[ad_1]
జర్నల్లో ప్రచురించబడిన తాజా అధ్యయనంలో సహజ ఔషధంఒక అంతర్జాతీయ శాస్త్రవేత్తల బృందం పెద్ద మొత్తంలో ఎలక్ట్రానిక్ మెడికల్ రికార్డ్ డేటాను వైద్యపరంగా సంగ్రహించడానికి సరైన పెద్ద-స్థాయి భాషా నమూనాలు మరియు అనుకూల పద్ధతులను గుర్తించింది మరియు ఈ నమూనాల పనితీరును వైద్య నిపుణులతో పోల్చింది.
పరిశోధన: పెద్ద-స్థాయి భాషా నమూనాలు క్లినికల్ టెక్స్ట్ను సంగ్రహించడంలో వైద్య నిపుణులను అధిగమించగలవు. చిత్ర క్రెడిట్: తకాసు / షట్టర్స్టాక్
నేపథ్య
వైద్య అభ్యాసం యొక్క దుర్భరమైన కానీ ముఖ్యమైన అంశం ఏమిటంటే, ప్రోగ్రెస్ రిపోర్ట్లు, రోగనిర్ధారణ పరీక్షలు మరియు వృత్తుల అంతటా చికిత్స చరిత్రతో సహా రోగి యొక్క వైద్య రికార్డును డాక్యుమెంట్ చేయడం. వైద్యులు తరచుగా పెద్ద మొత్తంలో వచన డేటాను సంకలనం చేయడానికి వారి సమయం యొక్క గణనీయమైన భాగాన్ని గడుపుతారు మరియు అత్యంత అనుభవజ్ఞులైన వైద్యులు కూడా ఈ ప్రక్రియలో లోపాలను ఎదుర్కొంటారు మరియు తీవ్రమైన వైద్య మరియు రోగనిర్ధారణ సమస్యలకు దారితీయవచ్చు.
పేపర్ రికార్డ్ల నుండి ఎలక్ట్రానిక్ మెడికల్ రికార్డ్లకు మారడం వలన క్లినికల్ డాక్యుమెంటేషన్ పని మొత్తం మాత్రమే పెరుగుతుంది, ఒక రోగి ఇంటరాక్షన్ నుండి క్లినికల్ డేటాను వైద్యులు డాక్యుమెంట్ చేస్తారని నివేదిక పేర్కొంది. ప్రతి వ్యక్తి దాని కోసం సుమారు 2 గంటలు గడుపుతారు. నర్సులు తమ సమయాన్ని దాదాపు 60% క్లినికల్ డాక్యుమెంటేషన్పై గడుపుతారు మరియు ఈ ప్రక్రియ యొక్క తాత్కాలిక డిమాండ్లు తరచుగా గణనీయమైన ఒత్తిడిని మరియు బర్న్అవుట్కు కారణమవుతాయి, వైద్యుల ఉద్యోగ సంతృప్తిని తగ్గిస్తుంది మరియు వైద్యుల ఉద్యోగ సంతృప్తిని తగ్గిస్తుంది.అంతిమ ఫలితం పేషెంట్ ఫలితాలు.
పెద్ద-స్థాయి భాషా నమూనాలు క్లినికల్ డేటా సారాంశం కోసం అద్భుతమైన ఎంపికలను అందిస్తాయి మరియు ఈ నమూనాలు సాధారణ సహజ భాషా ప్రాసెసింగ్ పనుల కోసం మూల్యాంకనం చేయబడినప్పటికీ, క్లినికల్ డేటా సారాంశంలో వాటి సామర్థ్యం మరియు ఖచ్చితత్వం విస్తృతంగా మూల్యాంకనం చేయబడలేదు.
పరిశోధన గురించి
ఈ అధ్యయనంలో, పరిశోధకులు నాలుగు క్లినికల్ సారాంశ పనులలో ఎనిమిది పెద్ద-స్థాయి భాషా నమూనాలను విశ్లేషించారు: రోగి ప్రశ్నలు, రేడియాలజీ నివేదికలు, డాక్టర్-రోగి పరస్పర చర్యలు మరియు పురోగతి గమనికలు.
