نموذج Lang1 من NYU Langone المدرَّب على ملاحظات 10 ملايين مريض يتفوق على نماذج عامة أكبر بكثير في التنبؤ بنتائج المستشفى
تفيد دراسة Nature Medicine بتحسن يصل إلى 24% في التنبؤ برفض التأمين، لكنه لا يتجاوز 1.6% في الوفيات داخل المستشفى، مقارنة بنماذج مثل DeepSeek R1.
لماذا يهم
تُظهر الدراسة أن نموذجًا أصغر مدرَّبًا على سجلات نظام صحي بعينه قد يتفوق على نماذج عامة أكبر بكثير في التنبؤات التشغيلية الروتينية، وهو أمر مهم للمستشفيات التي تختار ما تعتمده من ذكاء اصطناعي. ويستند Lang1 إلى نموذج NYUTron السابق، وهو أكبر منه بنحو 70 مرة، ودُرّب على 80 مليار رمز من الملاحظات السريرية و627 مليار رمز من النصوص العامة. وتكون المكاسب أكبر حيث يقل النص المتاح على الإنترنت، كرفض التأمين، وأصغر في الوفيات. وتعتزم NYU Langone تقديم Lang1 وReMedE لمستشفيات أخرى؛ ويجدر ترقب نتائج تتجاوز Beth Israel.
حقائق رئيسية
- دُرّب على سجلات أكثر من 10 ملايين مريض على مدى 20 عامًا
- 80 مليار رمز سريري و627 مليار رمز نص عام
- أفضل بنحو 24% من DeepSeek R1 في التنبؤ برفض التأمين
- أفضل بـ9% في إعادة الدخول خلال 30 يومًا و1.6% في الوفيات
- أكبر بنحو 70 مرة من NYUTron
- جرى التحقق منه في Beth Israel ببوسطن