چکیده
دیجیتالسازی مراقبتهای بهداشتی، رکوردهای بیمار گسترده، طولانیمدت و چندگانه را در طول عمر تولید کرده است، اما بهکارگیری کامل این دادهها برای نمایش و پیشبینی مسیرهای وضعیت بیمار همچنان یک چالش مهم است. مدلهای هوش مصنوعی (AI) فعلی اغلب نمیتوانند پویاییهای زمانی پیچیده، نامنظم و تصادفی ذاتی دادههای چندحالتی واقعی بیماران را درک کنند. رویکردهای موجود هوش مصنوعی برای مدلسازی رکوردهای طولانیمدت بیمار عمدتاً مجزا هستند، به چند حالت محدود میشوند، توسط واژگان بستهٔ دستهای محدود میشوند، زمان را بهعنوان یک سوگیری منحصربهفرد صعودی در نظر میگیرند یا در پیشبینی وضعیتهای آینده بیمار محدود هستند. ما NOAH را معرفی میکنیم، یک مدل ترانسفرولودر ژنراتیو که محور زمان و بدون وابستگی به وظیفه است و مسیر کامل چندحالتی بیمار را نمایش و پیشبینی میکند. NOAH دارای یکپارچهسازی زمان دوطرفهٔ نوین و یک فضای لاتنت واریاسیونالی است تا تکامل پیوسته وضعیتهای بیمار و تصادفیت مسیرهای کلینیکی را در برگیرد. از بیش از ۵۵۹ میلیون رویداد کلینیکی حاصل از ۴۳۱٬۰۰۰ بازدید بیمارستانی از ۲۹۹٬۰۰۰ بیمار در خانواده، مجموعه داده MIMIC ساخته شده است؛ NOAH بهطور بومی تصاویر پزشکی، سیگنالهای سری زمانی و عددی، رویدادهای دستهای و همچنین رکوردهای کلینیکی ساختاری و غیرساختاری را پردازش میکند. NOAH اولین مدل واقعی جامع ژنراتیو در این حوزه است که پیشبینی خودبازگشتی با کنترل زمان اختیاری، دستهبندی صفر-نمونهای و شبیهسازی مداخلهٔ ضدحقیقتی را امکانپذیر میسازد. آن نمایشهای وضعیت بیسان بسیار مفید و قابل پیشبینی را فراهم میآورد که در آزمونهای ارزیابی برای نتایج کلینیکی، ۱۵ فصل ICD و ۲۹ همبستگی، همچنین در پیشبینی زمان تا رویداد، عملکرد قوی نشان میدهد. با پردازش آسان حوزههای متنوع و دینامیکهای زمانی پیچیده، NOAH یک بنیان بدون وابستگی به وظیفه، مقیاسپذیر و چندمنظوره برای سیستمهای پیشبینی هوشمند در مراقبتهای شخصیسازیشده و داروی دیجیتال فراهم میآورد.
