Home Medizin Der KI-Algorithmus kann die klinische Versorgung und Forschung besser unterstützen, indem er Patienten mit negativen sozialen Determinanten für die Gesundheit identifiziert

Der KI-Algorithmus kann die klinische Versorgung und Forschung besser unterstützen, indem er Patienten mit negativen sozialen Determinanten für die Gesundheit identifiziert

von NFI Redaktion

Gesundheit ist ein umfassendes Konzept, das das Wohlbefinden in physischer, emotionaler, mentaler und intellektueller Hinsicht umfasst. Diese Bereiche werden stark von sozialen Faktoren beeinflusst, die oft als soziale Determinanten der Gesundheit (SDoH) bezeichnet werden. Es wurde festgestellt, dass diese entscheidenden Faktoren in elektronischen Gesundheitsakten (EHRs) nicht klar und ausreichend dokumentiert sind.

Eine neue Studie, veröffentlicht in npj Digitale Medizin, untersucht die Verwendung großer Sprachmodelle (LLMs) zur Identifizierung solcher wichtiger Daten aus EHRs. Das Ziel ist es, die Forschungsergebnisse zu verbessern und eine bessere klinische Versorgung zu ermöglichen.

Die Studie betont die dokumentierte Fähigkeit von SDoH, zu gesundheitlichen Ungleichheiten beizutragen. Sie hängen von der Fähigkeit des Einzelnen ab, in Bezug auf Wohlstand, Macht und Ressourcen Geld für einen gesundheitsfördernden Lebensstil und hochwertige medizinische Einrichtungen auszugeben und darauf zuzugreifen. Zusätzlich tragen schädliche SDoH indirekt zu neuronalen und endokrinen Veränderungen und leichten Entzündungen bei, die zu körperlichen und geistigen Erkrankungen führen können.

Die Studie schlägt vor, dass es notwendig ist, die Dokumentation dieser Faktoren vom freien Text der Kliniknotizen auf das strukturierte Format von EHRs umzustellen, um Patienten auszuwählen, denen durch Sozialarbeit oder die Bereitstellung notwendiger Ressourcen geholfen werden könnte. Fortschritte in der computergestützten Verarbeitung natürlicher Sprache könnten dabei helfen, diesen freien Text in formatierte Daten für die klinische Forschung zu übertragen.

Die Forscher konzentrierten sich auf verschiedene Methoden zur Extraktion von SDoH durch LLMs und untersuchten die Leistung der Modelle bei der Identifizierung dieser Faktoren. Die Ergebnisse zeigen, dass die leistungsstärksten, fein abgestimmten Modelle bessere Ergebnisse lieferten und weniger anfällig für voreingenommene Vorhersagen waren.

Insgesamt konnten die Forscher Modelle entwickeln, die Patienten anhand klinischer Notizen in SDoH-Kategorien einordneten und die Leistungsunterschiede zwischen verschiedenen Modellen feststellten. Diese Arbeit hat das Potenzial, die Erfassung von SDoH in EHRs zu verbessern und die Identifizierung von Patienten zu ermöglichen, die von Ressourcenunterstützung profitieren könnten.

Related Posts

Adblock Detected

Please support us by disabling your AdBlocker extension from your browsers for our website.