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

Hjertesvikt er en stor komplikasjon til ulike hjertesykdommer og er den ledende dødelige årsaken til hjerte- og kardødsfall på verdensbasis. Ut fra venstre ventrikkel ejeksjonsfraksjon (LVEF) kan hjertesvikt deles inn i hjertesvikt med redusert ejeksjonsfraksjon (HFrEF), hjertesvikt med bevart ejeksjonsfraksjon (HFpEF) og hjertesvikt med lett redusert ejeksjonsfraksjon (HFmrEF). Hjertesvikt-rehospitaliseringsrater og komplikasjoner på sykehus skilte seg ikke mellom HFrEF og HFpEF. I løpet av de siste to tiårene har imidlertid overlevelsesraten for HFrEF forbedret seg betydelig, mens HFpEF har holdt seg stillestående. En av hovedårsakene til dette er at den diagnostiske prosessen med HFpEF er komplisert, og det er lett å forårsake manglende diagnose i klinikken, noe som resulterer i forsinket behandling.

Multimodale store språkmodeller er i stand til å integrere og analysere medisinske data fra forskjellige kilder, inkludert tekstdata (f.eks. medisinske journaler, medisinsk litteratur), bildedata (f.eks. elektrokardiogrammer, CT-skanningsbilder) og lyddata (f.eks. symptomer fortalt av pasienter). Denne multimodale dataintegreringsevnen er avgjørende for å forstå komplekse medisinske scenarier, siden den gir et mer omfattende syn på tilstanden enn en enkelt datakilde.

Diagnosen HFpEF står overfor mange utfordringer og krever at klinikere gjør vurderinger på flerdimensjonale data, noe som lett kan føre til underdiagnostikk og feildiagnostisering av sykdommen. Som et generativt verktøy for kunstig intelligens er en stor språkmodell i stand til å integrere og analysere data fra forskjellige kilder og har evnen til å lære og utvikle seg fra eksisterende klinisk bevis. Basert på dette har denne studien til hensikt å evaluere effektiviteten av multimodal storspråklig modell for screening for hjertesvikt med bevart ejeksjonsfraksjon (HFpEF), og sammenligne den med den tradisjonelle kliniske standardvurderingsprosessen.