ឧបករណ៍ AI នេះធ្វើឱ្យ 400 ឈ្មោះអេឡិចត្រូនិចទៅជាកូដ OMOP ដែលត្រឹមត្រូវ

កុំព្យូទ័រ Abstract and Introduction System Architecture 2.1 Access via UI or HTTP 2.1.1 GUI 2.2 Input 2.3 Natural Language Processing Pipeline — The Llettuce API 2.3.1 Vector search 2.3.2 LLM 2.3.3 Concept Matches 2.4 Output Case Study: Medication Dataset 3.1 Data Description 3.2 Experimental Design 3.3 Results 3.3.1 Comparison between vector search and Usagi 3.3.2 Comparison with GPT-3 3.4 Conclusions & Acknowledgement 3.5 References ការសិក្សានៅពេលវេលា: Dataset Medication ទិន្នន័យថ្នាំត្រូវបានទទួលបានពីការស្រាវជ្រាវ Health for Life in Singapore (HELIOS) (ការអនុញ្ញាតដោយ IRB ដោយសាកលវិទ្យាល័យបច្ចេកវិទ្យា Nanyang: IRB-2016-11-030) ដែលជាការស្រាវជ្រាវកម្រិតខ្ពស់ដែលរួមបញ្ចូលទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូទាំងទូ ដើម្បីជួយការស្រាវជ្រាវដែលអាចកើនឡើងនិងធ្វើការរួមបញ្ចូលគ្នានេះការស្រាវជ្រាវ HELIOS បានអនុវត្តការ OMOP-CDM ។ ទោះបីជាយ៉ាងណាក៏ដោយការកំណត់ទិន្នន័យថ្នាំទៅនឹងគំនិតថ្នាំ OMOP មានបញ្ហាសំខាន់ៗជាលើកដំបូងដោយសារតែភាពងាយស្រួលដែលមាននៅក្នុងការកំណត់ទិន្នន័យថ្នាំ។ នៅក្នុងការស្រាវជ្រាវ HELIOS, ទិន្នន័យថ្នាំត្រូវបានកំណត់ដោយខ្លួនឯងនិងបានចុះបញ្ជីដោយផ្ទាល់តាមរយៈសៀវភៅដែលបានគ្រប់គ្រងដោយមន្ទីរពិសោធន៍, ដូច្នេះថ្នាំដែលមានឈ្មោះម៉ាក, ការកំណត់ទិន្នន័យប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រ 3.1 សៀវភៅ ការប្រៀបធៀបរបស់យើងបានជ្រើសរើស 400 គំរូដំបូងពីប្រព័ន្ធទិន្នន័យថ្នាំ។ សម្រាប់ការប្រៀបធៀបរបស់យើង, គំនិត OMOP ដែលល្អបំផុតនិងគំនិតទូលំទូលាយដែលអាចជួបប្រជុំគំនិតដែលអាចជួបប្រជុំគំនិតនេះបានកំណត់ដោយការប្រៀបធៀបរបស់មនុស្ស។ ដូច្នេះសម្រាប់ “Memantine HCl” គំនិត OMOP ល្អបំផុតគឺ “memantine hydrochloride” ទោះបីជា “memantine” គឺជាការឆ្លើយតបមួយទៀតដែលអាចទទួលបាន។ សម្រាប់ថ្នាំម៉ាក, គំនិតដែលបង្ហាញផលិតផលម៉ាកនេះគឺគំនិត OMOP ដែលមានតម្រូវការល្អបំផុត។ ឈ្មោះសម្ភារៈជាទូទៅអាចត្រូវបានរួមបញ្ចូលនៅក្នុងគំនិតដែលអាចទទួលបានយ៉ាងទូលំទូលំទូលាយដែលមានតម្រូវការថ្នាំទាំងអស់ត្រូវបានបញ្ចូលនៅក្នុងគំនិត។ ដូច្នេះសម្រាប់ “cocodamol capsule”, “Acetaminophen / Codeine Oral Capsule [Co-codamol]” នឹងជាគំនិតល្អបំផុតប៉ុន្តែ “acetaminophen / codeine” នឹងត្រូវបានទទួលបានជា ពី 400 លក្ខណៈពិសេសនេះ, 25 ត្រូវបានកំណត់ថាជា "មិនគួរឱ្យកាត់បន្ថយ" ។ វាគឺជាសម្ភារៈដែលមានសមាសធាតុជាច្រើនដែលសម្ភារៈនេះមិនមានគំនិតនៅក្នុង OMOP CDM ដូចជា "lipesco" ដែលមានអាស៊ីត lipoic និងបារម្ភបីនិងមិនមាននៅក្នុង OMOP CDM ។ ឬមានឈ្មោះដែលមិនអាចត្រូវបានកំណត់ដូចជា "Hollister" ។ 3.2 ការរចនាសម្ព័ន្ធពិសោធន៍ ទិន្នន័យនេះត្រូវបានដំណើរការតាមរយៈការស្វែងរក