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

Hjärtsvikt är en stor komplikation av olika hjärtsjukdomar och är den ledande dödliga orsaken till hjärt-kärldöd över hela världen. Utifrån den vänstra ventrikulära ejektionsfraktionen (LVEF) kan hjärtsvikt delas in i hjärtsvikt med reducerad ejektionsfraktion (HFrEF), hjärtsvikt med konserverad ejektionsfraktion (HFpEF) och hjärtsvikt med lätt reducerad ejektionsfraktion (HFmrEF). Återinläggning av hjärtsvikt och komplikationer på sjukhus skilde sig inte mellan HFrEF och HFpEF. Men under de senaste två decennierna har överlevnadsgraden för HFrEF förbättrats avsevärt, medan HFpEF har förblivit stillastående. En av huvudorsakerna till detta är att den diagnostiska processen för HFpEF är komplicerad, och det är lätt att orsaka missad diagnos på kliniken, vilket resulterar i försenad behandling.

Multimodala stora språkmodeller är kapabla att integrera och analysera medicinska data från olika källor, inklusive textdata (t.ex. medicinska journaler, medicinsk litteratur), bilddata (t.ex. elektrokardiogram, datortomografibilder) och ljuddata (t.ex. symptom som berättas av patienter). Denna multimodala dataintegreringsförmåga är avgörande för att förstå komplexa medicinska scenarier, eftersom den ger en mer heltäckande bild av tillståndet än en enda datakälla.

Diagnosen av HFpEF står inför många utmaningar och kräver att läkare gör bedömningar av multidimensionella data, vilket lätt kan leda till underdiagnostik och feldiagnostik av sjukdomen. Som ett generativt verktyg för artificiell intelligens kan en stor språkmodell integrera och analysera data från olika källor och har förmågan att lära sig och utvecklas från befintliga kliniska bevis. Baserat på detta avser denna studie att utvärdera effektiviteten av en multimodal stor språkmodell för screening för hjärtsvikt med konserverad ejektionsfraktion (HFpEF), och jämföra den med den traditionella kliniska standardbedömningsprocessen.