Self-Supervised Temporal Pattern Mining for precision oncology clinical workflows across multilingual stakeholder groups

Début 2024, l'auteur a découvert une asymétrie significative dans le flux de données cliniques au sein des flux de travail en oncologie, caractérisée par des décalages temporels et linguistiques. Cette prise de conscience a mené à une plongée approfondie dans l'extraction de modèles temporels auto-supervisés pour l'oncologie de précision, axée sur la compréhension des fonctions réelles des flux de travail cliniques.