NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Veri Uyumu önemli ama zaman alıcı bir süreçtir. Metin anlamadaki yüksek yetenekleri nedeniyle Dil Modelleri (LMs) kullanan uygulamaların son popülerliği ile, LM'lerin klinik kullanım vakaları için veri uyumunu kolaylaştırıp kolaylaştıramayacağını araştırdık. Bunu değerlendirmek için, LLM'leri kullanarak çift yönlü kohort uyumu için bir zemin gerçeği kaynağı olarak yeni bir Parkinson hastalığı (PD) değişken haritalama şeması olan PASSIONATE'i oluşturduk. Ek olarak, mevcut bir Alzheimer hastalığı (AD) CDM'sini kullanarak araştırmamızı genişlettik. Hem AD hem de PD için otomatik kohort uyumunu gerçekleştirmek için iki dil modeline dayanan metin gömme işlemlerini hesapladık. Ek olarak, sonuçları, dil modellerinin semantik yeteneklerinin otomatik kohort uyumu için ne derece kullanılabileceğini belirlemek için bulanık dize eşleştirmesi kullanan bir temel yöntemle karşılaştırdık. Metin gömmelerine dayanan haritalamaların, bulanık dize eşlemesi ile üretilenlerden önemli ölçüde daha iyi performans gösterdiğini ve neredeyse test edilen tüm PD kohortları için ortalama %80'in üzerinde bir doğruluk elde ettiğini bulduk. Olası maçların daha ileri bir mahallesine uzatıldığında, doğruluk %96'ya kadar artırılabilir. Sonuçlarımız, dil modellerinin, etki alanı eğitimi almış modeller uygulanarak gelecekte potansiyel olarak geliştirilebilecek yüksek bir doğrulukla otomatik uyum için kullanılabileceğini göstermektedir.
Özgün kaynak özetini okuyun
Data Harmonization is an important yet time-consuming process. With the recent popularity of applications using Language Models (LMs) due to their high capabilities in text understanding, we investigated whether LMs could facilitate data harmonization for clinical use cases. To evaluate this, we created PASSIONATE, a novel Parkinson's disease (PD) variable mapping schema as a ground truth source for pairwise cohort harmonization using LLMs. Additionally, we extended our investigation using an existing Alzheimer's disease (AD) CDM. We computed text embeddings based on two language models to perform automated cohort harmonization for both AD and PD. We additionally compared the results to a baseline method using fuzzy string matching to determine the degree to which the semantic capabilities of language models can be utilized for automated cohort harmonization. We found that mappings based on text embeddings performed significantly better than those generated by fuzzy string matching, reaching an average accuracy of over 80% for almost all tested PD cohorts. When extended to a further neighborhood of possible matches, the accuracy could be improved to up to 96%. Our results suggest that language models can be used for automated harmonization with a high accuracy that can potentially be improved in the future by applying domain-trained models.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.