متن کامل
عنوان: نوح: یادگیری سفر کامل بیمار. مدل زمانآگاه چندرسانهای طولانیمدت برای نمایش و پیشبینی
نویسندگان: توبیاس سوزتسکی، رافائل رهمس، دمیتری سلتکوف، عزگون تورگوت، میشل اسپرانتا لیمان، لیزا اشتاینهلفر، ریکمر برن، دنیل روکرت
مایل به مشاهدهٔ فایل PDF مقالهای با عنوان «نوح: یادگیری سفر کامل بیمار. مدل زمانآگاه چندرسانهای طولانیمدت برای نمایش و پیشبینی» نوشتهٔ توبیاس سوزتسکی و هفت نویسندهٔ دیگر هستید. مشاهدهٔ PDF HTML (آزمایشی)
چکیده: دیجیتالیسازی مراقبتهای بهداشتی، حجم عظیمی از دادههای چندرسانهای و طولانیمدت بیماران را در طول زمان ایجاد کرده است، اما استفادهٔ کامل از این دادهها برای نمایش و پیشبینی روند بیماری همچنان چالشی مهم است. مدلهای هوش مصنوعی فعلی اغلب در مواجهه با پیچیدگیهای دینامیک زمانی، نامنظمی و ماهیت استوکاستیک دادههای چندرسانهای واقعی بیماران با دشواریهایی روبرو هستند. رویکردهای موجود هوش مصنوعی برای مدلسازی سوابق طولانیمدت بیماران عمدتاً تمایزی هستند، به چند رویداد محدود میشوند، تحت محدودیت واژگان دستهبندیشدهٔ بسته قرار دارند، زمان را بهعنوان یک تعامل استقرایی مونوتونیک در نظر میگیرند، یا در پیشبینی وضعیتهای آیندهٔ بیماران محدود هستند. ما مدل نوح را معرفی میکنیم؛ یک مدل ترنسفورمری زمانآگاه، بدون وابستگی به وظیفه و تولیدی که سفر کامل چندرسانهای بیمار را نمایش داده و پیشبینی میکند. نوح دارای ویژگیهایی مانند یک ادغام زمانی دوطرفهٔ نوآورانه و یک فضای نهان واریاسیونی است که قادر به درک تکامل مداوم وضعیتهای بیماران و استوکاستیک بودن مسیرهای بالینی است. این مدل بر اساس بیش از ۵۵۹ میلیون رویداد بالینی از ۴۳۱٬۰۰۰ مراجعهٔ بیمارستانی ۲۹۹٬۰۰۰ بیمار در مجموعهٔ دادهٔ MIMIC ساخته شده است و بهطور ذاتی قادر به پردازش تصاویر پزشکی، سیگنالهای سریزمانی و عددی، رویدادهای دستهبندیشده و همچنین سوابق بالینی ساختاریافته و غیرساختاریافته است. نوح اولین مدل تولیدی واقعاً جامع در این حوزه است که پیشبینی خودبازگششتی با کنترل اختیاری زمان، طبقهبندی صفرنمونهای و شبیهسازی مداخلات ضدواقعی را ممکن میسازد. این مدل نمایشهای بسیار اطلاعاتی و پیشبینیکنندهای از وضعیت بیماران تولید میکند که عملکرد قویای در بررسی نتایج بالینی، ۱۵ فصل ICD و ۲۹ بیماری همزمان، و همچنین در پیشبینی زمان تا وقوع رویداد نشان میدهد. با مدیریت مؤثر رویدادهای متنوع و دینامیکهای زمانی پیچیده، نوح یک پایهٔ بسیار انعطافپذیر، بدون وابستگی به وظیفه و مقیاسپذیر برای سیستمهای پیشبینی هوشمند در مراقبتهای بالینی شخصیسازیشده و پزشکی دیجیتال فراهم میکند.
موضوعات: یادگیری ماشین (ML)؛ هوش مصنوعی (AI)
ارجاع: arXiv:2609.09140 [cs.LG] (یا arXiv:2609.09140v1 [cs.LG] برای این نسخه)
https://doi.org/10.48550/arXiv.2609.09140
برای کسب اطلاعات بیشتر، DOI صادرشدهٔ arXiv را از طریق DataCite مطالعه کنید (در انتظار ثبت)
تاریخ ارسال: توبیاس سوزتسکی [مشاهدهٔ ایمیل] [v1] سهشنبه، ۸ سپتامبر ۲۰۲۶، ساعت ۱۷:۵۶:۱۳ UTC (۳٬۹۸۹ کیلوبایت)
ابزارهای بیبلیوگرافیک: ابزارهای بیبلیوگرافیک و ارجاعدهی مرورگر بیبلیوگرافیک فعال/غیرفعال کردن مرورگر بیبلیوگرافیک (مرورگر بیبلیوگرافیک چیست؟) پاپ متصل
ایمنی کاربر: امن