Πληροφορίες που βασίζονται σε τεχνητή νοημοσύνη από τα δεδομένα υγείας των φορητών συσκευών σας

Σε μια πρόσφατη μελέτη που δημοσιεύτηκε στο arXiv διακομιστής preprint*, μια μεγάλη ομάδα μηχανικών και ερευνητών της Google παρουσίασαν ένα σύστημα πρακτόρων μεγάλου γλωσσικού μοντέλου (LLM) που ονομάζεται Personal Health Insights Agent ή PHIA που μπορεί να χρησιμοποιήσει εργαλεία ανάκτησης πληροφοριών και προηγμένες μεθόδους δημιουργίας κώδικα για να αναλύσει και να συναγάγει τα δεδομένα σχετικά με την κεκτημένη συμπεριφορική υγεία από φορετούς ιχνηλάτες υγείας.

Μια επισκόπηση του ThePersonal Health Insights Agent (PHIA). (A)-(C): Παραδείγματα αντικειμενικών και ανοιχτών ερωτημάτων για πληροφορίες σχετικά με την υγεία μαζί με τα συνθετικά δεδομένα χρήστη που φοριούνται, τα οποία χρησιμοποιήθηκαν για την αξιολόγηση των ικανοτήτων του PHIA στη συλλογιστική και την κατανόηση των πληροφοριών για την υγεία. (D): Ένα πλαίσιο και ροή εργασιών που δείχνει τον τρόπο με τον οποίο το PHIA αιτιολογεί επαναληπτικά και διαδραστικά μέσω ερωτημάτων σχετικά με τις πληροφορίες υγείας χρησιμοποιώντας τη δημιουργία κώδικα και τις τεχνικές αναζήτησης στον ιστό. (E): Ένα παράδειγμα από άκρο σε άκρο της απάντησης του PHIA σε ένα ερώτημα χρήστη, που δείχνει την πρακτική εφαρμογή και την αποτελεσματικότητα του πράκτορα. Μετατροπή Wearable Data σε Health Insights χρησιμοποιώντας Large Language Model Agents

*Σημαντική σημείωση: arXiv δημοσιεύει προκαταρκτικές επιστημονικές εκθέσεις που δεν έχουν αξιολογηθεί από ομοτίμους και, ως εκ τούτου, δεν πρέπει να θεωρούνται ως οριστικές, καθοδηγητικές κλινικές πρακτικές/σχετικές με την υγεία συμπεριφορά ή να αντιμετωπίζονται ως καθιερωμένες πληροφορίες.

Ιστορικό

Οι εξελίξεις στην τεχνολογία παρακολούθησης της υγείας των φορητών συσκευών έχουν βοηθήσει στη συλλογή διαχρονικών, συνεχών και πολυδιάστατων δεδομένων σχετικά με τη συμπεριφορά και τη φυσιολογία εκτός του κλινικού περιβάλλοντος. Μελέτες που παρακολουθούν τα πρότυπα ύπνου και τα επίπεδα σωματικής δραστηριότητας έχουν υπογραμμίσει περαιτέρω τη σημασία των δεδομένων που προέρχονται από wearables για τη συλλογή εξατομικευμένων γνώσεων για την υγεία και τη χρήση αυτής της κατανόησης για την προώθηση θετικών συμπεριφορών για τη μείωση του κινδύνου ασθενειών.

Ωστόσο, παρά την αφθονία των φορητών δεδομένων, η έλλειψη κλινικής επίβλεψης κατά τη συλλογή των δεδομένων και η αδυναμία των χρηστών να αναζητήσουν βοήθεια από ειδικούς για την ερμηνεία αυτών των δεδομένων έχουν περιορίσει την ικανότητά τους να αποκτήσουν εξατομικευμένες πληροφορίες που μπορούν να μετατραπούν σε κατάλληλη ευεξία. σχήματα.

