Análisis de direcciones de pacientes mediante aprendizaje contrastivo consciente de KG e inferencia de LLM...

Área de la Ciencia:

• Ciencias de la Computación; Inteligencia Artificial; Ciencia de Datos

Sus antecedentes:

• El análisis de direcciones es crucial para los sistemas de información a gran escala, pero enfrenta desafíos con la ambigüedad y la privacidad.
• Los métodos existentes tienen dificultades con problemas semánticos y estructurales, alucinaciones y restricciones de implementación.

Objetivo del estudio:

• Introducir AddrKG-LLM, un marco novedoso para el análisis de direcciones preciso y controlable.
• Abordar las limitaciones de los enfoques actuales en el manejo de direcciones de texto libre ruidosas y abreviadas.

Principales métodos:

• Un marco de dos etapas que combina la recuperación consciente del grafo de conocimiento (KG) con la decodificación de modelos de lenguaje grandes (LLM) restringida por esquema.
• Aprendizaje contrastivo sobre grafos administrativos de múltiples vistas para la recuperación y reordenación de candidatos (Recall@K).
• Decodificación de LLM en las instalaciones y restringida por candidatos para salidas compatibles con JSON, garantizando la consistencia de los campos y la alineación con el KG.

Principales resultados:

• AddrKG-LLM demostró ganancias consistentes en precisión a nivel micro (Fórmula: ver texto) y a nivel macro (Fórmula: ver texto) en comparación con los métodos de referencia.
• El marco logró un Recall@K favorable, lo que indica una alta cobertura de oro.
• Las evaluaciones utilizaron registros del mundo real desidentificados, evaluando la consistencia estructural y las propiedades del sistema como la latencia.

Conclusiones:

• AddrKG-LLM ofrece una solución precisa, controlable y desplegable para estructurar direcciones ruidosas.
• La combinación de la recuperación consciente del KG con la decodificación de LLM restringida en las instalaciones supera eficazmente los desafíos existentes.
• El método mejora la estandarización de datos para sistemas de información a gran escala.