ATHENA hutumia utaftaji wa AI wa hospitali tofauti kurekebisha usanifu wa Kibadilishaji cha EHR

Nini kilitokea

Watafiti walianzisha ATHENA, mfumo wa utaftaji wa usanifu wa kiakili wa neva unaoongozwa na maarifa kwa uundaji wa rekodi ya afya ya kielektroniki ya Transformer. Mfumo huu umeundwa ili kupunguza juhudi za mikono na gharama ya hesabu ya kuchagua usanifu wa miundo kwa ajili ya kazi za utabiri wa kimatibabu.

Uwasilishaji wa arXiv unafafanua ATHENA, kwa ufupi kwa "Uhamisho wa Kiajenti katika Hospitali kwa Utafutaji wa Usanifu wa Neural wa EHR." Lengo lake ni uundaji wa msingi wa Transfoma wa rekodi za afya za kielektroniki, ambapo watafiti lazima wachague kati ya usanidi wa usanifu kwa utabiri wa kimatibabu. Waandishi huweka utaftaji wa kawaida wa usanifu wa neva kuwa wa gharama kubwa kwa sababu miundo ya Kibadilishaji cha mtahiniwa inaweza kuhitaji mafunzo ya hali ya juu, ilhali urekebishaji wa mikono unaweza kuwa wa kazi kubwa na hauwezi kuhamishwa kwa usafi kati ya hospitali au kazi. Mfumo huo kwa hivyo unawasilishwa kama utaratibu wa utafutaji wa kuchagua kati ya miundo ya kielelezo, si kama matibabu mapya ya kimatibabu au kama ushahidi kwamba usanifu wowote unapaswa kutumiwa kote ulimwenguni. Ulinganisho ulioripotiwa ni kuhusu mchakato wa utafutaji chini ya hali zilizotajwa za majaribio.

ATHENA kwanza huunda neti kuu ya kugawana uzani ambayo imefundishwa mara moja kwa kila hospitali. Usanifu wa watahiniwa basi unaweza kuthibitishwa kuwa mitandao midogo iliyorithiwa na kutathminiwa kupitia usanifu mzuri, badala ya kufunzwa kwa kujitegemea tangu mwanzo. Ubunifu huu unakusudiwa kufanya ulinganisho wa usanifu unaorudiwa kuwa wa gharama nafuu. Chanzo hakitoi muda wa msingi wa mafunzo, mahitaji ya maunzi, au uokoaji wa rasilimali katika mukhtasari wake, kwa hivyo ukubwa wa vitendo wa punguzo hilo bado haujulikani.

Mfumo pia hutumia usanifu wa safu mbili za hospitali kabla. Safu moja hurejesha mifano ya usanifu wa hali ya juu kutoka kwa tovuti chanzo kwa kutumia vifafanuzi vya kazi. Nyingine inakadiria athari za vijenzi vya usanifu kupitia urejeleaji wa meta-msingi wa SHAP. Mambo hayo ya awali hutolewa kwa mchakato wa utafutaji wa modeli za lugha kubwa wa wakala mbalimbali, ambao pia hupokea maoni ya uthibitishaji kutoka kwa hospitali inayolengwa. Katika kazi sita za utabiri wa kimatibabu na mifumo miwili ya afya inayojitegemea, waandishi wanaripoti kwamba ATHENA ililingana au ilipita misingi minne ya utafutaji wa neural-usanifu-uchunguzi katika 9 kati ya tathmini 12 za kazi za hospitali zinapokuwa zimepunguzwa kwa bajeti ya utafutaji ya 30. Pia wanaripoti uteuzi thabiti zaidi wa usanifu katika utafutaji unaorudiwa. Haya ni madai kutoka kwa nakala moja ya awali ya arXiv, na dondoo la chanzo halitambui hospitali, kazi, usanidi wa kimsingi, thamani kamili za utendakazi, au kutokuwa na uhakika wa takwimu.

Maelezo ya chanzo: arxiv.org ↗

Kwa nini ni muhimu

Mbinu hiyo inashughulikia tatizo la kiutendaji katika huduma ya afya AI: usanifu wa kielelezo unaofanya kazi vizuri kwa kazi moja au hospitali huenda usiwe chaguo bora kwa mwingine. Kutumia tena maarifa ya usanifu katika taasisi zote kunaweza kufanya uundaji wa muundo kuwa mzuri zaidi, lakini chanzo hakiainishi manufaa ya kimatibabu au utayari wa utumaji.

Utafiti huo ni muhimu kwa sababu uteuzi wa usanifu unaweza kuunda utendaji na gharama ya uendeshaji wa mifumo ya kliniki ya AI. Hospitali mara nyingi hutofautiana katika idadi ya wagonjwa wao, mazoea ya kuweka rekodi, miundo ya rekodi, na malengo ya utabiri. Mbinu ya utafutaji inayoweza kutumia taarifa kutoka kwa tovuti za awali huku ingali ikithibitisha chaguo kwenye tovuti inayolengwa inaweza kupunguza majaribio yaliyorudiwa na kutoa njia mbadala ya kutegemea kabisa urekebishaji wa mtu mwenyewe.

