纽约大学朗格尼医学中心Lang1模型基于1000万患者病历训练,在预测住院结局上胜过大得多的通用模型

《自然-医学》研究显示,与DeepSeek R1等模型相比,其预测保险拒赔的表现最多高出24%,但院内死亡预测仅高出1.6%。
为何重要
研究表明,用医疗系统自身病历训练的较小模型,可在常规运营预测上胜过大得多的通用模型,这对正在选择部署何种AI的医院很重要。Lang1基于此前的NYUTron,规模约为其70倍,训练数据为800亿个临床笔记词元加6270亿个通用文本词元。在互联网文本稀少的任务(如保险拒赔)上提升最大,在死亡率预测上最小。朗格尼计划向其他医院提供Lang1和ReMedE评测;值得关注贝斯以色列医院验证之外的结果。
要点
- 基于20年间逾1000万名患者的记录训练
- 800亿临床笔记词元加6270亿通用文本词元
- 保险拒赔预测比DeepSeek R1高出近24%
- 30天再入院高9%,院内死亡仅高1.6%
- 规模约为NYUTron的70倍
- 已在波士顿贝斯以色列医院验证