Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: May 5, 2026

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

1.2K

Modelos de Lenguaje Grandes para la Extracción Precisa de Gráficos Médicos: Habilitando la Implementación Escalable y

Zhusi Zhong1, Carl M Porto1, David Hong1

  • 1From the Warren Alpert Medical School of Brown University (Z.Z., C.M.P, M.G., R.K., G.K., L.B., J.R.F., E.S., S.C., L.S., G.B., M.J., S.Y., Z.J., D.N.W.), Department of Radiology (Z.Z., G.B., M.J., Z.J.), Brown University Health, Department of Interventional Radiology (D.N.W.), Brown University Health, Department of Neurosurgery (J.R.F.), Brown University Health, Providence 02903, USA.

AJNR. American journal of neuroradiology
|February 20, 2026
PubMed
Resumen

Videos de Conceptos Relacionados

Brain Imaging01:14

Brain Imaging

1.0K
Brain imaging technologies provide critical insights into both the structure and function of the human brain, enabling medical professionals and researchers to diagnose, study, and treat neurological disorders or psychiatric disorders more effectively.
These technologies include computerized axial tomography (CAT or CT scans), positron-emission tomography (PET scans),  magnetic resonance imaging (MRI),  functional magnetic resonance imaging (fMRI), and Transcranial Magnetic...
1.0K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Role of Perfusion Parameters on Outcomes and Safety of Endovascular Therapy in Posterior Cerebral Artery Stroke.

Stroke·2026
Same author

International survey on the management of cervical artery dissection: assessing consensus and variability in practice.

Journal of thrombosis and thrombolysis·2026
Same author

KRAS inhibition is an effective therapy for appendiceal adenocarcinoma.

Journal of hematology & oncology·2026
Same author

Impact of Readmission Hospital Site on Outcomes in Patients With Intracerebral Hemorrhage Undergoing Surgery: A Nationwide Cohort Study.

Journal of the American Heart Association·2026
Same author

Press releases in neurosurgery: is scientific accuracy compromised in public reporting of neurosurgery research?

Journal of neurosurgery·2026
Same author

Revisiting Predicted Age of Disease Onset in a Korean Kindred with the Transthyretin Asp38Val Variant.

Korean circulation journal·2026

Los modelos de lenguaje grandes (LLM) pueden extraer con precisión datos clínicos de informes de accidentes cerebrovasculares neurointervencionales. Este enfoque de IA ayuda a la investigación al estructurar la información médica compleja de manera eficiente.

Área de la Ciencia:

  • Inteligencia Artificial
  • Informática Médica
  • Radiología Neurointervencionista

Sus antecedentes:

  • La abstracción de historias clínicas es vital para la investigación clínica y la monitorización de la calidad.
  • Los informes de procedimientos no estructurados dificultan el análisis a gran escala de datos clínicos.

Objetivo del estudio:

  • Desarrollar y evaluar un marco de modelo de lenguaje grande (LLM) basado en prompting.
  • Automatizar la extracción de variables clínicas estructuradas de informes de procedimientos neurointervencionales para pacientes con accidente cerebrovascular isquémico agudo (AIS) con oclusiones de grandes vasos (LVO).

Principales métodos:

  • Análisis retrospectivo de 2416 informes de trombectomía neurointervencional.
  • Evaluación de 22 LLM ajustados a instrucciones utilizando estrategias de prompting de respuesta rápida y cadena de pensamiento (CoT).
Palabras clave:
Modelos de Lenguaje GrandesExtracción de Datos MédicosAccidente CerebrovascularInteligencia ArtificialInformática Médica

Videos de Experimentos Relacionados

Last Updated: May 5, 2026

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

1.2K
  • Comparación con anotaciones de personal no experto y calificaciones de expertos médicos en cuanto a precisión y acuerdo.

    • Principales resultados:

    • LLaMA3.3-70B logró una precisión del 94.8%, superando las anotaciones de no expertos.
    • El prompting de CoT mejoró la extracción de variables inferenciales.
    • Quick Response se destacó para campos de procedimiento directos.
    • Las predicciones de IA se alinearon mejor con las interpretaciones de expertos que con el personal no experto, especialmente para variables estructuradas.

    Conclusiones:

    • Los LLM con prompting pueden extraer de manera precisa y escalable información clínica crítica de informes de radiología neurovascular.
    • Este marco apoya la integración en la investigación retrospectiva y la curación automatizada de registros de accidentes cerebrovasculares sin preprocesamiento personalizado.