医疗检索-增量生成框架用于医疗预测

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床数据科学 临床数据科学

背景情况:

• 电子健康记录 (EHR) 对于医疗预测至关重要,它包含大量的患者数据.
• 对于医疗应用的当前检索增强生成 (RAG) 方法通常使用平面数据,无法捕捉复杂的医疗实体关系,从而导致低于最佳的预测.
• 这种限制导致了碎片化和多字的输出,阻碍了有效的医疗预测.

研究的目的:

• 提出MedGR,这是医疗预测的新框架,可以增强EHR数据的表现.
• 解决医疗应用现有的RAG方法中平面数据结构的局限性.
• 提高医疗预测中响应的连贯性,上下文丰富性和效率.

主要方法:

• 开发了MedGR,这是一个集成基于图形的临床文本索引与双层医疗检索架构的框架.
• 利用图形结构知识来合成来自多个来源的信息.
• 实施了一种新的方法,在EHR数据中捕捉医疗实体之间的复杂相互依赖.

主要成果:

• MedGR框架在诊断预测和医疗代码预测任务中都表现出高精度.
• 基于图形的索引和双层检索有效地合成了信息,从而产生了连贯和上下文丰富的响应.
• 拟议的医疗RAG框架显示了与处理复杂医疗数据的现有方法相比的显著改进.

结论:

• 通过利用图形结构知识,MedGR为医疗预测任务提供了高效和有效的解决方案.
• 该框架成功地克服了RAG应用程序在EHR中的平面数据表示的局限性.
• MedGR在提高来自电子健康记录的预测的准确性和质量方面提供了有希望的进步.