Work

Predicting Prescribed Medications from the MIMIC-IV Event and Measurement Data

Year: 2023
Type: dissertation
Abstract: Tiivistelmä: Tässä pro gradu -tutkielmassa selvitetään, onko potilaiden lääkitystä mahdollista ennustaa heidän sairaalatoimenpiteistään ja tutkimustuloksistaan. Aineisto on peräisin MIMIC-IV tietokannasta.Tutkimuskysymykseen pyritään vastaamaan luomalla aineiston sairaalajaksoista luonnollista kieltä jäljittelevä aikajanasyöte ja hyödyntämällä BERT-ja GPT-kielimalleja.Seuraavan lauseen ennustamiseen erikoistunut BERT-malli hienosäädetään toimenpide-ja tutkimustulosparien avulla.Näiden parien osat ovat joko aikajanalla vierekkäin tai aivan satunnaisia.BERT-mallin on tarkoitus erottaa vierekkäiset parit satunnaisista.Lisäksi hienosäädetään GPT-2-malli.Tässä hyödynnetään kokonaisia aikajanasyötteitä.Hienosäädön jälkeen GPT-2-mallin pitäisi pystyä generoimaan potilaiden lääkitys heidän toimenpide-ja tutkimustulostietojensa pohjalta.Tutkielman tärkeimmät tulokset ovat seuraavat.Hienosäätö lisää BERT-mallin ulkoista ja sisäistä tarkkuutta, mutta vähentää herkkyyttä.Lisäksi on tärkeää, että hienosäätöön käytetään tarpeeksi lääkitykseen päättyviä pareja.Muutoin mallin luokittelukyky jää alkuperäiselle tasolle.Heterogeeninen hienosäätösyöte lisää mallin tuntemattoman datan luokittelukykyä.GPT-2-malli generoi parhaimmillaan 50% potilaiden lääkityksistä oikein.Yksityiskohtainen toimenpide-ja tutkimustulostieto ja tulosteoletukset vaikuttavat vähentävän generoinnin tarkkuutta.Lopulta, vaikka käytettyjen mallien on raportoitu tuottavan tyydyttäviä tuloksia, kummassakin malliperheessä on otettu edistysaskeleita.Esimerkiksi chatbotit, ihmismäisesti keskustelevat tietokoneohjelmat, ovat mielenkiintoinen sovellusalue.
Language: English
Open Access status: green
OpenAlex ID: W7215233165
Cites: 19
Cited by: 2
Related to: 9