一个基于知识的评估和捕获病理的计算协议

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 临床决策支持 临床决策支持

背景情况:

• 提取,表示和保留临床经验和医学知识的挑战阻碍了知情的患者护理.
• 当前的人工智能 (AI) 模型,与大型语言模型 (LLM) 一样,缺乏人类可读的解释,需要广泛的,集成的数据集,限制了它们的临床实用性.
• 医学中的数据稀缺性和异质性与许多人工智能应用的需求形成鲜明对比.

研究的目的:

• 提出近似推理作为一种系统地将可解释的医学知识纳入临床实践的方法.
• 概述一个概念协议,用于利用来自各种来源的稀疏,不同的数据来支持临床决策.
• 展示一种综合方法来评估和协调来自不同实验模型和来源的数据.

主要方法:

• 开发一个概念协议,用于医疗保健中的近似推理.
• 专注于可解释的人工智能,促进知识的保留,共享和重复使用.
• 利用来自多个来源的稀疏,不一致的数据,包括人类和动物模型.

主要成果:

• 拟议的方法促进了临床和基本医学知识的系统整合.
• 可通过近似推理解释的AI支持医疗经验的保留,共享和重用.
• 该概念协议在评估和协调复杂健康状况的各种数据方面具有实用性.

结论:

• 大致推理为将可解释的医学知识整合到临床工作流程中提供了一条可行的途径.
• 这种方法解决了当前AI的局限性,利用稀疏,异质的数据,并优先考虑临床医生的理解.
• 拟议的框架通过系统地管理和应用集体医疗经验,支持加强临床决策.