ເຄື່ອງມື AI ນີ້ປ່ຽນ 400 ຊື່ບໍ່ແພງໃນລະຫັດ OMOP ທີ່ຖືກຕ້ອງ

ຕາຕະລາງ Links 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 ການຄົ້ນຄວ້າກໍລະນີ: Dataset Medication ການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນ ການຄົ້ນຄວ້າ HELIOS ໄດ້ນໍາໃຊ້ OMOP-CDM ເພື່ອປັບປຸງການຄົ້ນຄວ້າທີ່ຖືກກວດສອບແລະການຮ່ວມມື. ຢ່າງໃດກໍຕາມ, ການກວດສອບຂໍ້ມູນຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາຢາ 3.1 ຄວາມຄິດເຫັນ ການຄົ້ນຄວ້າແລະການຕັດສິນໃຈຂອງພວກເຮົາໄດ້ຖືກນໍາໃຊ້ໂດຍການຄົ້ນຄວ້າແລະການຕັດສິນໃຈຂອງພວກເຮົາ. ສໍາລັບແຕ່ລະຕົວຢ່າງ, ການຄົ້ນຄວ້າ OMOP ທີ່ດີທີ່ສຸດ, ເຊັ່ນດຽວກັນກັບການຄົ້ນຄວ້າທີ່ກວ້າງຂວາງຫຼາຍທີ່ສາມາດຕັດສິນໃຈກັບຊື່ທີ່ບໍ່ແພງໄດ້ຖືກຄຸ້ມຄອງໂດຍການຄົ້ນຄວ້າຂອງມະນຸດ. ສໍາລັບ “Memantine HCl”, ຄວາມຄິດເຫັນທີ່ດີທີ່ສຸດຂອງ OMOP ແມ່ນ “memantine hydrochloride”, ເຖິງແມ່ນວ່າ “memantine” ແມ່ນການຕອບສະຫນອງທີ່ຖືກຕ້ອງອື່ນໆ. ສໍາລັບການປິ່ນປົວທີ່ມີຊື່ສຽງ, ຄວາມຄິດເຫັນທີ່ສະຫນັບສະຫນູນຜະລິດຕະພັນທີ່ມີຊື່ສຽງແມ່ນຄວາມຄິດເຫັນທີ່ດີທີ່ສຸດຂອງ OMOP. ຊື່ຂອງອຸປະກອນທົ່ວໄປສາມາດຖືກນໍາໃຊ້ໃນຊຸດຂະຫນາດໃຫຍ່ຂອງຄວາມຄິດເຫັນທີ່ຖືກຕ້ອງ, ໃນຂະນະທີ່ອຸປະກອນທັງຫມົດແມ່ນຢູ່ພາຍໃນຄວາມຄິດສ້າງສັນ. ໂດຍສະເພາະ, ສໍາລັບ “cocodamol capsule”, “Acetaminophen / Codeine Oral Capsule [Co-codamol]” ຈະເປັນການຕອບສະຫນອງທີ່ດີທີ່ສຸດ, ແຕ່ “acetaminophen / codeine” ຈະໄດ້ຮັບອະນຸຍາດເປັນຄວາມຄິດສ້າງສັນທີ່ ໃນໄລຍະ 400 ປະເພດ, 25 ໄດ້ຖືກຄາດຄະເນເປັນ "Not Parsable". ນີ້ແມ່ນ either formulations containing several ingredients where the formulation has no concept in the OMOP CDM, ເຊັ່ນ: "lipesco", which contains lipoic acid and four vitamins and is not in the OMOP CDM; or where the name could not be resolved, ເຊັ່ນ: "Hollister (gout)". 3.2 ການອອກແບບທົດສອບ ການຊອກຫາຂໍ້ມູນໄດ້ຖືກນໍາໃຊ້ໂດຍຜ່ານການຊອກຫາ vector ແລະສ່ວນ LLM ຂອງ pipeline ແລະການຕັດສິນໃຈກັບຄໍາຮ້ອງສະຫມັກຂອງມະນຸດ. ຜົນປະໂຫຍດ Top 5 ຈາກການຊອກຫາ vector ໄດ້ຖືກນໍາໃຊ້. ຄໍາຮ້ອງສະຫມັກໄດ້ຖືກ evaluated ໂດຍ: 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 ປະເພດທີ່ແຕກຕ່າງກັນໄດ້ຖືກນໍາໃຊ້ເປັນ input ສໍາລັບ Usagi ແລະການຊອກຫາ 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 ຄວາມຄິດເຫັນ ຮູບພາບ ສໍາ ລັບ Llettuce ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, ໃນ 2 ວິນາທີ, 3.3.1 Comparison between vector search and Usagi Usagi ເຮັດວຽກດີໃນເວລາທີ່ຖືກນໍາໃຊ້ເພື່ອຊອກຫາຄໍາແນະນໍາທີ່ input ມີຄວາມຜິດພາດ typographical. ຄວາມຜິດພາດຂອງຕົນສາມາດໄດ້ຮັບການປະມວນຜົນໂດຍວິທີທີ່ມັນຕອບສະຫນອງການຄັດເລືອກທີ່ແຕກຕ່າງກັນຂອງ mometasone furoate