במחקר שפורסם לאחרונה ב- arXiv שרת preprint*, צוות גדול של מהנדסים וחוקרים של גוגל הציג מערכת סוכנים במודל שפה גדול (LLM) בשם Personal Health Insights Agent או PHIA שיכולה להשתמש בכלי אחזור מידע ושיטות יצירת קוד מתקדמות כדי לנתח ולהסיק את הנתונים על בריאות התנהגותית שנרכשה. ממעקבי בריאות לבישים.
סקירה כללית של סוכן תובנות הבריאות האישיות (PHIA). (א)-(ג): דוגמאות לשאילתות תובנות בריאות אובייקטיביות ופתוחות יחד עם נתוני המשתמש הלבישים הסינתטיים, אשר נוצלו כדי להעריך את היכולות של PHIA בהיגיון והבנת תובנות בריאות. (ד): מסגרת וזרימת עבודה המדגימה כיצד PHIA מנמקת באופן איטרטיבי ואינטראקטיבי באמצעות שאילתות תובנות בריאות באמצעות יצירת קוד וטכניקות חיפוש באינטרנט. (ה): דוגמה מקצה לקצה לתגובה של PHIA לשאילתת משתמש, המציגה את היישום והיעילות של הסוכן. הפיכת נתונים לבישים לתובנות בריאות באמצעות סוכני מודל שפה גדולים
*הודעה חשובה: arXiv מפרסם דוחות מדעיים ראשוניים שאינם נבדקים על ידי עמיתים, ולכן אין לראות בהם מכריעים, מנחים פרקטיקה קלינית/התנהגות הקשורה לבריאות, או להתייחס אליהם כאל מידע מבוסס.
רקע כללי
ההתקדמות בטכנולוגיית מעקב בריאות לביש סייעה באיסוף נתונים אורכיים, מתמשכים ורב-ממדיים על התנהגות ופיזיולוגיה מחוץ למסגרת הקלינית. מחקרים שעוקבים אחר דפוסי שינה ורמות פעילות גופנית הדגישו עוד יותר את החשיבות של נתונים שמקורם בציוד לביש באיסוף תובנות מותאמות אישית על בריאות ושימוש בהבנה זו כדי לקדם התנהגויות חיוביות להפחתת הסיכון למחלות.
עם זאת, למרות שפע הנתונים לבישים, היעדר פיקוח קליני במהלך איסוף הנתונים, וחוסר היכולת של משתמשים לבקש עזרה ממומחים לפרש נתונים אלה, הגבילו את יכולתם לקבל תובנות מותאמות אישית שניתן להמיר לבריאות מתאימה. משטרים.
מחקרים אחרונים על מודלים של למידת מכונה הראו ש-LLMs הציגו דיוק ויעילות במשימות כמו חינוך רפואי, תשובות לשאלות, התערבויות בבריאות הנפש וניתוח רשומות בריאות אלקטרוניות. ניתן להשתמש בשילוב של LLMs אלה עם כלי תוכנה אחרים כדי לפתח סוכנים מבוססי LLM שיכולים ליצור אינטראקציה דינמית עם העולם ולקבל תובנות מנתוני הבריאות האישיים של הרכיבים הלבישים.
לגבי המחקר
במחקר הנוכחי, החוקרים תיארו את ה-Personal Health Insights Agent (PHIA), הסוכן הראשון המבוסס על LLM לפירוש והפקת תובנות מנתוני בריאות אישיים שהתקבלו ממעקבי בריאות לבישים.
PHIA משתמשת במסגרת סוכן ReAct, שיכולה לבצע פונקציות באופן אוטונומי ולשלב תצפיות על פונקציות אוטונומיות אלה בקבלת ההחלטות. באמצעות שיטות יצירת קוד מתקדמות, חיפוש משולב באינטרנט ומסגרת סוכן ReAct, PHIA נועד לעזור לענות על שאלות רבות בעולם האמיתי על בריאות.
המחקר ערך גם הערכה אנושית עתירת זמן שכללה 19 כותבים אנושיים של למעלה מ-6,000 תגובות מודל והערכה אוטומטית של מספר כפול של תגובות המודל כדי להראות שהסוכן מבוסס LLM הפגין נימוקים מעולים על נתוני בריאות התנהגותיים אורכיים. הם גם הראו ש-PHIA יכולה לספק תובנות עמוקות לגבי פרשנויות בריאותיות והשוו את הביצועים שלה לאלו של כלי חשיבה נומריים המבוססים על טקסט בלבד וכלים שאינם מבוססי LLM.
