#TechToday: NYU Langone Health LLM Dự Đoán Số Lần Tái Nhập Viện
Các nhà nghiên cứu tại trung tâm y tế học thuật Langone Health của Đại học New York đã phát triển một mô hình ngôn ngữ lớn, hiện được triển khai tại ba bệnh viện của họ, dự đoán nguy cơ tái nhập viện sau 30 ngày của bệnh nhân và các kết quả lâm sàng khác. Mô hình NYUTron đã được đào tạo trước về hồ sơ sức khỏe trong 10 năm từ NYU Langone Health.
Trùng hợp với sự kiện được công bố trong Thiên nhiên, việc phát hành cơ sở mã của mô hình NYUTron trong GitHub cho phép các tổ chức chăm sóc sức khỏe khác đào tạo LLM của riêng họ và cung cấp thông tin chi tiết có thể giúp xác định bệnh nhân nào có thể cần can thiệp để giảm số lần tái nhập viện. Mô hình này đã được sử dụng để đánh giá 50,000 bệnh nhân xuất viện từ hệ thống chăm sóc sức khỏe của NYU.
NYU đã hợp tác với NVIDIA để phát triển và chạy LLM của mình trên một số nền tảng trí tuệ nhân tạo của công ty – ngăn xếp, thư viện và phần mềm của nó. Các kết quả cho thấy, sau khi đào tạo trước LLM, việc tinh chỉnh nó tại chỗ với dữ liệu của một bệnh viện cụ thể đã giúp tăng cường độ chính xác một cách đáng kể.
Các bác sĩ của NYU Langone Health đã tạo ra bốn thuật toán khác dự đoán thời gian nằm viện của bệnh nhân, khả năng tử vong trong bệnh viện và khả năng yêu cầu bảo hiểm của bệnh nhân có thể bị từ chối. Mục tiêu của NYU là giải quyết các câu hỏi hàng đầu như làm thế nào để xử lý độ dài chuỗi dài, giải quyết sự mất cân bằng nhãn và đánh giá tác động của các nhãn ồn ào đối với việc đánh giá mô hình.
Vì tái nhập viện là một vấn đề quan trọng đối với các nhà cung cấp dịch vụ chăm sóc sức khỏe, việc dự đoán số lần tái nhập viện là một công cụ hữu ích để cải thiện chất lượng chăm sóc bệnh nhân. Sự phát triển của mô hình LLM có thể đem lại lợi ích lớn cho ngành chăm sóc sức khỏe.
Nguồn: https://techtoday.co/nyu-langone-health-llm-can-predict-hospital-readmissions/
Các nhà nghiên cứu tại trung tâm y tế học thuật Langone Health của Đại học New York đã phát triển một mô hình ngôn ngữ lớn, hiện được triển khai tại ba bệnh viện của họ, dự đoán nguy cơ tái nhập viện sau 30 ngày của bệnh nhân và các kết quả lâm sàng khác.
TẠI SAO NÓ QUAN TRỌNG
Trùng hợp với nghiên cứu của nó được công bố trong Thiên nhiên trong tuần này, việc phát hành cơ sở mã của mô hình NYUTron trong GitHub cho phép các tổ chức chăm sóc sức khỏe khác đào tạo LLM của riêng họ và cung cấp cho bác sĩ thông tin chi tiết có thể giúp họ xác định bệnh nhân nào có thể cần can thiệp để giảm số lần tái nhập viện.
Mô hình này đã được sử dụng để đánh giá 50.000 bệnh nhân xuất viện từ hệ thống chăm sóc sức khỏe của NYU. NYUTron chia sẻ các dự đoán về nguy cơ tái nhập viện với các bác sĩ qua email.
NYU đã hợp tác với NVIDIA để phát triển và chạy LLM của mình trên một số nền tảng trí tuệ nhân tạo của công ty – ngăn xếp, thư viện và phần mềm của nó.
Tiến sĩ cho biết: “Không phải tất cả các bệnh viện đều có nguồn lực để đào tạo một mô hình ngôn ngữ lớn ngay từ đầu, nhưng họ có thể áp dụng một mô hình đã được đào tạo trước như NYUTron và sau đó tinh chỉnh nó bằng một mẫu dữ liệu cục bộ nhỏ bằng cách sử dụng GPU trên đám mây”. Eric Oermann, trợ lý giáo sư về phẫu thuật thần kinh, X quang và khoa học dữ liệu tại NYU Langone Health, cho biết trong một bài đăng blog trên trang web của NVIDIA.
Ông nói: “Điều đó nằm trong tầm tay của hầu hết mọi người trong lĩnh vực chăm sóc sức khỏe.
“Nhóm của Oermann nhận thấy rằng sau khi đào tạo trước LLM của họ, việc tinh chỉnh nó tại chỗ với dữ liệu của một bệnh viện cụ thể đã giúp tăng cường độ chính xác một cách đáng kể,” NVIDIA cho biết trong thông báo của mình.
NYUTron đã được đào tạo trước về hồ sơ sức khỏe trong 10 năm từ NYU Langone Health, bao gồm hơn bốn tỷ từ ghi chú lâm sàng đại diện cho gần 400.000 bệnh nhân. Oermann cho biết nhóm đang sử dụng các mô hình cỡ trung bình được đào tạo dựa trên dữ liệu tinh chỉnh cao để hoàn thành các nhiệm vụ cụ thể về chăm sóc sức khỏe.
Sau đó, nhóm đã phát triển bốn thuật toán khác dự đoán thời gian nằm viện của bệnh nhân, khả năng tử vong trong bệnh viện và khả năng yêu cầu bảo hiểm của bệnh nhân có thể bị từ chối.