Dai la kipekee la ATHENA sio tu kwamba LLM inashiriki katika utafutaji wa mfano. Inachanganya uzani uliorithiwa, uhamisho wa hospitali mbalimbali, uchanganuzi wa kiwango cha vipengele, na maoni ya uthibitishaji katika mtiririko mmoja wa kazi. Mchanganyiko huo unaweza kuwa na manufaa kwa timu zinazohitaji kulinganisha chaguo nyingi za usanifu chini ya bajeti ya hesabu isiyobadilika. Matokeo ya 9 kati ya 12 yaliyoripotiwa yanapendekeza manufaa inayoweza kutokea katika mipangilio iliyojaribiwa, ilhali uwiano unaoripotiwa katika utafutaji unaorudiwa unaweza kuwa na umuhimu kwa uzalishaji tena: mbinu ambayo huchagua miundo sawa na kurudia inaweza kuwa rahisi kukagua na kufanya kazi kuliko ile ambayo chaguo zake hutofautiana sana.

Ushahidi hauonyeshi kwamba ATHENA inaboresha utunzaji wa wagonjwa, inabadilisha maamuzi ya kliniki, au inafanya kazi kwa usalama katika mazingira ya huduma ya afya. Chanzo huripoti tathmini za utafutaji wa modeli, si majaribio ya kimatibabu yanayotarajiwa au matokeo ya utumiaji. Pia haithibitishi kuwa kuhamisha maarifa ya usanifu huhifadhi utendaji kazi kwa vikundi visivyo na uwakilishi mdogo, mifumo tofauti ya uhifadhi wa hati au hospitali zilizo na data ndogo. Kwa sababu chanzo ni uwasilishaji wa arXiv, matokeo yake yanapaswa kuchukuliwa kama ya awali hadi yaangaliwe kwa kujitegemea. Dai la msimbo wa umma linaweza kusaidia kunakili tena, lakini maandishi chanzo yanayotolewa hapa haitoi kiungo cha hazina au maelezo ya kutosha ya utekelezaji ili kutathmini jinsi wengine wanavyoweza kuzalisha majaribio kwa urahisi.

Nini cha kutazama baadaye

Maswali makuu ni kama faida iliyoripotiwa ya ATHENA inadumu uigaji huru, uchunguzi mpana wa hospitali na kazi, na udhibiti thabiti wa data na tofauti za kitaasisi. Kazi ya siku zijazo inapaswa pia kufafanua jinsi chaguo za usanifu huathiri usahihi, urekebishaji, usawa, ufaragha, mahitaji ya kukokotoa na kufanya maamuzi ya kimatibabu.

Replication inapaswa kuwa mtihani wa kwanza. Timu zinazojitegemea zitahitaji kuendesha ATHENA kwenye hospitali na kazi za ziada, kuilinganisha na bajeti za utafutaji zinazolingana kwa uangalifu, na kubaini ikiwa faida iliyoripotiwa inatokana na utafutaji wa kikali, wavu mkuu wa kugawana uzito, hospitali ya awali, au mchanganyiko fulani. Matokeo yanapaswa kujumuisha vipimo kamili vya ubashiri na kutokuwa na uhakika badala ya hesabu za tathmini ambapo mbinu moja ililingana au kuzidi nyingine.

Utaratibu wa uhamisho pia unastahili uchunguzi wa karibu. Kutumia mifano ya usanifu kutoka kwa hospitali chanzo kunaweza kuwa na manufaa, lakini thamani ya mifano hiyo inaweza kutegemea jinsi vifafanuzi vya kazi vinavyonasa tofauti kati ya taasisi. Watafiti wanapaswa kuripoti vipaumbele vilivyohamishwa vinaposhindwa, iwapo wanaweza kutafuta kwa upendeleo miundo inayofaa kwa idadi moja ya watu, na jinsi mfumo unavyoshughulikia mabadiliko katika uwekaji misimbo, upatikanaji wa data, au mazoezi ya kimatibabu. Maswali ya faragha na ya utawala pia ni muhimu ikiwa muhtasari wa usanifu au maelezo ya utendaji yatasambazwa katika taasisi zote, hata wakati rekodi za kiwango cha wagonjwa hazifanyiki.

Hatimaye, tathmini ya vitendo inapaswa kupanua zaidi ya utendaji wa kutabiri. Hatua muhimu za ufuatiliaji ni pamoja na urekebishaji, tabia ya kikundi kidogo, uthabiti wa rekodi zinazokosekana au zilizohamishwa, gharama ya utafutaji, matumizi ya nishati, na uthabiti wa usanifu uliochaguliwa kwa wakati. Chanzo hakisemi ikiwa ATHENA imetumika katika utendakazi wa kimatibabu, kupokea ukaguzi wa udhibiti, au kutoa pendekezo linalomkabili mgonjwa. Hadi maswali hayo yatakapojibiwa, hitimisho lenye nguvu zaidi linaloungwa mkono ni kwamba karatasi inapendekeza na kutathmini awali njia inayoweza kuwa bora zaidi ya kutafuta usanifu wa miundo ya EHR.

Miongozo & maswali yanayohusiana