Anvendelse af Multimodal Large Language Model i HFpEF (MeG-HFpEF)

Hjertesvigt er en stor komplikation til forskellige hjertesygdomme og er den førende dødelige årsag til hjerte-kar-død på verdensplan. Ud fra venstre ventrikulær ejektionsfraktion (LVEF) kan hjertesvigt opdeles i hjertesvigt med reduceret ejektionsfraktion (HFrEF), hjertesvigt med bevaret ejektionsfraktion (HFpEF) og hjertesvigt med let reduceret ejektionsfraktion (HFmrEF). Hjertesvigt genindlæggelsesrater og komplikationer på hospitalet var ikke forskellige mellem HFrEF og HFpEF. I løbet af de sidste to årtier er overlevelsesraten for HFrEF imidlertid forbedret betydeligt, hvorimod HFpEF er forblevet stagnerende. En af hovedårsagerne til dette er, at den diagnostiske proces af HFpEF er kompliceret, og det er let at forårsage manglende diagnose i klinikken, hvilket resulterer i forsinket behandling.

Multimodale store sprogmodeller er i stand til at integrere og analysere medicinske data fra forskellige kilder, herunder tekstdata (f.eks. lægejournaler, medicinsk litteratur), billeddata (f.eks. elektrokardiogrammer, CT-scanningsbilleder) og lyddata (f.eks. symptomer fortalt af patienter). Denne multimodale dataintegrationsevne er afgørende for at forstå komplekse medicinske scenarier, da den giver et mere omfattende overblik over tilstanden end en enkelt datakilde.

Diagnosen af ​​HFpEF står over for mange udfordringer og kræver, at klinikere foretager vurderinger på multidimensionelle data, hvilket let kan føre til underdiagnosticering og fejldiagnosticering af sygdommen. Som et generativt kunstig intelligensværktøj er en stor sprogmodel i stand til at integrere og analysere data fra forskellige kilder og har evnen til at lære og udvikle sig fra eksisterende klinisk evidens. Baseret på dette har denne undersøgelse til hensigt at evaluere effektiviteten af ​​multimodal stor sprogmodel til screening for hjertesvigt med bevaret ejektionsfraktion (HFpEF) ved at sammenligne den med den traditionelle kliniske standardvurderingsproces.