vector និងផ្នែក LLM នៃបំពង់និងប្រៀបធៀបជាមួយនឹងការអនុម័តរបស់មនុស្ស។ លទ្ធផលកំពូល 5 ពីការស្វែងរក vector ត្រូវបានប្រើ។ ឆ្លើយតបត្រូវបានប្រៀបធៀបដោយ: Whether the input is an exact match to an OMOP concept Whether the correct OMOP concept is in the result of the vector search Whether the LLM provides the correct answer If the answer was incorrect, whether it is a relevant OMOP concept លក្ខណៈសម្បត្តិទាំងនេះត្រូវបានប្រើជាការបញ្ចូលសម្រាប់ Usagi និងការស្វែងរក vector. For each example and both methods, the top 5 results were taken and each response was classified by whether the correct mapping or a relevant mapping was found. 3.3 លទ្ធផល ការប្រៀបធៀប Usagi ជាមួយនឹងការស្វែងរក vector នៃ Llettuce ។ ការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Usagi ជាមួយនឹងការប្រៀបធៀប Llettuce ជាមួយនឹងការប្រៀបធ 3.3.1 Comparison between vector search and Usagi Usagi ធ្វើការយ៉ាងល្អនៅពេលដែលត្រូវបានប្រើដើម្បីស្វែងរកគំនិតដែលការចូលមានបញ្ហានៃការបោះពុម្ព។ លក្ខខណ្ឌរបស់វាអាចត្រូវបានបង្ហាញដោយរបៀបដែលវាឆ្លើយតបទៅនឹងការសរសេរផ្សេងគ្នានៃ mometasone furoate រាងកាយ, "nasonex" ។ នៅក្នុងឧទាហរណ៍នេះព័ត៌មានប្រសិទ្ធិភាពដូចជា "Nasonex (សម្រាប់រាល់រាងកាយ" ) បានផលិតផលដែលបានបង្ហាញនៅក្នុងតម្រូវការទីពីរសម្រាប់លទ្ធផលទីបី។ 3.3.2 Comparison with GPT-3 ពី 336 លក្ខណៈពិសេសដែលការបញ្ចូលអាចបញ្ចូលទៅក្នុងគំនិត OMOP ហើយការបញ្ចូលមិនអាចបញ្ចូលទៅក្នុងគំនិត OMOP ដោយត្រឹមត្រូវ Llettuce អាចបញ្ជាក់ដោយត្រឹមត្រូវ 193, ឬ 48.25% ។ GPT-3 អាចបញ្ជាក់ដោយត្រឹមត្រូវ 57.75% ។ ទាំងពីរបានបញ្ជូនគំនិតមិនត្រឹមត្រូវប៉ុន្តែអាចបញ្ចូលទៅក្នុងគំនិត 44 (11%) សម្រាប់ Llettuce និង 67 (16.75%) សម្រាប់ GPT-3. កម្រិតខ្ពស់បំផុត 5 គំនិត vector matches 329 បានទទួលបានគំនិតត្រឹមត្រូវសម្រាប់ 21 នៃការបញ្ចូល 99 ដែលបានបញ្ជាក់ដោយត្រឹមត្រូវដោយ Llettuce ។ 232 ឈ្មោះមិនត្រឹមត្រូវអាចបញ្ចូលទៅក្នុងគំនិត OMOP ល្អបំផុតដែលអាចរកបានដោយផ្ទាល់ (ប្រសិនបើ ក្នុងចំណោមគំនិតផ្សេងទៀត 78 មិនមានផលិតផលដែលមិនរួមបញ្ចូលគំនិតត្រឹមត្រូវឬផលិតគំនិត OMOP ដែលមានតម្លៃ។ បំពង់របស់ Llettuce មិនធ្វើការដូចជា GPT-3 ដែលគឺមិនត្រឹមត្រូវតែនៅក្នុង 38 ឈ្មោះ។ ប៉ុន្តែវាបានធ្វើការនេះនៅលើឧបករណ៍ទូទាត់ទូទាត់ដោយប្រើម៉ូដែលទូទាត់តូចជាងច្រើននិងការពារឯកជន។ ពេលវេលាដែលត្រូវការដើម្បីធ្វើដំណើរការ Llettuce pipeline នៅលើ 400 គម្រោងគឺ 55 នាទី, 15 វិនាទីដោយប្រើ CPU Intel i7 quad-core 2.8GHz, 16Gb RAM ។ ពេលវេលាមធ្យមដើម្បីធ្វើដំណើរការបញ្ជាក់គឺ 8.7 វិនាទី។ 4.4 លទ្ធផល Llettuce បានបង្ហាញនូវសមត្ថភាពនៃការប្រើប្រាស់វិធីសាស្រ្តការអប់រំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទ ការប្រៀបធៀបជាមួយបច្ចេកវិទ្យានៃការប្រៀបធៀបបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះប ការបង្កើនប្រសិទ្ធិភាពនឹងអាចធ្វើបាននៅក្នុងកំណែចុងក្រោយ។ ម៉ូដែលដែលប្រើសម្រាប់ការបំពាក់និងការបង្កើតសៀវភៅទាំងពីរគឺម៉ូដែលគោលបំណងទូទៅ (bge-small-en-v1.5 និង Llama-3.1-8B ។ ម៉ូដែលអ្នកជំនាញដែលមានការកំណត់ល្អឬការបណ្តុះបណ្តាល ab initio (Gu et al., 2020) នៅលើសៀវភៅបច្ចេកវិទ្យាសាស្ត្រនឹងត្រូវបានធ្វើតេស្តសម្រាប់ការអនុវត្តនៅលើការងារ Llettuce ។ ការអភិវឌ្ឍបន្ថែមទៀតនឹងមកពីម៉ូដែលកំណត់ល្អដែលបានបង្កើតឡើងក្នុងផ្ទះ។ ការបណ្តុះបណ្តាល Llettuce របស់យើងក្នុងស្រុកនឹងអនុវត្តការកំណត់ទូទាត់ទូទូទាត់ទូទូទាត់ទូទូទាត់ ការវិនិយោគ ការស្រាវជ្រាវនេះត្រូវបានគាំទ្រដោយ NIHR Nottingham Biomedical Research Center ។ ការទទួលបានទិន្នន័យ ការស្វែងរកការចូលទិន្នន័យអាចត្រូវបានផ្ញើទៅក្រុមប្រឹក្សាភិបាលការចូលទិន្នន័យ HELIOS ដោយអ៊ីម៉ែល helios_science@ntu.edu.sg សម្រាប់ពិសេស។ ការទទួលស្គាល់ អ្នកនិពន្ធគួរអរគុណដល់មនុស្សឬអង្គការដែលបានជួយអ្នកក្នុងការរៀបចំសៀវភៅនេះ។ 3.5 ពិនិត្យឡើងវិញ Appleby, P., Masood, E., Milligan, G., Macdonald, C., Quinlan, P., & Cole, C. Carrot-cdm: ឧបករណ៍គ្រប់គ្រងសម្រាប់ការផ្លាស់ប្តូរទិន្នន័យសម្រាប់ការស្រាវជ្រាវ federated នៅក្នុងការស្រាវជ្រាវសុខភាព [Research Software Engineering Conference 2023, RSECON23 ; ថ្ងៃកំណត់កំណត់កំណត់កំណត់កំណត់កំណត់: 04-09-2023 ដោយ 07-09-2023] ។ អង់គ្លេស។ នៅក្នុង: នៅក្នុង Carrot-cdm: ឧបករណ៍គ្រប់គ្រងកំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់សម្រាប់ការស្រាវជ្រាវ federated នៅក្នុងការស្រាវជ្រាវសុខភាព ។ ការស្រាវជ្រាវ Software Engineering Conference 2023, RSECON23 ; លោក Bayer, លោក M. (2012). លោក Sqlalchemy (លោក Brown និងលោក Wilson, លោក G. Wilson, លោក Eds.). http://aosabook.org/en/sqlalchemy.html Bengio, Y., Ducharme, R., Vincent, P., & Jauvin, C. (2003). ម៉ូដែលភាសា Probabilistic ដំណោះស្រាយ។ សៀវភៅនៃការស្រាវជ្រាវការរៀនម៉ាស៊ីន, 3. លោក Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., . . . Amodei, D. (2020, ខែកក្កដា 22) ។ ម៉ូឌុលភាសាគឺជាអ្នកស្រាវជ្រាវរហ័ស។ arXiv: 2005.14165 [cs]. https://doi.org/10.48550/arXiv.2005.14516 Cholan, R. A., Pappas, G., Rehwoldt, G., Sills, A. K., Korte, E. D., Appleton, I. K., Scott, N. M., Rubinstein, W. S., Brenner, S. A., Merrick, R., Hadden, W. C., Campbell, K. E., & Waters, M. S. (2022). ការកូដទិន្នន័យនៃការធ្វើតេស្តបណ្តុះបណ្តាល: ការសិក្សានៅដ្ឋាននៃការអនុវត្តរបស់ប្រទេសនៃតម្រូវការ hhs និងឧបករណ៍ដែលមានមូលដ្ឋាននៅក្នុងបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះប