Hastaneden taburcu olmak hastalar için önemli bir dönüm noktasıdır – ancak bazen iyileşme yollarının sonu değildir. yaklaşık %15 ABD’de hastane hastalarının %’si ilk taburcu olduktan sonraki 30 gün içinde yeniden kabul ediliyor ve bu genellikle hem hastalar hem de hastaneler için daha kötü sonuçlar ve daha yüksek maliyetlerle ilişkilendiriliyor.

New York Üniversitesi’nin akademik tıp merkezi olan NYU Langone Health’teki araştırmacılar, bir hastanın 30 günlük yeniden yatış riskini ve diğer klinik sonuçları tahmin eden bir büyük dil modeli (LLM) geliştirmek için NVIDIA uzmanlarıyla işbirliği yaptı.

Sağlık sisteminin altı yatan hasta tesisinde konuşlandırılan NYUtron modeli — bugün tanıtıldı bilimsel dergide Doğa — doktorlara, yeniden yatış olasılığını azaltmak için klinik müdahaleye ihtiyaç duyan hastaları belirlemelerine yardımcı olabilecek yapay zeka odaklı içgörüler sağlar.

NYU Grossman School’da radyoloji ve beyin cerrahisi yardımcı doçenti Dr. Eric Oermann, “Hastaneden bir hastayı taburcu ettiğinizde, onun geri dönmesini beklemiyorsunuz veya muhtemelen onu hastanede daha uzun süre tutmanız gerekirdi” dedi. Tıp Fakültesi ve NYUtron’da lider bir işbirlikçi. “Yapay zeka modelinden analiz kullanarak, yakında klinisyenlere hastaları daha yüksek yeniden kabul riskine sokan durumları önleme veya düzeltme konusunda yetki verebiliriz.”

Model şimdiye kadar NYU’nun sağlık sisteminde taburcu edilen 50.000’den fazla hastaya uygulandı ve burada yeniden kabul riski tahminlerini e-posta bildirimleri aracılığıyla doktorlarla paylaştı. Oermann’ın ekibi, NYUtron’un analizlerine dayanan müdahalelerin yeniden kabul oranlarını azaltıp azaltmadığını test etmek için bir klinik deneme planlıyor.

Hızlı Geri Kabul Tehdidiyle Mücadele ve Daha Fazlası

ABD hükümeti, hastanelerin sağladığı bakım kalitesinin bir göstergesi olarak 30 günlük yeniden kabul oranlarını izliyor. olan tıbbi kurumlar yüksek oranlar para cezasına çarptırılır — hastaneleri taburcu olma sürecini iyileştirmeye teşvik eden bir inceleme düzeyi.

Yakın zamanda taburcu olan bir hastanın hastaneye yeniden yatırılması gerekebilecek pek çok neden vardır – bunlar arasında enfeksiyon, aşırı antibiyotik reçetesi, çok erken çıkarılan cerrahi drenler sayılabilir. Bu risk faktörleri daha erken tespit edilebilirse, doktorlar tedavi planlarını ayarlayarak veya hastanede hastaları daha uzun süre izleyerek müdahale edebilir.

Oermann, “1980’lerden beri hastaların yeniden kabulünü tahmin etmek için hesaplamalı modeller olsa da, bunu sağlık sistemi ölçeğinde klinik metin külliyatı gerektiren doğal bir dil işleme görevi olarak ele alıyoruz” dedi. “İnsanların daha önce dikkate almadığı içgörüleri yakalayıp yakalayamayacağını görmek için LLM’mizi elektronik sağlık kayıtlarının yapılandırılmamış verileri konusunda eğittik.”

NYUtron, NYU Langone Health’in 10 yıllık sağlık kayıtları üzerinde önceden eğitildi: yaklaşık 400.000 hastayı temsil eden 4 milyar kelimeden fazla klinik not. Model, yeniden kabulü tahmin etmek için son teknoloji makine öğrenimi modeline göre yüzde 10’dan fazla bir doğruluk artışı sağladı.

LLM, 30 günlük yeniden kabulün ilk kullanım durumu için eğitildikten sonra, ekip yaklaşık bir hafta içinde dört öngörü algoritması daha üretmeyi başardı. Bunlar, bir hastanın hastanede kalış süresinin, hastane içi ölüm olasılığının ve bir hastanın sigorta taleplerinin reddedilme olasılığının tahmin edilmesini içerir.

Oermann, “Hastane işletmek bazı açılardan otel yönetmeye benzer” dedi. “Hastanelerin daha verimli çalışmasına yardımcı olan içgörüler, daha fazla yatak ve daha fazla sayıda hasta için daha iyi bakım anlamına gelir.”

Eğitimden Dağıtıma LLM Almak

NYUtron, kullanılarak eğitilmiş yüz milyonlarca parametreye sahip bir LLM’dir. NVIDIA NeMo Megatron büyük bir küme üzerinde çerçeve NVIDIA A100 Tensör Çekirdekli GPU’lar.

Oermann, “Şu anda dil modelleri hakkındaki konuşmaların çoğu, yüzlerce veya binlerce GPU kullanan dağınık veri kümeleri üzerinde eğitilmiş, milyarlarca parametreye sahip devasa, genel amaçlı modeller hakkındadır” dedi. “Bunun yerine, sağlık hizmetlerine özgü görevleri gerçekleştirmek için son derece rafine verilerle eğitilmiş orta ölçekli modeller kullanıyoruz.”

Modeli gerçek dünyadaki hastanelerde çıkarım için optimize etmek amacıyla ekip, modelin değiştirilmiş bir sürümünü geliştirdi. NVIDIA Triton kullanarak kolaylaştırılmış yapay zeka modeli dağıtımı için açık kaynaklı yazılım NVIDIA TensorRT yazılım geliştirme kiti.

Oermann, “Bunun gibi bir modeli canlı bir sağlık hizmeti ortamında devreye almak için verimli bir şekilde çalışması gerekir” dedi. “Triton, istediğiniz her şeyi bir çıkarım çerçevesinde sunarak, modelimizi son derece hızlı hale getiriyor.”

Oermann’ın ekibi, LLM’lerini önceden eğittikten sonra, belirli bir hastanenin verileriyle yerinde ince ayarın yapılmasının doğruluğu önemli ölçüde artırmaya yardımcı olduğunu keşfetti – bu, diğer sağlık kurumlarının benzer modelleri kullanmasına yardımcı olabilecek bir özellik.

“Tüm hastaneler büyük bir dil modelini şirket içinde sıfırdan eğitecek kaynaklara sahip değil, ancak NYUtron gibi önceden eğitilmiş bir modeli benimseyip buluttaki GPU’ları kullanarak küçük bir yerel veri örneğiyle ince ayar yapabilirler” dedi. . “Bu, sağlık hizmetlerinde çalışan hemen hemen herkesin ulaşabileceği bir yerde.”

NYUtron hakkında daha fazla bilgi edinmek için, okumak Doğa kağıt ve izle talep üzerine bu NVIDIA ve NYU konuşması.