheitswesen betrachten Praktiker.

Das Fehlen einer Warnung für ein bestimmtes Medikament oder eine bestimmte Medikamentenkombination sollte keinesfalls als Hinweis darauf ausgelegt werden, dass das Medikament oder die Medikamentenkombination für einen bestimmten Patienten sicher, wirksam oder geeignet ist. Drugslib.com übernimmt keinerlei Verantwortung für irgendeinen Aspekt der Gesundheitsversorgung, die mithilfe der von Drugslib.com bereitgestellten Informationen durchgeführt wird. Die hierin enthaltenen Informationen sollen nicht alle möglichen Verwendungen, Anweisungen, Vorsichtsmaßnahmen, Warnungen, Arzneimittelwechselwirkungen, allergischen Reaktionen oder Nebenwirkungen abdecken. Wenn Sie Fragen zu den Medikamenten haben, die Sie einnehmen, wenden Sie sich an Ihren Arzt, das medizinische Fachpersonal oder Ihren Apotheker.

Beliebte Schlüsselwörter