Die Arbeit stellt EHRBench vor, einen automatisierten und zuverlässigen, EHR-basierten Benchmark zur Bewertung von LLM-basierten klinischen Entscheidungsfindungen, der das unzureichende Verständnis der Zuverlässigkeit von LLMs bei realen klinischen Aufgaben adressiert. Ziel ist es, sowohl Umfang als auch Qualität bei der Bewertung von CDM-Modellen sicherzustellen.
Diese Arbeit stellt ClinicalBench vor, einen 400-Fragen-Benchmark zur Bewertung der aussagebewussten Informationsbeschaffung für klinische QA auf MIMIC-IV unter Verwendung echter EHR-Notizen. Sie beschreibt auch EpiKG, ein Patientengraph-System, das die Retrievalleistung durch Berücksichtigung von Negation und Zeitlichkeit verbessert und signifikante Leistungssteigerungen bei klinischen LLMs zeigt.
HypEHR ist ein kompaktes Lorentzsches Modell, das hyperbolische Geometrie für die Beantwortung von Fragen zu elektronischen Gesundheitsakten (EHR) nutzt und Kosten- sowie hierarchische Strukturprobleme LLM-basierter Methoden überwindet. Es wird für die Diagnosevorhersage und die Ausrichtung an medizinischen Ontologien vortrainiert und erreicht eine vergleichbare Leistung wie LLMs mit deutlich weniger Parametern.
Diese Forschung stellt "Schema-Adaptive Tabular Representation Learning" vor, eine neuartige Methode, die Große Sprachmodelle (LLMs) nutzt, um übertragbare tabellarische Embeddings zu generieren. Durch die semantische Kodierung strukturierter Variablen in natürliche Sprache ermöglicht sie eine Zero-Shot-Abstimmung über verschiedene EHR-Schemata in der klinischen Medizin hinweg, ohne manuelle Merkmalsentwicklung.
GraphDiffMed ist ein neues Framework zur Empfehlung sicherer und wirksamer Medikamentenkombinationen aus elektronischen Gesundheitsakten. Es verwendet eine zweistufige differentielle Aufmerksamkeit, um Rauschen zu filtern, und integriert pharmakologische Einschränkungen während des Lernens, was die Empfehlungsqualität verbessert.
Diese Forschung validiert einen Deep-Learning-Algorithmus zur Glaukom-Risikobewertung unter Verwendung systemischer elektronischer Gesundheitsakten. Das Modell, das mit Stanford-Patientendaten feinabgestimmt wurde, erreichte einen AUROC von 0.883 und einen PPV von 0.657 und zeigt damit ein großes Potenzial für skalierbares und zugängliches Vorscreening.