Multimodális nagynyelvi modell alkalmazása HFpEF-ben (MeG-HFpEF)

A szívelégtelenség a különböző szívbetegségek egyik fő szövődménye, és világszerte a szív- és érrendszeri halálozás vezető halálos oka. A bal kamrai ejekciós frakció (LVEF) alapján a szívelégtelenség csökkent ejekciós frakcióval (HFrEF), megőrzött ejekciós frakcióval (HFpEF) és enyhén csökkent ejekciós frakcióval (HFmrEF) járó szívelégtelenségre osztható. A szívelégtelenség rehospitalizálási aránya és a kórházi szövődmények nem különböztek a HFrEF és a HFpEF között. Az elmúlt két évtizedben azonban a HFrEF túlélési aránya jelentősen javult, míg a HFpEF stagnált. Ennek egyik fő oka, hogy a HFpEF diagnosztikai folyamata bonyolult, és könnyen előfordulhat, hogy a klinikán elmulasztják a diagnózist, ami késlelteti a kezelést.

A multimodális nagynyelvi modellek képesek integrálni és elemezni a különböző forrásokból származó orvosi adatokat, beleértve a szöveges adatokat (pl. orvosi feljegyzések, orvosi irodalom), képadatokat (pl. elektrokardiogramok, CT-szkennelt képek) és hangadatokat (pl. az általa elmondott tüneteket). betegek). Ez a multimodális adatintegrációs képesség kulcsfontosságú az összetett orvosi forgatókönyvek megértéséhez, mivel átfogóbb képet ad az állapotról, mint egyetlen adatforrás.

A HFpEF diagnózisa számos kihívással néz szembe, és megköveteli a klinikusoktól, hogy többdimenziós adatok alapján hozzanak ítéletet, ami könnyen a betegség alul- és téves diagnózisához vezethet. Generatív mesterséges intelligencia eszközként egy nagy nyelvi modell képes integrálni és elemezni a különböző forrásokból származó adatokat, és képes tanulni és fejlődni a meglévő klinikai bizonyítékokból. Ennek alapján a tanulmány a szívelégtelenség megőrzött ejekciós frakcióval (HFpEF) történő szűrésére szolgáló multimodális nagynyelvi modell hatékonyságát kívánja értékelni, összehasonlítva a hagyományos klinikai standard értékelési eljárással.