Medizinische Software Healthcare LLM

für KlinikenAI

Stand der Technik Medizinische Großsprachenmodelle Klinische Notiz-Zusammenfassung ist 30% genauer als BART, Flan-T5 und Pegasus. Erkennung klinischer Entitäten Die Modelle von John Snow Labs machen nur halb so viele Fehler wie die von ChatGPT. Das Extrahieren von ICD-10-CM-Codes erfolgt mit einer Erfolgsquote von 76 % gegenüber 26 % bei GPT-3.5 und 36 % bei GPT-4. Einsatz von LLMs für das Gesundheitswesen in der Produktion Verwendung von LLMs für das Gesundheitswesen zur Datenermittlung aus Patientennotizen und -berichten Das US Department of Veterans Affairs, ein Gesundheitssystem, das über 9 Millionen Veteranen und deren Familien betreut. Diese Zusammenarbeit mit dem VA National Artificial Intelligence Institute (NAII), der VA Innovations Unit (VAIU) und dem Office of Information Technology (OI&T) zeigt, dass die Genauigkeit aktueller LLMs bei klinischen Notizen zwar inakzeptabel ist, aber durch Vorverarbeitung erheblich verbessert werden kann, zum Beispiel durch die Verwendung der klinischen Textzusammenfassungsmodelle von John Snow Labs, bevor diese als Inhalt in die generative KI-Ausgabe der LLMs eingespeist werden. Textgestützte Abfrage von Patientenkohorten: Nutzung von LLM-Modellen des Gesundheitswesens für ein präzises Gesundheitsmanagement der Bevölkerung Unter Verwendung der LLM-Modelle des John Snow Labs für das Gesundheitswesen ermöglicht die ClosedLoop-Plattform den Nutzern, Kohorten mit Hilfe von Freitextaufforderungen abzurufen. Beispiele hierfür sind: "Welche Patienten gehören zu den obersten 5 % des Risikos für eine ungeplante Einweisung und haben eine chronische Nierenerkrankung im Stadium 3 oder höher?" oder "Welche Patienten gehören zu den obersten 5 % des Risikos für eine Einweisung, sind älter als 72 Jahre und haben noch keinen jährlichen Wellness-Checkup absolviert?"