Cox, S., Masood, E., Panagi, V., Macdonald, C., Milligan, G., Horban, S., Santos, R., Hall, C., Lea, D., Tarr, S., Mumtaz, S., Akashili, E., Rae, A., Cole, C., Sheikh, A., Jefferson, E., & Quinlan, P. R. (2024) ។ ការបង្កើនគុណភាពល្បឿនលឿននិងការឆ្លើយតបនៃទិន្នន័យនៃការព្យាបាលទៅក្នុងការរួមបញ្ចូលទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្ន លោក Haystack: គំនិតអេឡិចត្រូនិចដែលបើយោងតាមទំហំ [បន្ថែម: 16-08-2024] ។ Deng, H., Zhou, Q., Zhang, Z., Zhou, T., Lin, X., Xia, Y., Fan, L., & Liu, S. (2024) ។ សកម្មភាពនិងអារម្មណ៍នៃម៉ូដែលភាសាធំនៅក្នុងកម្មវិធីសាស្រ្តនិងការស្រាវជ្រាវ។ សៀវភៅប្រទេសចិននៃវិទ្យាសាស្រ្តអេឡិចត្រូនិច។ https://doi.org/10.1007/s42058- 024-00164-x Dettmers, T., & Zettlemoyer, L. (2023, ខែកុម្ភៈ 27). គោលបំណងសម្រាប់ភាពត្រឹមត្រូវ 4-bit: K-bit Inference Scaling Laws. arXiv: 2212.09720 [cs]. https://doi.org/10.48550/arXiv.2212.09720 លោក Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019, May 24). BERT: ការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល។ arXiv: 1810.04805 [cs]. https://doi.org/10.48550/arXiv.1810.04805 សត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វ លោក F., H., J., H., K., T., A., H., M.J., M., T.W.R., B., J., Y., J., J., D., A., W., S., E.-J., & W.K., G. (2022) ។ វិញ្ញាបនប័ត្រទិន្នន័យនៅក្នុងទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យ BMJ Health Care Inform, 29(1), e100633. https://doi.org/10.1136/bmjhci-2022-100633 លោក Gerganov, លោក G., et al. (2024). លោក Llama.cpp [ការចូលទៅ: 19-08-2024]. https://github.com/ggerganov/ លោក Llama.cpp Gu, Y., Tinn, R., Cheng, H., Lucas, M., Usuyama, N., Liu, X., Naumann, T., Gao, J., & Poon, H. (2020) ។ គំរូភាសាដែលមានជំនាញវិជ្ជាជីវៈសម្រាប់ការដំណើរការភាសាធម្មជាតិបច្ចេកវិទ្យាសាស្ត្រ។ លោក Jacob, B., Kligys, S., Chen, B., Zhu, M., Tang, M., Howard, A., លោក Adam, H., & Kalenichenko, D. (2017, 15 ខែធ្នូ). ការកំណត់ទំហំនិងការបណ្តុះបណ្តាលនៃបណ្តាញអេឡិចត្រូនិចសម្រាប់ការបញ្ជាក់អេឡិចត្រូនិចតែមួយគត់។ arXiv: 1712 ។ 05877 [cs, stat]. https://doi.org/10.48550/arXiv.1712.05877 លោក Kong, A., Zhao, S., Chen, H., Li, Q., Qin, Y., លោក Sun, R., Zhou, X., លោក Wang, E., & Dong, X. (2024 ខែមីនា) ។ គោលបំណងល្អឥតគិតថ្លៃជាមួយនឹងការលេងគំនិត។ លោក Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., Riedel, S., & Kiela, D. (2021, ខែមេសា 12) ។ ការកើនឡើងនៃការកើនឡើងដើម្បីធ្វើតេស្ត NLP ដែលមានជំនាញវិជ្ជាជីវៈ។ arXiv: 2005. 