వారు మొదట పరిమాణాత్మక సహజ భాషా ప్రాసెసింగ్ కొలమానాలను ఉపయోగించారు, నాలుగు సారాంశం టాస్క్లలో ఏ నమూనాలు మరియు అనుసరణ పద్ధతులు ఉత్తమంగా పనిచేశాయో గుర్తించడానికి. పది మంది వైద్యులు క్లినికల్ రీడర్ సర్వేను నిర్వహించారు, పెద్ద భాషా నమూనా నుండి ఉత్తమ సారాంశాలను వైద్య నిపుణుల నుండి సంక్షిప్తత, ఖచ్చితత్వం మరియు సంపూర్ణత వంటి పారామితులతో పోల్చారు.
చివరగా, పరిశోధకులు భద్రతా అంశాలను విశ్లేషించారు మరియు వైద్య నిపుణులు లేదా పెద్ద-స్థాయి భాషా నమూనాల ద్వారా క్లినికల్ డేటాను సంగ్రహించడంలో ఉన్న సమాచారం యొక్క కల్పన మరియు వైద్యపరమైన హాని సంభావ్యత వంటి సవాళ్లను గుర్తించారు.
ఎనిమిది పెద్ద-స్థాయి భాషా నమూనాలను మూల్యాంకనం చేయడానికి రెండు విస్తృత భాషా ఉత్పత్తి విధానాలు (ఆటోరేగ్రెసివ్ మరియు seq2seq నమూనాలు) ఉపయోగించబడ్డాయి. శిక్షణ seq2seq మోడల్లకు జత చేసిన డేటాసెట్లు అవసరం ఎందుకంటే అవి అవుట్పుట్లకు ఇన్పుట్లను మ్యాప్ చేసే ఎన్కోడర్/డీకోడర్ ఆర్కిటెక్చర్ను ఉపయోగిస్తాయి. ఈ నమూనాలు సారాంశం మరియు యంత్ర అనువాదంతో సహా పనులపై సమర్థవంతంగా పని చేస్తాయి.
మరోవైపు, ఆటోరిగ్రెసివ్ మోడల్లకు జత చేసిన డేటాసెట్లు అవసరం లేదు మరియు డైలాగ్, ప్రశ్న-జవాబు పరస్పర చర్యలు మరియు టెక్స్ట్ ఉత్పత్తి వంటి పనులకు అనుకూలంగా ఉంటాయి. ఈ అధ్యయనంలో, మేము ఓపెన్-సోర్స్ ఆటోరిగ్రెసివ్ మరియు seq2seq పెద్ద-స్థాయి భాషా నమూనాలు, అలాగే అనేక యాజమాన్య ఆటోరిగ్రెసివ్ మోడల్లు మరియు డొమైన్-నిర్దిష్ట విధులను నిర్వహించడానికి వాటిని స్వీకరించడానికి సాధారణ-ప్రయోజన ముందస్తు శిక్షణ పొందిన పెద్ద-స్థాయి భాషా నమూనాలను ఉపయోగిస్తాము. మేము మూల్యాంకనం చేసాము. రెండు పద్ధతులు.
పెద్ద-స్థాయి భాషా నమూనాలను మూల్యాంకనం చేయడానికి ఉపయోగించే నాలుగు పనులు: వివరణాత్మక రేడియాలజీ విశ్లేషణ మరియు ఫలిత డేటాను ఉపయోగించి రేడియాలజీ నివేదికలను సంగ్రహించడం; రోగి ప్రశ్నలను సారాంశ ప్రశ్నలుగా సంగ్రహించడం; వైద్య సమస్యలు మరియు రోగ నిర్ధారణల జాబితాను రూపొందించడానికి పురోగతి గమనికలను ఉపయోగించండి మరియు వాటి మధ్య పరస్పర చర్యలను సంగ్రహించండి. అంచనా మరియు ప్రణాళిక గురించి పేరాల్లో డాక్టర్ మరియు రోగి.
ఫలితం
ఉత్తమ-అనుకూలమైన పెద్ద-స్థాయి భాషా నమూనా నుండి 45% సారాంశాలు వైద్య నిపుణుల నుండి సారాంశాలకు సమానంగా ఉన్నాయని మరియు 36% మెరుగైనవని ఫలితాలు చూపించాయి. అదనంగా, క్లినికల్ రీడర్ల సర్వేలో, పెద్ద భాషా నమూనా సారాంశాలు మూడు పారామీటర్లలో వైద్య నిపుణుల సారాంశాల కంటే ఎక్కువ స్కోర్ చేశాయి: సంక్షిప్తత, ఖచ్చితత్వం మరియు సంపూర్ణత.
