使用大型语言模型和远程监控历史数据评估节拍器电池水平估计

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 医疗设备监控 医疗设备监控

背景情况:

• 心脏起器的远程监控 (RM) 已经普及,提供了有价值的患者数据,但在手动数据提取和聚合方面面临着挑战.
• 目前的RM系统每月生成报告,导致数据稀缺,这阻碍了全面的患者分析和统一.
• 手动汇总各种RM数据格式给医疗保健专业人员带来了大量的工作负担,限制了有效的数据利用.

研究的目的:

• 开发一个自动化起器电池水平估计系统,将大型语言模型 (LLM) 与历史远程监控 (RM) 数据集成在一起.
• 为了应对手动数据提取,聚合和当前心脏起器RM系统中数据稀缺的挑战.
• 为临床医生创建一个用户友好的系统,以便在不需要技术专业知识的情况下轻松访问和分析类似的患者数据.

主要方法:

• 开发了一个利用LLM的系统来自动创建和查询来自心脏起器RM数据的关系数据库.
• 使用OpenAI的生成预训练变压器 (GPT) 来计算来自RM历史的高阶近似曲线,以模拟心脏起器放电特征.
• 利用Akaike信息标准 (AIC) 选择最佳的近似曲线来开发起器电池剩余容量预测系统.

主要成果:

• 开发的系统证明了将RM数据与LLM集成为监测心脏起器状态的可行性.
• 最新的gpt-4o模型在电池电平估计中实现了0.0124mV的最低根平均平方误差 (RMSE).
• 基于LLM的数据分析使得从关系数据库中更容易识别类似的患者数据,而不需要技术技能.

结论:

• 将LLM与RM数据集成为未来的起器状态监测提供了一种可行和高效的方法.
• 开发的系统通过自动化数据分析和数据库管理来减少医疗保健专业人员的工作量.
• 这种LLM驱动的解决方案增强了更准确和更容易访问的节拍器数据分析的潜力,改善了患者的护理.