使用变压器进行零射击健康轨迹预测.

科学领域:

• 人工智能在医学中的应用
• 机器学习用于医疗保健分析
• 深度学习用于临床决策支持

背景情况:

• 医疗保健面临着不断上升的成本和复杂性,需要先进的分析工具.
• 将机器学习 (ML) 纳入临床决策提供了显著的缓解潜力.
• 现有的ML模型通常需要广泛的标记数据和针对特定医疗保健任务的微调.

研究的目的:

• 引入健康结果模拟 (ETHOS) 的增强变压器,这是医疗保健的新型深度学习模型.
• 有效地分析高维度,异质和偶发的患者健康数据.
• 用零射击学习方法预测未来的健康轨迹,并模拟治疗途径.

主要方法:

• 利用变压器深度学习架构进行健康结果模拟.
• 训练有素的ETHOS在患者健康时间表 (PHTs) 上,这是健康事件的标记记录.
• 使用零射击学习方法,消除了对标记数据和模型微调的需求.

主要成果:

• 埃索斯展示了分析复杂健康数据和预测未来健康轨迹的能力.
• 该模型可以模拟各种治疗途径,考虑患者特定的因素.
• 在不需要标记数据的情况下,在为医疗保健分析开发基础模型方面取得了进展.

结论:

• 埃索斯代表了人工智能在医疗保健分析方面的重大进步,为医疗保健优化提供了强大的工具.
• 该模型的零射击学习能力加速了人工智能在医疗保健中的开发和部署.
• 埃索斯有可能解决医疗保健服务中的偏见,并改善患者的治疗结果.