ترجمه فارسی مقاله RT-Surv: بهبود پیشبینی مرگ و میر پس از پرتودرمانی با ساختاردهی مدل زبان بزرگ پروندههای سلامت الکترونیکی بدون ساختار در مقیاس بزرگ
| عنوان مقاله به انگلیسی | RT-Surv: Improving Mortality Prediction After Radiotherapy with Large Language Model Structuring of Large-Scale Unstructured Electronic Health Records |
| عنوان مقاله به فارسی | RT-Surv: بهبود پیشبینی مرگ و میر پس از پرتودرمانی با ساختاردهی مدل زبان بزرگ پروندههای سلامت الکترونیکی بدون ساختار در مقیاس بزرگ |
| نویسندگان | Sangjoon Park, Chan Woo Wee, Seo Hee Choi, Kyung Hwan Kim, Jee Suk Chang, Hong In Yoon, Ik Jae Lee, Yong Bae Kim, Jaeho Cho, Ki Chang Keum, Chang Geol Lee, Hwa Kyung Byun, Woong Sub Koom |
| فرمت مقاله انگلیسی | |
| تعداد صفحات | 49 |
| دسته بندی موضوعات | Computation and Language,Artificial Intelligence,محاسبه و زبان , هوش مصنوعی , |
| توضیحات | Submitted 13 September, 2024; v1 submitted 9 August, 2024; originally announced August 2024. , Comments: 23 pages, 2 tables, 4 figures |
| توضیحات به فارسی | ارسال شده 13 سپتامبر 2024 ؛V1 ارسال شده در 9 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 23 صفحه ، 2 جدول ، 4 شکل |
قیمت: 19,000 تومان
سفارش
با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش میدهید.
قیمت: 1,960,000 تومان
زمان تحویل: 2 تا 3 روز کاری
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
چکیده
Accurate patient selection is critical in radiotherapy (RT) to prevent ineffective treatments. Traditional survival prediction models, relying on structured data, often lack precision. This study explores the potential of large language models (LLMs) to structure unstructured electronic health record (EHR) data, thereby improving survival prediction accuracy through comprehensive clinical information integration. Data from 34,276 patients treated with RT at Yonsei Cancer Center between 2013 and 2023 were analyzed, encompassing both structured and unstructured data. An open-source LLM was used to structure the unstructured EHR data via single-shot learning, with its performance compared against a domain-specific medical LLM and a smaller variant. Survival prediction models were developed using statistical, machine learning, and deep learning approaches, incorporating both structured and LLM-structured data. Clinical experts evaluated the accuracy of the LLM-structured data. The open-source LLM achieved 87.5% accuracy in structuring unstructured EHR data without additional training, significantly outperforming the domain-specific medical LLM, which reached only 35.8% accuracy. Larger LLMs were more effective, particularly in extracting clinically relevant features like general condition and disease extent, which closely correlated with patient survival. Incorporating LLM-structured clinical features into survival prediction models significantly improved accuracy, with the C-index of deep learning models increasing from 0.737 to 0.820. These models also became more interpretable by emphasizing clinically significant factors. This study shows that general-domain LLMs, even without specific medical training, can effectively structure large-scale unstructured EHR data, substantially enhancing the accuracy and interpretability of clinical predictive models.
چکیده به فارسی (ترجمه ماشینی)
انتخاب دقیق بیمار در رادیوتراپی (RT) برای جلوگیری از درمان های ناکارآمد بسیار مهم است.مدل های پیش بینی بقا سنتی ، با تکیه بر داده های ساختار یافته ، اغلب فاقد دقت هستند.این مطالعه به بررسی پتانسیل مدلهای بزرگ زبان (LLM) برای ساختار داده های سوابق سلامت الکترونیکی بدون ساختار (EHR) می پردازد ، در نتیجه دقت پیش بینی بقا را از طریق ادغام جامع اطلاعات بالینی بهبود می بخشد.داده های 34276 بیمار تحت درمان با RT در مرکز سرطان Yonsei بین سالهای 2013 و 2023 مورد تجزیه و تحلیل قرار گرفتند که شامل داده های ساختاری و بدون ساختار است.از LLM منبع باز برای ساختار داده های EHR بدون ساختار از طریق یادگیری تک شات استفاده شد ، با عملکرد آن در مقایسه با یک LLM پزشکی خاص دامنه و یک نوع کوچکتر.مدل های پیش بینی بقا با استفاده از رویکردهای آماری ، یادگیری ماشین و یادگیری عمیق ، شامل داده های ساختاری و ساختار یافته LLM ساخته شده است.کارشناسان بالینی دقت داده های ساختار یافته LLM را ارزیابی کردند.منبع باز LLM در ساخت داده های EHR بدون ساختار بدون آموزش اضافی ، 87.5 ٪ به دست آورد ، به طور قابل توجهی از LLM پزشکی خاص دامنه ، که به دقت 35.8 ٪ رسیده است.LLM های بزرگتر به ویژه در استخراج ویژگی های بالینی مرتبط مانند شرایط عمومی و میزان بیماری ، که از نزدیک با بقای بیمار ارتباط دارد ، مؤثرتر بودند.ترکیب ویژگی های بالینی ساختار یافته LLM در مدلهای پیش بینی بقا به طور قابل توجهی دقت را بهبود می بخشد ، با شاخص C مدلهای یادگیری عمیق از 0.737 به 0.820 افزایش می یابد.این مدل ها همچنین با تأکید بر عوامل بالینی قابل توجه قابل تفسیر تر شدند.این مطالعه نشان می دهد که LLM های دامنه عمومی ، حتی بدون آموزش پزشکی خاص ، می توانند به طور موثری داده های EHR بدون ساختار در مقیاس بزرگ را ساختار دهند ، و به طور قابل توجهی دقت و تفسیر مدل های پیش بینی بالینی را افزایش می دهند.📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.