Πρόσφατες μελέτες για μοντέλα μηχανικής μάθησης έχουν δείξει ότι τα LLM έχουν επιδείξει ακρίβεια και αποτελεσματικότητα σε εργασίες όπως η ιατρική εκπαίδευση, η απάντηση σε ερωτήσεις, οι παρεμβάσεις ψυχικής υγείας και η ανάλυση ηλεκτρονικών αρχείων υγείας. Ένας συνδυασμός αυτών των LLM με άλλα εργαλεία λογισμικού μπορεί να χρησιμοποιηθεί για την ανάπτυξη πρακτόρων που βασίζονται σε LLM που μπορούν να αλληλεπιδρούν δυναμικά με τον κόσμο και να λαμβάνουν πληροφορίες από τα προσωπικά δεδομένα υγείας των wearables.

Σχετικά με τη μελέτη

Στην παρούσα μελέτη, οι ερευνητές περιέγραψαν το Personal Health Insights Agent (PHIA), τον πρώτο πράκτορα που βασίζεται στο LLM για την ερμηνεία και την εξαγωγή πληροφοριών από προσωπικά δεδομένα υγείας που λαμβάνονται από φορητές συσκευές παρακολούθησης υγείας.

Το PHIA χρησιμοποιεί το πλαίσιο ReAct agent, το οποίο μπορεί αυτόνομα να εκτελεί λειτουργίες και να ενσωματώνει παρατηρήσεις σχετικά με αυτές τις αυτόνομες λειτουργίες στη λήψη αποφάσεων. Χρησιμοποιώντας προηγμένες μεθόδους δημιουργίας κώδικα, ενσωματωμένη αναζήτηση στον ιστό και το πλαίσιο ReAct agent, το PHIA έχει σχεδιαστεί για να απαντά σε πολυάριθμες πραγματικές ερωτήσεις σχετικά με την υγεία.

Η μελέτη διεξήγαγε επίσης μια χρονοβόρα ανθρώπινη αξιολόγηση που περιελάμβανε 19 ανθρώπους σχολιαστές για περισσότερες από 6.000 αποκρίσεις μοντέλων και μια αυτόματη αξιολόγηση διπλάσιου αριθμού αποκρίσεων μοντέλου για να δείξει ότι ο παράγοντας που βασίζεται στο LLM επέδειξε ανώτερη συλλογιστική σε διαχρονικά δεδομένα συμπεριφοράς. Έδειξαν επίσης ότι το PHIA θα μπορούσε να παρέχει βαθιές γνώσεις για τις ερμηνείες υγείας και συνέκριναν την απόδοσή του με εκείνη των εργαλείων αριθμητικής συλλογιστικής μόνο σε κείμενο και των εργαλείων που δεν βασίζονται σε LLM.

Σύγκριση γραμμής βάσης. Παραδείγματα απαντήσεων από δύο βασικές προσεγγίσεις (αριθμητικός συλλογισμός και δημιουργία κώδικα) μαζί με μια απάντηση από το PHIA. Το PHIA είναι σε θέση να αναζητά σχετική γνώση, να δημιουργεί κώδικα και να κάνει επαναληπτική συλλογιστική προκειμένου να επιτύχει μια ακριβή και περιεκτική απάντηση.

Δύο βασικές γραμμές γλωσσικού μοντέλου, η δημιουργία κώδικα και η αριθμητική συλλογιστική, χρησιμοποιήθηκαν για τη σύγκριση και την αξιολόγηση της απόδοσης του PHIA. Για να αξιολογηθεί η ικανότητα του PHIA για ανοιχτό συλλογισμό, η μελέτη συμπεριέλαβε 12 ανεξάρτητους ανθρώπους σχολιαστές με εμπειρία στην ανάλυση δεδομένων φορητών συσκευών σχετικά με τη φυσική κατάσταση και τα πρότυπα ύπνου. Οι σχολιαστές αξιολόγησαν την ποιότητα του συλλογισμού που παρείχε η PHIA για τα ερωτήματα ανοιχτού τύπου.

Είχαν επίσης καθήκον να προσδιορίσουν εάν οι απαντήσεις του μοντέλου χρησιμοποίησαν σχετικά δεδομένα, ερμήνευσαν με ακρίβεια την ερώτηση, ενσωμάτωσαν γνώσεις τομέα, χρησιμοποιούσαν σωστή λογική, απέκλεισαν επιβλαβές περιεχόμενο και παρείχαν σαφή επικοινωνία σχετικά με εξατομικευμένες πληροφορίες.