Trong một hội thảo trên web vào năm ngoái, các nhà nghiên cứu cho biết cách tiếp cận của họ là coi dự đoán tái nhập viện là một nhiệm vụ xử lý ngôn ngữ tự nhiên liên quan đến việc tạo LLM được đào tạo trước trên kho văn bản lâm sàng ở quy mô hệ thống y tế trên các máy chủ GPU đa nút cao cấp.
Khi NYUTron được phát triển, họ cho biết mục tiêu của họ là giải quyết các câu hỏi sau:
- Làm thế nào để xử lý độ dài chuỗi dài?
- Làm thế nào để giải quyết sự mất cân bằng nhãn?
- Làm cách nào để đánh giá tác động của các nhãn ồn ào đối với việc đánh giá mô hình?
Đầu tiên, họ “thu thập một tập hợp lớn các ghi chú lâm sàng không được gắn nhãn và năm ghi chú lâm sàng được dán nhãn dành riêng cho nhiệm vụ từ NYU Langone EHR,” trước khi đào tạo mô hình, tinh chỉnh, triển khai và thử nghiệm nó trong môi trường thế giới thực, các nhà nghiên cứu cho biết trong báo cáo.
Họ nói: “Trên các mẫu nhỏ, NYUTron đã cạnh tranh với một nhóm nhỏ các bác sĩ trong việc dự đoán tái nhập viện sau 30 ngày.
Thử nghiệm một nhóm sáu bác sĩ ở các cấp độ thâm niên khác nhau với NYUTron trong một cuộc so sánh trực tiếp, họ cho biết họ đã thiết lập một khó khăn cơ bản để dự đoán việc tái nhập viện do mọi nguyên nhân tại thời điểm xuất viện.
Các nhà nghiên cứu cho biết: “Hiệu suất trung bình của bác sĩ kém hơn so với NYUTron.
“Đối với bác sĩ và NYUTron, tỷ lệ dương tính giả trung bình là 11,11%, trong khi tỷ lệ dương tính thật trung bình là 50% đối với bác sĩ so với 81,82% đối với NYUTron. Các bác sĩ có điểm F1 trung bình (chỉ số đánh giá học máy đo độ chính xác của mô hình) là 62,8% và phương sai đáng kể là 22,2% so với NYUTron, có điểm F1 trung bình là 77,8%.
Tại một cuộc họp báo trước của NVIDIA vào thứ Ba, Oermann cũng nói rằng NYU Langone Health đang xem xét cấp phép các mô hình của mình cho những tổ chức không có đủ nguồn lực để xây dựng từ đầu.
Giai đoạn tiếp theo đối với nhóm của Oermann là một thử nghiệm lâm sàng đã được lên kế hoạch để kiểm tra xem các biện pháp can thiệp dựa trên các phân tích của NYUTron có làm giảm tỷ lệ tái nhập viện hay không.
XU HƯỚNG LỚN HƠN
Nghiên cứu đăng trên Tạp chí chăm sóc sức khỏe đa ngành năm ngoái cho biết gần 15% tổng số bệnh nhân nhập viện được tái nhập viện trong vòng 30 ngày sau khi xuất viện lần đầu.
Tỷ lệ tái nhập viện bị ảnh hưởng bởi vô số biến số – bao gồm năm phương pháp điều trị phổ biến tại các khoa cấp cứu – không chỉ ảnh hưởng đến việc chăm sóc tổng thể của bệnh nhân mà còn có thể chuyển hướng giường và nguồn lực từ những bệnh nhân có thể có nhu cầu chăm sóc sức khỏe chuyên sâu hơn.
Teresa Radford, điều phối viên chương trình lâm sàng tại Đại học Y tế Virginia cho biết: “Nghiên cứu trong ngành cũng như kinh nghiệm của bản thân chúng tôi cho thấy có thể ngăn ngừa được tới 20% số lần tái nhập viện.
Cô ấy bảo Tin tức CNTT chăm sóc sức khỏe vào tháng 12, sau khi phát hiện ra rằng tỷ lệ tái nhập viện trong 30 ngày của UVA Health đối với bệnh nhân mắc các bệnh lý phức tạp và tốn kém cao từ 17% đến 18% mỗi năm, nhà cung cấp dịch vụ chăm sóc sức khỏe đã tạo ra một chương trình tại bệnh viện tại nhà giúp giảm số lần nhập viện và tái nhập viện bằng cách 46%.
Một nhóm đa ngành bao gồm các bác sĩ, y tá và chuyên gia sức khỏe tâm thần đã tạo ra một kế hoạch chăm sóc đặc biệt cho mọi cá nhân mắc ít nhất một bệnh mãn tính hoặc tình trạng hành vi dẫn đến việc thường xuyên phải đến bệnh viện của UVA Health và sử dụng nhiều dịch vụ tại bệnh viện.
TRÊN HỒ SƠ
Oermann cho biết trong thông báo: “Mặc dù đã có các mô hình tính toán để dự đoán bệnh nhân tái nhập viện từ những năm 1980, nhưng chúng tôi đang coi đây là một nhiệm vụ (NLP) yêu cầu một kho văn bản lâm sàng ở quy mô hệ thống y tế.
“Chúng tôi đã đào tạo LLM của mình về dữ liệu phi cấu trúc của hồ sơ sức khỏe điện tử để xem liệu nó có thể nắm bắt được những hiểu biết sâu sắc mà mọi người chưa từng xem xét trước đây hay không.”
Andrea Fox là biên tập viên cao cấp của Healthcare IT News.
Email: [email protected]
Healthcare IT News là một ấn phẩm của HIMSS Media.
[ad_2]