nasal spray, “nasonex”. ໃນຄໍາແນະນໍາ, ຂໍ້ມູນການປະມວນຜົນ, ເຊັ່ນ: “Nasonex (ສໍາລັບແຕ່ລະ nasrill)” ເຮັດໃຫ້ການຜະລິດທີ່ສະແດງໃຫ້ເຫັນຢູ່ໃນທ້ອງຖ່າຍຮູບ 2 ສໍາລັບບັນຫາທີ່ຜ່ານມາ. 3.3.2 Comparison with GPT-3 ໃນ 336 ເງື່ອນໄຂທີ່ການເຂົ້າລະຫັດສາມາດເຂົ້າລະຫັດເຂົ້າໄປໃນໂຄງສ້າງ OMOP, ແລະການເຂົ້າລະຫັດບໍ່ຖືກເຂົ້າລະຫັດຢ່າງກວ້າງຂວາງກັບໂຄງສ້າງ OMOP, Llettuce ສາມາດເຂົ້າລະຫັດຢ່າງກວ້າງຂວາງ 193, ຫຼື 48,25%. GPT-3 ສາມາດເຂົ້າລະຫັດຢ່າງກວ້າງຂວາງ 57,75%. ທັງຫມົດໄດ້ສະຫນອງໂຄງສ້າງທີ່ບໍ່ຖືກເຂົ້າລະຫັດຢ່າງກວ້າງຂວາງ, 44 (11%) ສໍາລັບ Llettuce ແລະ 67 (16,75%) ສໍາລັບ GPT-3. ການເຂົ້າລະຫັດ vector ທີ່ດີທີ່ສຸດ 5 ໄດ້ຖືກເຂົ້າລະຫັດຢ່າງກວ້າງຂວາງ 329 ໄດ້ໄດ້ຮັບການເຂົ້າລະຫັດຢ່າງກວ້າງຂວາງສໍາລັບ 21 ຂອງ 99 ການເຂົ້າລະຫັດທີ່ໄດ້ຮັບການເຂົ້າລະຫັດຢ່າງກວ້າງຂວາງໂດຍ Llettu Llettuce's pipeline ບໍ່ເຮັດວຽກຢ່າງເປັນທາງການເຊັ່ນ GPT-3, ເຊິ່ງແມ່ນພຽງແຕ່ບໍ່ມີຄຸນນະສົມບັດໃນ 38 ຊື່. ຢ່າງໃດກໍຕາມ, ມັນໄດ້ຮັບການເຮັດວຽກນີ້ໃນສະຖານທີ່ໃນອຸປະກອນຜູ້ຊ່ຽວຊານໂດຍໃຊ້ຮູບແບບຂະຫນາດນ້ອຍຫຼາຍແລະປົກປັກຮັກສາຄວາມປອດໄພ. ທີ່ໃຊ້ເວລາທີ່ໃຊ້ເວລາເພື່ອໃຊ້ Llettuce Pipeline ກ່ຽວກັບ 400 concepts ແມ່ນ 55 ນາທີ, 15 ວິນາທີ, ໂດຍໃຊ້ CPU Intel i7 quad-core 2.8GHz, 16 Gb RAM. 4.3 ຄໍາແນະນໍາ Llettuce demonstrates possibilities of using deep-learning approaches to map data to OMOP concepts. Combining vector search with a large language model results in comparable performance with the larger GPT-3 model. This shows that the advantages of neural-network based natural language processing can be leveraged to produce medical 344 encodings, even in an setting where confidentiality is essential. ການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈຂອງການຕັດສິນໃຈ. ການປັບປຸງຈະເປັນທີ່ສາມາດໃນສະບັບທີ່ຜ່ານມາ. ຮູບແບບທີ່ນໍາໃຊ້ສໍາລັບການຕິດຕັ້ງແລະການຜະລິດເອກະສານແມ່ນຮູບແບບປະສິດທິພາບທົ່ວໄປ (bge-small-en-v1.5 ແລະ Llama-3.1-8B ປະສິດທິພາບ). ຮູບແບບຜູ້ຊ່ຽວຊານທີ່ມີຢູ່ໃນອຸປະກອນ biomedical ທີ່ໄດ້ຮັບການຝຶກອົບຮົມຫຼືໄດ້ຮັບການຝຶກອົບຮົມ ab initio (Gu et al., 2020) ຈະໄດ້ຮັບການທົດສອບສໍາລັບການປະສິດທິພາບກ່ຽວກັບການເຮັດວຽກ Llettuce. ການພັດທະນາເພີ່ມເຕີມຈະຜ່ານມາຈາກຮູບແບບປະສິດທິພາບທີ່ພັດທະນາໃນອຸປະກອນຂອງພວກເຮົາ. ການນໍາໃຊ້ Llettuce ຂອງພວກເຮົາໃນສະຖານທີ່ທ້ອງຖິ່ນຈະນໍາໃຊ້ການຊອກຫາຂໍ້ມູນແລະການບັນທຶກຂໍ້ມູນແລະການຕອບສະຫນອງ, ເຊັ່ນດຽວກ ລະຫັດ QR ການຄົ້ນຄວ້ານີ້ໄດ້ຖືກສະຫນັບສະຫນູນໂດຍ NIHR Nottingham Biomedical Research Center. ການເຂົ້າເຖິງ Data ຄໍາຮ້ອງສະຫມັກການເຂົ້າເຖິງຂໍ້ມູນສາມາດໄດ້ຮັບການໃຫ້ບໍລິການ HELIOS Data Access Committee ໂດຍ email