La ricerca recente sul campo dell’intelligenza artificiale (IA) ha visto un aumento significativo dell’attenzione verso l’utilizzo di modelli di linguaggio per compiti clinici.

Tuttavia, i dispositivi mobili e indossabili, come ad esempio dispositivi di monitoraggio della salute, forniscono dati longitudinali ricchi e personalizzati che possono essere utilizzati per monitorare la salute personale. In questo contesto, gli autori presentano il Personal Health Large Language Model (PH-LLM), un modello di linguaggio fine-tunato per comprendere e ragionare su dati di serie temporali numerici relativi alla salute personale.

Il PH-LLM: un modello di linguaggio per la salute personaleIl PH-LLM è stato creato fine-tunando il modello Gemini per comprendere e ragionare su dati di serie temporali numerici relativi alla salute personale. Questo modello è stato valutato in tre diverse aree:

  1. Produzione di insight personalizzati e raccomandazioni: I ricercatori hanno creato 857 casi di studio in collaborazione con esperti del settore per valutare scenari realistici di sonno e fitness. Hanno osservato che il PH-LLM non è statisticamente differente dalla performance degli esperti in fitness, mentre gli esperti rimangono superiori per quanto riguarda il sonno. La fine-tuning del PH-LLM ha portato a significative migliorie nell’utilizzo di conoscenze specifiche del dominio e nella personalizzazione delle informazioni per gli insight sul sonno.
  2. Conoscenza domain-specific: Il PH-LLM è stato valutato utilizzando esami di scelta multipla in medicina del sonno e fitness. Il modello ha raggiunto un punteggio del 79% in medicina del sonno e del 88% in fitness, superando le prestazioni medie di esperti umani.
  3. Predizione di esiti di qualità del sonno: Il PH-LLM è stato addestrato per prevedere gli esiti di qualità del sonno a partire dalle rappresentazioni di encoding multimodale dei dati di wearable. I risultati hanno dimostrato che l’encoding multimodale è necessario per raggiungere le prestazioni dei modelli discriminativi specializzati.

Questi risultati dimostrano sia la vasta conoscenza e capacità dei modelli Gemini che il beneficio di contextualizzare i dati fisiologici per applicazioni di salute personale come fatto con il PH-LLM. Tuttavia, ulteriori sviluppi e valutazioni sono necessarie per garantire la sicurezza e l’efficacia del PH-LLM in applicazioni di salute personale.

2406.06474v1Download