对中风后上肢运动恢复的监督预测,使用不确定知识图和大型语言模型

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 精确预测中风后上肢运动恢复对于有效的康复策略至关重要.
• 目前的方法往往提供静态预测,不利用非结构化的电子健康记录 (EHR) 数据.
• 需要动态预测模型,利用电子健康记录中的丰富信息.

研究的目的:

• 开发一种新的任务,以在可变的时间点动态预测中风后上肢运动恢复.
• 利用不确定的知识图 (UKG) 和大型语言模型 (LLM) 来利用来自电子健康记录的非结构化文本数据.
• 通过灵活可靠的恢复结果预测,实现个性化康复策略.

主要方法:

• 利用了EHR数据,在中风后的3,6个月和12个月恢复结果.
• 将EHR数据 (文本,分类,数值) 转换为矢量表示.
• 使用UKG和LLM进行文本数据丰富,与其他数据类型连接,然后进行特征选择和监督学习.

主要成果:

• 在动态恢复预测中实现了92.5%的准确性.
• 在各种评估指标上证明了拟议方法的优越性.
• 渐变增强分类器在选择特征后显示,与使用所有特征相比,准确性增加了7.9%.

结论:

• 将UKG与LLM整合起来,便于灵活可靠地预测中风后上肢运动恢复.
• 拟议的方法支持根据临床需求量身定制的动态预测.
• 这种方法在开发个性化中风康复策略方面具有实际应用的潜力.