O artigo apresenta EHRBench, um benchmark automatizado e confiável baseado em prontuários eletrônicos de saúde (EHRs) para avaliar LLMs na tomada de decisões clínicas, abordando a compreensão insuficiente da confiabilidade dessas em tarefas clínicas reais. O objetivo é garantir escala e qualidade na avaliação de modelos de tomada de decisões clínicas (CDM).
O artigo apresenta o ClinicalBench, um novo teste de 400 perguntas para avaliar a recuperação de informações sensíveis a afirmações em notas de prontuários eletrônicos reais no MIMIC-IV. Ele também descreve o EpiKG, um sistema de grafo de conhecimento do paciente que melhora a recuperação ao considerar negação e temporalidade, resultando em uma melhoria significativa no desempenho de LLMs clínicos.
HypEHR é um novo modelo compacto que utiliza geometria hiperbólica para responder a perguntas sobre Registros Eletrônicos de Saúde (EHR), superando os desafios de custo e estrutura hierárquica dos métodos baseados em LLM. Ele é pré-treinado para predição de diagnósticos e alinhamento com ontologias médicas, alcançando desempenho comparável a LLMs com muito menos parâmetros.
Esta pesquisa apresenta o "Schema-Adaptive Tabular Representation Learning", um método inovador que utiliza Large Language Models (LLMs) para criar embeddings tabulares transferíveis. Ao transformar variáveis estruturadas em declarações semânticas de linguagem natural, permite o alinhamento zero-shot entre esquemas de EHR variáveis na medicina clínica, sem engenharia de recursos manual.
GraphDiffMed é um novo framework para recomendação de medicação segura e eficaz a partir de registros eletrônicos de saúde. Ele utiliza atenção diferencial em dupla escala para filtrar ruído e incorpora restrições farmacológicas durante o aprendizado, melhorando a qualidade da recomendação.
Esta pesquisa valida um algoritmo de deep learning para avaliação de risco de glaucoma utilizando prontuários eletrônicos de saúde sistêmicos. O modelo, ajustado com dados de pacientes de Stanford, alcançou um AUROC de 0.883 e PPV de 0.657, demonstrando grande potencial para pré-rastreamento escalável e acessível.