MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017161367
■00520250211151347
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382813813
■035    ▼a(MiAaPQ)AAI31242717
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aMiao,  Brenda.▼0(orcid)0000-0002-3393-9837
■24510▼aUncovering  Strategies  for  Personalized  Treatment  Selection  Using  Large  Language  Models.
■260    ▼a[S.l.]▼bUniversity  of  California,  San  Francisco.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a168  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  A.
■500    ▼aIncludes  supplementary  digital  materials.
■500    ▼aAdvisor:  Butte,  Atul.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Francisco,  2024.
■520    ▼aHealthcare  data  has  never  been  so  accessible  to  patients  and  physicians,  from  smartphones  and  other  remote  monitoring  devices  to  improved  access  for  patients  to  their  own  Electronic  Medical  Record  (EMR)  history  and  clinical  notes.  Despite  the  ubiquity  of  healthcare  data  collection  and  distribution,  there  remains  a  significant  gap  in  understanding  the  impacts  of  this  data  on  clinical  care.  Insights  from  these  digital  health  tools  and  downstream  clinical  decision-making  processes  are  often  only  captured  in  medical  notes,  which  are  complex,  sparse,  unstructured,  and  difficult  to  model  even  with  traditional  deep  learning  methods.  Only  recently  have  large  language  models  (LLMs)  emerged  that  are  capable  of  zero-  or  few-shot  clinical  language,  without  the  need  for  large,  manually  annotated  datasets.  In  this  dissertation,  I  develop  methods  to  adapt  LLMs  to  healthcare  tasks,  particularly  for  identifying  points  of  actionable  insights  for  both  digital  and  pharmaceutical  therapeutics.  These  approaches  demonstrate  the  ways  in  which  digital  health  products  can  impact  clinical  care,  as  well  as  provide  methods  to  identify  reasons  for  medication  class  switching  that  consider  the  complexities  of  patient  care  beyond  lab  values  and  diagnosis  codes.  While  careful,  rigorous  research  is  needed  to  ensure  that  these  approaches  are  effective  in  facilitating  patient  care  improvements  and  to  reduce  any  potential  for  harm,  the  rapid  pace  of  language  model  development  provides  an  extraordinary  opportunity  to  transform  clinical  practice.  These  new  methods  allow  us  to  take  an  unprecedented  look  at  the  conversations,  decisions,  and  medical  expertise  captured  in  billions  of  clinical  notes  and  other  clinical  text,  and  to  learn  from  this  shared  knowledge  to  accelerate  medical  research,  improve  clinical  guidelines,  and  personalize  patient  care. 
■590    ▼aSchool  code:  0034.
■650  4▼aBioinformatics.
■650  4▼aComputer  science.
■650  4▼aLanguage.
■653    ▼aClinical  text  processing
■653    ▼aLarge  language  models
■653    ▼aTreatment  strategy  optimization
■653    ▼aElectronic  Medical  Record  history  
■653    ▼aDeep  learning  methods
■690    ▼a0715
■690    ▼a0984
■690    ▼a0679
■690    ▼a0769
■71020▼aUniversity  of  California,  San  Francisco▼bBiological  and  Medical  Informatics.
■7730  ▼tDissertations  Abstracts  International▼g85-12A.
■790    ▼a0034
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161367▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서