helios_science@ntu.edu.sg ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມ. ການຮັບຮອງ ສະ ຫນັບ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ 3.5 ຄໍາແນະນໍາ Appleby, P., Masood, E., Milligan, G., Macdonald, C., Quinlan, P., & Cole, C. Carrot-cdm: ເຄື່ອງມື open-source ສໍາລັບການປ່ຽນແປງຂໍ້ມູນສໍາລັບການທົດລອງ federated ໃນການຄົ້ນຄວ້າຄຸນນະພາບ [Research Software Engineering Conference 2023, RSECON23 ; ວັນການທົດລອງ: 04-09-2023 ໂດຍ 07-09-2023]. English. In: In Carrot-cdm: ເຄື່ອງມື open-source ສໍາລັບການປ່ຽນແປງຂໍ້ມູນສໍາລັບການທົດລອງ federated ໃນການຄົ້ນຄວ້າຄຸນນະພາບ. Research Software Engineering Conference 2023, RSECON23 ; ວັນການທົດລອງ: 04-09-2023 ໂດຍ 07-09-2023. 2023, ກັນຍາ. https://doi.org/10.5281/70zenodo.1025 Bayer, M. (2012). Sqlalchemy (A. Brown & G. Wilson, Eds.). http://aosabook.org/en/sqlalchemy.html Bengio, Y., Ducharme, R., Vincent, P., ແລະ Jauvin, C. (2003). A Neural Probabilistic Language Model. Journal of Machine Learning Research, 3. ວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາ 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). ການເຂົ້າລະຫັດຂໍ້ມູນການທົດສອບຫ້ອງທົດສອບ: ການທົດສອບກໍລະນີຂອງການນໍາໃຊ້ປະເທດຂອງຄວາມຕ້ອງການ hhs ແລະມາດຕະຖານທີ່ກ່ຽວຂ້ອງໃນທົດສອບແວ. Journal of American Medical Informatics Association, 29(8), 1372-1380. https://doi.org/10.1093/jamia/ocac072 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). ການປັບປຸງຄຸນນະພາບ, ຄວາມໄວແລະຄວາມປອດໄພຂອງການປິ່ນປົວຂໍ້ມູນກັບການຮ່ວມມືຂອງການຄົ້ນຄວ້າທາງດ້ານວິຊາການ (OMOP) ຮູບແບບຂໍ້ມູນທົ່ວໄປໂດຍໃຊ້ເຄື່ອງມື carrot. JMIR Preprints. https://doi.org/10.2196/preprints.60917 ອັດຕະໂນມັດການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວ. Deng, H., Zhou, Q., Zhang, Z., Zhou, T., Lin, X., Xia, Y., Fan, L., & Liu, S. (2024). ສະພາບອາກາດໃນປັດຈຸບັນແລະສະພາບແວດລ້ອມຂອງມະນຸດທີ່ໃຫຍ່ທີ່ສຸດໃນການນໍາໃຊ້ແລະການຄົ້ນຄວ້າດ້ານວິຊາການ. ມິຖຸນາຈີນຂອງ Radiology Academic. https://doi.org/10.1007/s42058- 024-00164-x Dettmers, T., & Zettlemoyer, L. (2023, ກຸມພາ 27). ປະຫຍັດສໍາລັບຄວາມຖືກຕ້ອງ 4 ບິດ: K-bit Inference Scaling Laws. arXiv: 2212.09720 [cs]. https://doi.org/10.48550/arXiv.2212.09720 Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019, ມິຖຸນາ 24). BERT: ການຝຶກອົບຮົມຂອງການຝຶກອົບຮົມ Transformers Deep Bidirectional ສໍາລັບຄວາມຮູ້ສຶກອົບຮົມ. arXiv: 1810.04805 [cs]. https://doi.org/10.48550/arXiv.1810.04805 