11401 [cs]. https://doi.org/10.48550/arXiv.2005.11401 មាតាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡាឡ Nazi, Z. A., & Peng, W. (2024). ម៉ូដែលភាសាធំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំ អេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេ កុំព្យូទ័រអ៊ីនធឺណិត: កុំព្យូទ័រអ៊ីនធឺណិត: កុំព្យូទ័រអ៊ីនធឺណិត: កុំព្យូទ័រអ៊ីនធឺណិត: កុំព្យូទ័រអ៊ីនធឺណិត: កុំព្យូទ័រអ៊ីនធឺណិត: កុំព្យូទ័រអ៊ីនធឺណិត: កុំព្យូទ័រអ៊ីនធឺណិត: កុំព្យូទ័រអ៊ីនធឺណិត: កុំព្យូទ័រអ៊ីនធឺណិត: HTTPS://athena.ohdsi.org/search-terms/start អេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេ អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន: អាសយដ្ឋាន Qdrant/fastembed. (2024, ខែសីហា 19) ។ ទាញយកពី ខែសីហា 19, 2024, ពី https://github.com/qdrant/fastembed កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់កញ្ចក់ លោក Reimers, N., & Gurevych, I. (2019, ខែសីហា 27, 2019) ។ ការប្រកាស-BERT: ការប្រកាសប្រកាសប្រកាសប្រកាសដោយប្រើ Siamese BERT-Networks. arXiv: 1908. 10084 [cs]. https://doi.org/10.48550/arXiv.1908.10084 Streamlit. (2024). Streamlit: តើធ្វើដូចម្តេចដើម្បីបង្កើតនិងផ្លាស់ប្តូរកម្មវិធីទិន្នន័យយ៉ាងឆាប់រហ័សបំផុត [ចូលទៅ: 16-08-2024]. https://streamlit.io លោក Wang, X., Mina, T., Sadhu, N., Jain, P. R., Ng, H. K., Low, D. Y., Tay, D., Tong, T. Y. Y., Choo, W.-L., Kerk, S. K., Low, G. L., Team, T. H. S., Lam, B. C. C., Dalan, R., Wanseicheong, G., Yew, Y. W., Leow, E.-J., Brage, S., Michelotti, G. A., . . . Chambers, J. C. (2024, May 24). The Health for Life in Singapore (HELIOS) Study: Delivering Precision Medicine research for Asian populations. https://doi.org/11010.1/2024.05.14.24307259 Wilkinson, M., Dumontier, M., Aalbersberg, I., et al. (2016). វិញ្ញាបនប័ត្រត្រឹមត្រូវសម្រាប់ការគ្រប់គ្រងទិន្នន័យវិទ្យាសាស្រ្តនិងការគ្រប់គ្រង។ ទិន្នន័យវិទ្យាសាស្រ្ត, 3, 160018. https://doi.org/10.1038/sdata.2016.18 អ្នកនិពន្ធ : (1) លោក James Mitchell-White, សាកលវិទ្យាល័យវេជ្ជសាស្រ្ត, សាកលវិទ្យាល័យ Nottingham, សេវាកម្មស្រាវជ្រាវឌីជីថល, សាកលវិទ្យាល័យ Nottingham និង NIHR Nottingham Biomedical Research Center ។ (2) Reza Omdivar, សេវាកម្មស្រាវជ្រាវឌីជីថល, សាកលវិទ្យាល័យ Nottingham និងមជ្ឈមណ្ឌលស្រាវជ្រាវ biomedical NIHR Nottingham; (3) Esmond Urwin, សាកលវិទ្យាល័យវេជ្ជសាស្រ្ត, សាកលវិទ្យាល័យវេជ្ជសាស្រ្ត, សាកលវិទ្យាល័យ Nottingham និង NIHR Nottingham Biomedical Research Center ។ (4) Karthikeyan Sivakumar, សេវាកម្មស្រាវជ្រាវឌីជីថល, សាកលវិទ្យាល័យ Nottingham; (5) លោក Ruizhe Li, NIHR Nottingham Biomedical Research Center