అదనంగా, శాస్త్రవేత్తలు “ప్రాంప్ట్ ఇంజనీరింగ్”, ఇన్పుట్ ప్రాంప్ట్లను సర్దుబాటు చేయడం లేదా మార్చడం వంటి ప్రక్రియ మోడల్ పనితీరును గణనీయంగా మెరుగుపరుస్తుందని కనుగొన్నారు. ఇది సంక్షిప్త పరామితితో పాటు ప్రత్యేకంగా స్పష్టంగా కనిపించింది, ఇక్కడ రోగి యొక్క ప్రశ్నను నిర్దిష్ట సంఖ్యలో పదాలతో ప్రశ్నగా సంగ్రహించమని మోడల్కు చెప్పే నిర్దిష్ట ప్రాంప్ట్లు సమాచారాన్ని అర్థవంతంగా సంగ్రహించడంలో సహాయపడతాయి.
రేడియోలజీ నివేదికలు వైద్య నిపుణుల సారాంశాల కంటే పెద్ద భాషా నమూనా సారాంశాలు తక్కువ సంక్షిప్తంగా ఉంటాయి మరియు శాస్త్రవేత్తలు రేడియాలజీ నివేదికలను సంగ్రహించడానికి నిర్దిష్ట అవసరం లేదని కనుగొన్నారు, కంటెంట్ పేర్కొనబడలేదు కాబట్టి, ఇన్పుట్ ప్రాంప్ట్ యొక్క అస్పష్టత ఉండవచ్చు అని మేము అంచనా వేసాము. కారణం అవ్వండి. అక్షర పరిమితి. అయినప్పటికీ, ఇతర పెద్ద భాషా నమూనాలు మరియు మోడల్ బృందాలు, అలాగే మానవ ఆపరేటర్ల నుండి తనిఖీలను చేర్చడం ద్వారా ఈ ప్రక్రియ యొక్క ఖచ్చితత్వాన్ని గణనీయంగా మెరుగుపరచవచ్చని కూడా మేము విశ్వసిస్తున్నాము.
ముగింపు
మొత్తంమీద, రోగి ఆరోగ్య రికార్డుల నుండి డేటాను సంగ్రహించడానికి పెద్ద-స్థాయి భాషా నమూనాలను ఉపయోగించడం అలాగే వైద్య నిపుణులచే డేటాను సంగ్రహించడం కంటే మెరుగైనదని ఈ అధ్యయనం కనుగొంది. ఈ పెద్ద-స్థాయి భాషా నమూనాలు చాలా వరకు సహజ భాషా ప్రాసెసింగ్ కొలమానాలపై మానవ ఆపరేటర్ల కంటే ఎక్కువ స్కోర్ను సాధించాయి, డేటాను సంక్షిప్తంగా మరియు ఖచ్చితంగా సంగ్రహించడం. వైద్యుల విలువైన సమయాన్ని ఆదా చేయడానికి మరియు రోగి సంరక్షణను మెరుగుపరచడానికి మరిన్ని మార్పులు మరియు మెరుగుదలలతో ఈ ప్రక్రియ సమర్థవంతంగా అమలు చేయబడుతుంది.
సూచన పత్రికలు:
- వీన్, వి., ఉడెన్, వి., బ్లాంకేమేయర్, ఎల్., డెల్బ్రక్, జె., అహ్లి, ఎ., బ్రస్జెన్, సి., పారిఖ్, ఎ., పొలాసిన్, ఎం., రీస్, ఇపి, సీహోఫ్నెరోవా, ఎ., రోహత్గి, ఎన్., హోసామణి, పి., కాలిన్స్, డబ్ల్యూ., అహుజా, ఎన్., లాంగ్లోట్జ్, సి.పి., హోం, జె., గటిడిస్, ఎస్., పౌలీ, జె., మరియు చౌదరి, ఎ. ఎస్. (2024). స్వీకరించబడిన పెద్ద-స్థాయి భాషా నమూనా క్లినికల్ టెక్స్ట్ను సంగ్రహించడంలో వైద్య నిపుణులను మించిపోయింది. సహజ ఔషధం. DOI: 10.1038/s41591024028555, https://www.nature.com/articles/s41591-024-02855-5
[ad_2]
Source link