Dubey, A., Jauhri, A., Pandey, A., Kadian, A., Al-Dahle, A., Letman, A., Mathur, A., Schelten, A., Yang, A., Fan, A., Goyal, A., Hartshorn, A., Yang, A., Mitra, A., Sravankumar, A., Korenev, A., Hinsvark, A., Rao, A., Zhang, A., . . . Zhao, Z. (2024, August 15). The Llama 3 Herd of Models. arXiv: 2407.21783 [cs]. https://doi.org/10.48550/arXiv.2407.21783 F., H., J., H., H., K., T., A., H., M.J., M., T.W.R., B., J., Y., J., D., A., W., S., E.-J., & W.K., G. (2022). ຂໍ້ມູນທີ່ເຫມາະສົມໃນອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາອີເມລິກາ Gerganov, G., et al. (2024). Llama.cpp [ອີງໃສ່: 19-08-2024]. https://github.com/ggerganov/llama.cpp Gu, Y., Tinn, R., Cheng, H., Lucas, M., Usuyama, N., Liu, X., Naumann, T., Gao, J., & Poon, H. (2020). ການຝຶກອົບຮົມແບບດິຈິຕອນພິເສດສໍາລັບການປິ່ນປົວທາງດ້ານຮ່າງກາຍທາງດ້ານຮ່າງກາຍ. Jacob, B., Kligys, S., Chen, B., Zhu, M., Tang, M., Howard, A., Adam, H., & Kalenichenko, D. (2017, 15 ທັນວາ). Quantization ແລະການຝຶກອົບຮົມຂອງເຄືອຂ່າຍ neuronal ສໍາລັບປະສິດທິພາບ Integer-Arithmetic-Only Inference. arXiv: 1712 . 05877 [cs, stat]. https://doi.org/10.48550/arXiv.1712.05877 Kong, A., Zhao, S., Chen, H., Li, Q., Qin, Y., Sun, R., Zhou, X., Wang, E., & Dong, X. (2024, ມີນາ) 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, ເມສາ 12). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arXiv: 2005. 11401 [cs]. https://doi.org/10.48550/arXiv.2005.11401 Meta-llama/llama-recipes. (2024, ສິງຫາ 19). ດາວນ໌ໂຫລດ ສິງຫາ 19, 2024, ຈາກ https://github.com/meta-llama/llama-recipes Nazi, Z. A., & Peng, W. (2024). ໂມງຂະຫນາດໃຫຍ່ໃນອຸປະກອນການຄົ້ນຄວ້າແລະວິຊາການ: ການທົບທວນຄືນ. Informatics, 11(3), 57. https://doi.org/10.3390/informatics11030057 OHDSI. (2021). (ການຄົ້ນຄວ້າຂໍ້ມູນຄຸນນະພາບແລະຄອມພິວເຕີ), ການຢັ້ງຢືນ Usagi [ການເຂົ້າເຖິງ: 13-08-2024]. https://ohdsi.github.io/ Usagi/ OHDSI. (2024a). Athena: vocabulary ອັດຕະໂນມັດ [Accessed: 16-08-2024]. https://athena.ohdsi.org/search-terms/start OHDSI. (2024b). Data standardization [Accessed: September 2024]. https://www.ohdsi.org/data-standardization/ OpenAI. (2024). Chatgpt: ລະຫັດການຝຶກອົບຮົມ [ອີງໃສ່: 2024-08-16]. https://chat.openai.com/ Qdrant/fastembed. (2024, ສິງຫາ 19). ດາວນ໌ໂຫລດ ສິງຫາ 19, 2024, ຈາກ https://github.com/qdrant/fastembed ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈຂອງຂ້າພະເຈົ້າ! ຂ້າພະເຈົ້າຫວັງວ່າຈະໄດ້ເຮັດວຽກຮ່ວມກັບຂ້າພະເຈົ້າ! Reimers, N., & Gurevych, I. (2019, ສິງຫາ 27). ຄໍາຖາມ-BERT: ຄໍາຖາມ Embeddings using Siamese BERT-Networks. arXiv: 1908. 