Logiciel médical Healthcare LLM

cliniqueIA

État de l'art en matière de modèles linguistiques médicaux à grande échelle Résumé de notes cliniques est 30 % plus précis que BART, Flan-T5 et Pegasus. Reconnaissance d'entités cliniques Les modèles de John Snow Labs font deux fois moins d'erreurs que ChatGPT. L'extraction des codes ICD-10-CM est réalisée avec un taux de réussite de 76% contre 26% pour GPT-3.5 et 36% pour GPT-4. Utilisation des LLM dans le domaine de la santé pour la production Utilisation de LLM spécifiques aux soins de santé pour la découverte de données à partir de notes et d'histoires de patients Le ministère américain des anciens combattants, un système de santé qui dessert plus de 9 millions d'anciens combattants et leurs familles. Cette collaboration avec le VA National Artificial Intelligence Institute (NAII), le VA Innovations Unit (VAIU) et l'Office of Information Technology (OI&T) montre que si la précision des LLM actuels sur les notes cliniques est inacceptable, elle peut être considérablement améliorée grâce à un prétraitement, par exemple en utilisant les modèles de résumé de texte clinique de John Snow Labs avant d'alimenter en contenu la sortie d'IA générative des LLM. Récupération de cohortes de patients à partir de textes : Exploitation des modèles LLM de soins de santé pour une gestion précise de la santé de la population En utilisant les modèles LLM de John Snow Lab, la plateforme ClosedLoop permet aux utilisateurs d'extraire des cohortes à l'aide d'invites en texte libre. Voici quelques exemples : "Quels sont les patients qui se situent dans les 5 % les plus à risque d'une admission non planifiée et qui souffrent d'une maladie rénale chronique de stade 3 ou plus ?" ou "Quels sont les patients qui se situent dans les 5 % les plus à risque d'une admission, qui sont âgés de plus de 72 ans et qui n'ont pas subi d'examen annuel de bien-être ?"