Αποτελέσματα

Τα ευρήματα έδειξαν ότι το PHIA επέδειξε επαναληπτικές ικανότητες και ικανότητα διαδραστικής χρήσης εργαλείων συλλογισμού και σχεδιασμού για την ανάλυση προσωπικών δεδομένων υγείας και την παροχή ερμηνειών. Σε σύγκριση με τις δύο βασικές γραμμές, τη δημιουργία κώδικα και τον αριθμητικό συλλογισμό, η απόδοση του PHIA στην παροχή αντικειμενικών πληροφοριών σχετικά με τα προσωπικά ερωτήματα υγείας ήταν 14% και 290% υψηλότερη, αντίστοιχα.

Επιπλέον, για ανοιχτού τύπου, πολύπλοκα ερωτήματα, οι έμπειροι άνθρωποι σχολιαστές ανέφεραν ότι η PHIA είχε σημαντικά καλύτερη απόδοση από τις βασικές γραμμές στη συλλογιστική της ενόρασης υγείας και στη διαδραστική ανάλυση δεδομένων υγείας. Δεδομένης της ικανότητας του PHIA να λειτουργεί πλήρως αυτοματοποιημένα χωρίς επίβλεψη, αυτός ο πράκτορας που βασίζεται στο LLM μπορεί να αναλύσει προσωπικά δεδομένα υγείας από φορετές συσκευές με μόνο κάποιο προηγμένο σχεδιασμό, αλληλεπιδράσεις με την αναζήτηση στον ιστό και επαναληπτικές επιλογές συλλογισμού.

Η ανθρώπινη και αυτόματη αξιολόγηση αποκάλυψε επίσης ότι το PHIA ήταν σε θέση να δώσει ακριβείς απαντήσεις σε περισσότερο από το 84% των πραγματικών αριθμητικών ερωτημάτων και σε πάνω από το 83% των ερωτήσεων ανοιχτού τύπου που προέρχονταν από πλήθος. Η μελέτη έδειξε ότι αυτός ο πράκτορας που βασίζεται στο LLM θα μπορούσε ενδεχομένως να βοηθήσει τα άτομα να ερμηνεύσουν προσωπικά δεδομένα υγείας από τα wearable τους και να χρησιμοποιήσουν αυτές τις πληροφορίες για να αναπτύξουν εξατομικευμένα σχήματα υγείας.

συμπεράσματα

Συνοψίζοντας, η μελέτη έδειξε ότι ο πράκτορας PHIA που βασίζεται σε LLM απέδωσε καλύτερα από τις καθιερωμένες βασικές γραμμές στη χρήση εργαλείων και επαναληπτικής συλλογιστικής για την ανάλυση προσωπικών δεδομένων υγείας από wearables και την παροχή ακριβών απαντήσεων σε πραγματικές αριθμητικές ερωτήσεις και ερωτήσεις ανοιχτού τύπου. Με την ενσωμάτωση προηγμένων μοντέλων LLM και γνώσης από ιατρικούς τομείς, οι ερευνητές πιστεύουν ότι οι εφαρμογές των παραγόντων που βασίζονται σε LLM στην προσωπική υγεία μπορούν να αυξηθούν σημαντικά.

Σήμερα στο ιστολόγιο, διαβάστε για τα πιο πρόσφατα από τις δύο νέες ερευνητικές μας εργασίες σχετικά με τον τρόπο με τον οποίο η τεχνητή νοημοσύνη, ιδιαίτερα τα βελτιωμένα μοντέλα Gemini, μπορούν να δημιουργήσουν εξατομικευμένες εμπειρίες υγείας που καλύπτουν μοναδικά ταξίδια υγείας των ατόμων. →https://t.co/GT3XP4senD #ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ #φροντίδα υγείας #προσωποποιημένη υγεία pic.twitter.com/L2OybQd4QL

— Google AI (@GoogleAI) 12 Ιουνίου 2024

*Σημαντική σημείωση: arXiv δημοσιεύει προκαταρκτικές επιστημονικές εκθέσεις που δεν έχουν αξιολογηθεί από ομοτίμους και, ως εκ τούτου, δεν πρέπει να θεωρούνται ως οριστικές, καθοδηγητικές κλινικές πρακτικές/σχετικές με την υγεία συμπεριφορά ή να αντιμετωπίζονται ως καθιερωμένες πληροφορίες.