Sveikatos įžvalgų platforma

Ar dirbtinis intelektas gali pagerinti sveikatą? / Projektas

Mūsų klientas siekė atnaujinti savo klientams teikiamų paslaugų pasiūlymus integruodamas asmeninių sveikatos įžvalgų sprendimą.

Pažangios sveikatos įžvalgos. Naudojant didelius kalbos modelius (LLM), apmokytus pagal PSO rekomendacijas ir medicininius tyrimus, sistema siekia įvertinti tikėtiną gyvenimo trukmę, apskaičiuoti sveikatos rodiklius ir pateikti personalizuotas sveikesnio gyvenimo rekomendacijas.

Duomenų nuoseklumas ir tikslumas. Integruojant priemones ir metodus, skirtus duomenų nuoseklumui ir patikimumui tarp naudotojų sveikatos profilių didinti, yra sudaromos sąlygos platformai teikti pritaikytus ir tikslius sveikatos vertinimus.

Į vartotoją orientuotas dirbtinio intelekto modelio kūrimas. Naudotojo įvestimi ir moksliniais duomenimis pagrįsti dirbtinio intelekto modeliai suteikia prasmingų, individualizuotų sveikatos įžvalgų.

1 etapas: maketo kūrimas ir modelio testavimas

Pradiniame etape buvo išbandyti keli AI modeliai, įskaitant GPT-4o Mini, LLaMA-3 ir Falcon 7B, siekiant nustatyti jų veiksmingumą teikiant sveikatos įžvalgas. Pagrindiniai vertintimo aspektai buvo tikėtina gyvenimo trukmė ir sveikatos indeksų tikslumas. Buvo tikslinami nuoseklumo rodikliai – po koregavimų ženkliai pagerėjo sveikumo profilio kategorija, užtikrinant, kad modelio gyvenimo trukmės prognozės atitiktų naudotojų lūkesčius ir mokslinius standartus.

Šiame etape taip pat buvo sukurtas duomenų srautas (naudotojo įvestis → duomenų apdorojimas → sveikatos rodiklių generavimas), kuris supaprastino naudotojo sąsajos ir dirbtinio intelekto modelio ryšį. Interneto programa leido naudotojams įvesti pagrindinius sveikatos rodiklius, kuriuos dirbtinis intelektas analizuoja, kad realiuoju laiku pateiktų įžvalgas, įskaitant sveikos gyvensenos indeksą (HLI) ir tikėtinos gyvenimo trukmės įvertinimą.

2 etapas: prototipo sukūrimas

Pasirinkus modelį, prototipas buvo kuriamas siekiant įgyvendinti patobulintas nuoseklumo priemones ir parametrus.

LLM buvo naudojami svertiniai sveikatos parametrų, įskaitant fizinį aktyvumą, mitybos įpročius, miego kokybę ir aplinkos veiksnius, balai. Šis metodas užtikrino išsamų sveikatos indekso apskaičiavimą, suderintą su kiekvieno naudotojo gyvenimo būdo pasirinkimais.

Bazinė tikėtina gyvenimo trukmė buvo koreguojama atsižvelgiant į įvairius sveikatos veiksnius, o korekcijos atspindėjo tokius įpročius kaip rūkymas, fizinis aktyvumas ir mitybos kokybė. Šis modelis suteikė naudotojams praktišką ir tikslią tikėtinos gyvenimo trukmės prognozę.

Prototipas buvo integruotas su „Python“ pagrįsta API, todėl buvo patobulintas naudotojų duomenų apdorojimas realiuoju laiku ir programa beveik iš karto galėjo pateikti apskaičiuotas įžvalgas. 

Iššūkiai ir sprendimai

Iš pradžių įgyvendinant modelį susidūrėme su modelio prognozių nenuoseklumo problemomis, visų pirma, su gyvenimo trukmės įverčiais pagal įvairius naudotojų sveikatos profilius. Ypač nestabilūs buvo UNHEALTHY profilio rezultatai, o tai turėjo įtakos modelio patikimumui sudėtingų sveikatos poreikių turintiems naudotojams. Siekdami išspręsti šią problemą, tiksliai suderinome pagrindinius parametrus ir tai gerokai pagerino išvesties stabilumą ir nuspėjamumą. Šie patobulinimai leido modeliui pateikti tikslesnes ir nuoseklesnes gyvenimo trukmės prognozes, taip padidinant jo tinkamumą naudoti įvairesniems sveikatos profiliams.

Duomenų patikimumas ir parametrų koregavimo poreikis kėlė papildomų iššūkių, kad būtų pasiektas stabilus sveikatos indeksas įvairiems naudotojų profiliams. Projekto metu reikėjo atlikti griežtus bandymus, kad būtų užtikrinta, jog dirbtinio intelekto modelis galėtų pateikti tikslius ir pakartojamus kiekvieno naudotojo sveikatos rodiklius, neatsižvelgiant į profilio skirtumus. Išbandydami įvairius LLM, nustatėme modelius, pasižyminčius geriausiu tikslumu kiekvienam profiliui. Tokia tikslinė modelių atranka kartu su pritaikytais API koregavimais leido platformai padidinti sveikatos rodiklių prognozių patikimumą, sprendžiant skirtingų sveikatos profilių kintamumo problemą.

Teikti konkrečiam naudotojui pritaikytas sveikatos rekomendacijas pasirodė sudėtinga, nes norint parengti visuotinai taikomas rekomendacijas, reikėjo kruopštaus dirbtinio intelekto derinimo. Tinkamai nepritaikius, dirbtinis intelektas gali nepastebėti svarbiausių kiekvienam naudotojui būdingų sveikatos niuansų. Siekdami išspręsti šią problemą, mokymą grindėme PSO gairėmis ir įvairia patvirtinta medicinine literatūra, todėl dirbtinis intelektas galėjo kurti pritaikytas rekomendacijas. Šis metodas užtikrino, kad kiekvienas naudotojas gautų praktiškai pritaikomus gyvenimo būdo pasiūlymus, pavyzdžiui, rekomendacijas, kaip spręsti didelio KMI problemą ar didinti fizinį aktyvumą, ir taip padėjo naudotojams gauti asmeninių ir aktualių sveikatos įžvalgų.

Rezultatai ir poveikis

Pirma, modelis daugiau nei 20% pagerino sveikatos rodiklių nuoseklumo tikslumą, o tai atitinka tikslą teikti patikimas, duomenimis pagrįstas sveikatos rekomendacijas. Be to, realiuoju laiku pateikiamos įžvalgos ir mokslu pagrįstos rekomendacijos padidino naudotojų pasitikėjimą, kaip matyti iš atsiliepimų, gautų per bandymų sesijas. Galiausiai, dėl automatizuotų sveikatos rekomendacijų pagerėjo veiklos efektyvumas, nes buvo sumažinta rankinio duomenų įvedimo apimtis.

Previous
Previous

Logistikos procesų optimizavimas

Next
Next

GenAI apskaitai