השוואה בסיסית. דוגמאות לתגובות משתי גישות בסיס (נימוק מספרי ויצירת קוד) לצד תגובה של PHIA. PHIA מסוגלת לחפש ידע רלוונטי, לייצר קוד ולעשות חשיבה איטרטיבית על מנת להשיג תשובה מדויקת ומקיפה.
שני קווי בסיס של מודל שפה, יצירת קוד והנמקה מספרית, שימשו כדי להשוות ולהעריך את הביצועים של PHIA. כדי להעריך את יכולתה של PHIA להנמקה פתוחה, המחקר כלל 12 כותבים אנושיים עצמאיים המנוסים בניתוח נתונים לבישים על כושר ודפוסי שינה. הכותבים העריכו את איכות ההנמקה שסיפקה PHIA בשאילתות הפתוחות.
הם גם הוטלו לקבוע אם תגובות המודל השתמשו בנתונים רלוונטיים, פירשו את השאלה במדויק, שילבו ידע בתחום, השתמשו בלוגיקה נכונה, לא הכללו תוכן מזיק, וסיפקו תקשורת ברורה על תובנות מותאמות אישית.
תוצאות
הממצאים הראו ש-PHIA הוכיחה יכולות איטרטיביות ויכולת להשתמש באופן אינטראקטיבי בכלי חשיבה ותכנון כדי לנתח נתוני בריאות אישיים ולספק פרשנויות. בהשוואה לשני קווי הבסיס, יצירת קוד והנמקה מספרית, הביצועים של PHIA במתן תובנות אובייקטיביות לגבי שאילתות בריאות אישיות היו גבוהים ב-14% וב-290%, בהתאמה.
בנוסף, עבור שאילתות פתוחות ומורכבות, המעריכים האנושיים המומחים דיווחו ש-PHIA ביצעה ביצועים טובים משמעותית מהקווים הבסיסיים בהנמקה של תובנות בריאות וניתוח אינטראקטיבי של נתוני בריאות. בהתחשב ביכולתה של PHIA לתפקד באופן אוטומטי לחלוטין ללא פיקוח, סוכן זה מבוסס LLM יכול לנתח נתוני בריאות אישיים מציוד לביש רק עם תכנון מתקדם, אינטראקציות עם חיפוש באינטרנט ואפשרויות חשיבה איטרטיבית.
ההערכה האנושית והאוטומטית גם גילתה ש-PHIA הצליחה לספק תשובות מדויקות ליותר מ-84% מהשאילתות המספריות העובדתיות ולמעלה מ-83% מהשאלות הפתוחות שהיו במקור המונים. המחקר הראה כי סוכן זה מבוסס LLM יכול לעזור לאנשים לפרש נתוני בריאות אישיים מהציוד הלביש שלהם ולהשתמש בתובנות אלו כדי לפתח משטרי בריאות מותאמים אישית.
מסקנות
לסיכום, המחקר הראה שהסוכן PHIA המבוסס על LLM פעל טוב יותר מקווי הבסיס שנקבעו בשימוש בכלים ובנימוקים איטרטיביים לניתוח נתוני בריאות אישיים מציוד לביש ולספק תשובות מדויקות לשאילתות מספריות עובדתיות ולשאלות פתוחות. עם שילוב של מודלים מתקדמים של LLM וידע מתחומים רפואיים, החוקרים מאמינים שהיישומים של סוכנים מבוססי LLM בבריאות אישית יכולים לגדול באופן משמעותי.
היום בבלוג, קראו על הדברים האחרונים משני מאמרי המחקר החדשים שלנו על האופן שבו AI, במיוחד מודלים מכוונים של תאומים, יכולים ליצור חוויות בריאות מותאמות אישית שמתאימות למסעות הבריאות הייחודיים של אנשים. →https://t.co/GT3XP4senD #AI #בריאות #בריאות אישית pic.twitter.com/L2OybQd4QL
— בינה מלאכותית של גוגל (@GoogleAI) 12 ביוני 2024
*הודעה חשובה: arXiv מפרסם דוחות מדעיים ראשוניים שאינם נבדקים על ידי עמיתים, ולכן אין לראות בהם מכריעים, מנחים פרקטיקה קלינית/התנהגות הקשורה לבריאות, או להתייחס אליהם כאל מידע מבוסס.
