L’intelligenza artificiale può migliorare l’identificazione dei determinanti sociali della salute nelle cartelle cliniche elettroniche

Segui Drugslib su

Revisionato dal punto di vista medico da Carmen Pope, BPharm. Ultimo aggiornamento: 12 gennaio 2024.

Di Elana Gotkine HealthDay Reporter

VENERDI 12 gennaio 2024 -- Modelli linguistici di grandi dimensioni (LLM) ) possono potenzialmente migliorare l'identificazione dei determinanti sociali della salute (SDoH) nelle cartelle cliniche elettroniche (EHR), secondo uno studio pubblicato online l'11 gennaio su npj Digital Medicine.

Notando che gli SDoH svolgono un ruolo importante nei risultati dei pazienti ma la loro documentazione è spesso mancante o incompleta nelle cartelle cliniche elettroniche, Marco Guevara, del Mass General Brigham e della Harvard Medical School di Boston, e colleghi hanno esaminato i metodi ottimali per utilizzare gli LLM per estrarre sei categorie SDoH dal testo narrativo nelle cartelle cliniche elettroniche: occupazione , alloggio, trasporti, stato genitoriale, relazione e supporto sociale.

I ricercatori hanno scoperto che i modelli con le migliori prestazioni erano Flan-T5 XL e Flan-T5 XXL ottimizzati per qualsiasi menzione SDoH e SDoH avverso menziona, rispettivamente. Tra i modelli e l'architettura, sono state riscontrate variazioni nell'aggiunta dei dati sintetici generati da LLM all'addestramento, ma ciò ha migliorato le prestazioni dei piccoli modelli Flan-T5. Nell'impostazione zero e pochi scatti, i modelli meglio ottimizzati hanno sovraperformato le prestazioni zero e pochi scatti dei modelli ChatGPT, ad eccezione di GPT4 con richiesta di 10 scatti per SDoH avverso. Quando i descrittori di razza/etnia e genere sono stati aggiunti al testo, i modelli perfezionati avevano meno probabilità rispetto a ChatGPT di modificare la loro previsione, suggerendo una minore distorsione algoritmica. Nel complesso, il 93,8% dei pazienti con SDoH avverso è stato identificato con i modelli, mentre i codici International Classification of Diseases-Version 10 hanno catturato il 2,0%.

"In futuro, questi modelli potrebbero migliorare la nostra comprensione dei fattori che determinano le disparità sanitarie migliorando le prove del mondo reale e potrebbero supportare direttamente la cura dei pazienti segnalando i pazienti che potrebbero trarre maggiori benefici da risorse proattive e dal riferimento al servizio sociale", scrivono gli autori .

Abstract/Testo completo

< p class='ddc-disclaimer'>Disclaimer: i dati statistici contenuti negli articoli medici forniscono tendenze generali e non riguardano singoli individui. I fattori individuali possono variare notevolmente. Cerca sempre una consulenza medica personalizzata per le decisioni sanitarie individuali.

Fonte: HealthDay

Pubblicato : 2024-01-13 02:15

Per saperne di più

Disclaimer

È stato fatto ogni sforzo per garantire che le informazioni fornite da Drugslib.com siano accurate, aggiornate -datati e completi, ma non viene fornita alcuna garanzia in tal senso. Le informazioni sui farmaci qui contenute potrebbero essere sensibili al fattore tempo. Le informazioni su Drugslib.com sono state compilate per l'uso da parte di operatori sanitari e consumatori negli Stati Uniti e pertanto Drugslib.com non garantisce che l'uso al di fuori degli Stati Uniti sia appropriato, se non diversamente indicato. Le informazioni sui farmaci di Drugslib.com non sostengono farmaci, né diagnosticano pazienti né raccomandano terapie. Le informazioni sui farmaci di Drugslib.com sono una risorsa informativa progettata per assistere gli operatori sanitari autorizzati nella cura dei propri pazienti e/o per servire i consumatori che considerano questo servizio come un supplemento e non come un sostituto dell'esperienza, dell'abilità, della conoscenza e del giudizio dell'assistenza sanitaria professionisti.

L'assenza di un'avvertenza per un determinato farmaco o combinazione di farmaci non deve in alcun modo essere interpretata come indicazione che il farmaco o la combinazione di farmaci sia sicura, efficace o appropriata per un dato paziente. Drugslib.com non si assume alcuna responsabilità per qualsiasi aspetto dell'assistenza sanitaria amministrata con l'aiuto delle informazioni fornite da Drugslib.com. Le informazioni contenute nel presente documento non intendono coprire tutti i possibili usi, indicazioni, precauzioni, avvertenze, interazioni farmacologiche, reazioni allergiche o effetti avversi. Se hai domande sui farmaci che stai assumendo, consulta il tuo medico, infermiere o farmacista.

Parole chiave popolari