និងសាកលវិទ្យាល័យវិទ្យាសាស្រ្តទិន្នន័យ, សាកលវិទ្យាល័យ Nottingham; (6) លោក Andy Rae, សាកលវិទ្យាល័យវេជ្ជសាស្រ្ត, សាកលវិទ្យាល័យ Nottingham; (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, សាកលវិទ្យាល័យបច្ចេកវិទ្យាសាស្ត្រ Nanyang, សាកលវិទ្យាល័យ Singapore; (8) Theresia Mina, Lee Kong Chian School of Medicine, សាកលវិទ្យាល័យបច្ចេកវិទ្យាសាស្ត្រ Nanyang, សាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យ (9) លោក John Chambers, Lee Kong Chian School of Medicine, សាកលវិទ្យាល័យបច្ចេកទេស Nanyang, សាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យ (10) Grazziela Figueredo, សាកលវិទ្យាល័យវេជ្ជសាស្រ្ត, សាកលវិទ្យាល័យវេជ្ជសាស្ត្រ, សាកលវិទ្យាល័យ Nottingham និង NIHR Nottingham Biomedical Research Center ។ (11) លោក Philip R Quinlan, មជ្ឈមណ្ឌល Informatics Health, សាកលវិទ្យាល័យវេជ្ជសាស្ត្រ, សាកលវិទ្យាល័យ Nottingham ។ Authors: (1) លោក James Mitchell-White, សាកលវិទ្យាល័យវេជ្ជសាស្រ្ត, សាកលវិទ្យាល័យ Nottingham, សេវាកម្មស្រាវជ្រាវឌីជីថល, សាកលវិទ្យាល័យ Nottingham និង NIHR Nottingham Biomedical Research Center ។ (2) Reza Omdivar, សេវាកម្មស្រាវជ្រាវឌីជីថល, សាកលវិទ្យាល័យ Nottingham និងមជ្ឈមណ្ឌលស្រាវជ្រាវ biomedical NIHR Nottingham; (3) Esmond Urwin, សាកលវិទ្យាល័យវេជ្ជសាស្រ្ត, សាកលវិទ្យាល័យវេជ្ជសាស្រ្ត, សាកលវិទ្យាល័យ Nottingham និង NIHR Nottingham Biomedical Research Center ។ (4) Karthikeyan Sivakumar, សេវាកម្មស្រាវជ្រាវឌីជីថល, សាកលវិទ្យាល័យ Nottingham; (5) លោក Ruizhe Li, NIHR Nottingham Biomedical Research Center និងសាកលវិទ្យាល័យវិទ្យាសាស្រ្តទិន្នន័យ, សាកលវិទ្យាល័យ Nottingham; (6) លោក Andy Rae, សាកលវិទ្យាល័យវេជ្ជសាស្រ្ត, សាកលវិទ្យាល័យ Nottingham; (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, សាកលវិទ្យាល័យបច្ចេកវិទ្យាសាស្ត្រ Nanyang, សាកលវិទ្យាល័យ Singapore; (8) Theresia Mina, Lee Kong Chian School of Medicine, សាកលវិទ្យាល័យបច្ចេកវិទ្យាសាស្ត្រ Nanyang, សាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យ (9) លោក John Chambers, Lee Kong Chian School of Medicine, សាកលវិទ្យាល័យបច្ចេកទេស Nanyang, សាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យ (10) Grazziela Figueredo, សាកលវិទ្យាល័យវេជ្ជសាស្រ្ត, សាកលវិទ្យាល័យវេជ្ជសាស្ត្រ, សាកលវិទ្យាល័យ Nottingham និង NIHR Nottingham Biomedical Research Center ។ (11) លោក Philip R Quinlan, មជ្ឈមណ្ឌល Informatics Health, សាកលវិទ្យាល័យវេជ្ជសាស្ត្រ, សាកលវិទ្យាល័យ Nottingham ។ សៀវភៅនេះអាចរកបាននៅលើ archiv នៅក្រោមការអនុញ្ញាត CC BY 4.0 ។ សៀវភៅនេះអាចរកបាននៅលើ archiv នៅក្រោមការអនុញ្ញាត CC BY 4.0 ។