10084 [cs]. https://doi.org/10.48550/arXiv.1908.10084 Streamlit. (2024). Streamlit: ວິທີການທີ່ໄວທີ່ສຸດເພື່ອສ້າງແລະຕິດຕໍ່ app data [ອັບໂຫລດ: 16-08-2024]. https://streamlit.io 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, ມິຖຸນາ 24). ການຄົ້ນຄວ້າ Health for Life in Singapore (HELIOS): ການສະຫນັບສະຫນູນການຄົ້ນຄວ້າຄຸນນະພາບສໍາລັບປະເທດອາຊີບ. https://doi.org/11010.1/2024.05.14.24307259 Wilkinson, M., Dumontier, M., Aalbersberg, I., et al. (2016). ຄຸນນະສົມບັດທີ່ແທ້ຈິງສໍາລັບການຄຸ້ມຄອງຂໍ້ມູນວິທະຍາສາດແລະການຄຸ້ມຄອງ. ຂໍ້ມູນວິທະຍາສາດ, 3, 160018. https://doi.org/10.1038/sdata.2016.18 ຊື່ຂອງ : (1) James Mitchell-White, Center for Health Informatics, School of Medicine, ວິທະຍາໄລຂອງ Nottingham, ການບໍລິການການຄົ້ນຄວ້າຄອມພິວເຕີ, ວິທະຍາໄລຂອງ Nottingham, ແລະ NIHR Nottingham Biomedical Research Center; (2) Reza Omdivar, Digital Research Service, ວິທະຍາໄລຂອງ Nottingham, ແລະ NIHR Nottingham Biomedical Research Center; (3) Esmond Urwin, Center for Health Informatics, School of Medicine, ວິທະຍາໄລຂອງ Nottingham ແລະ NIHR Nottingham Biomedical Research Center; (4) Karthikeyan Sivakumar, Digital Research Service, ວິທະຍາໄລຂອງ Nottingham; (5) Ruizhe Li, NIHR Nottingham Biomedical Research Center ແລະວິທະຍາສາດຄອມພິວເຕີ, ວິທະຍາໄລຂອງ Nottingham; (6) Andy Rae, Center for Health Informatics, School of Medicine, ວິທະຍາໄລ Nottingham; (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, ວິທະຍາໄລເຕັກໂນໂລຊີ Nanyang, Singapore; (8) Theresia Mina, Lee Kong Chian School of Medicine, ວິທະຍາໄລເຕັກໂນໂລຊີ Nanyang, Singapore; (9) John Chambers, Lee Kong Chian School of Medicine, Nanyang Technological University, Singapore ແລະການຄົ້ນຄວ້າ epidemiology ແລະ biostatistics, School of Public Health, Imperial College London, UK; (10) Grazziela Figueredo, Center for Health Informatics, School of Medicine, ວິທະຍາໄລຂອງ Nottingham ແລະ NIHR Nottingham Biomedical Research Center; (11) Philip R Quinlan, Center for Health Informatics, School of Medicine, ວິທະຍາໄລ Nottingham. Authors: (1) James Mitchell-White, Center for Health Informatics, School of Medicine, ວິທະຍາໄລຂອງ Nottingham, ການບໍລິການການຄົ້ນຄວ້າຄອມພິວເຕີ, ວິທະຍາໄລຂອງ Nottingham, ແລະ NIHR Nottingham Biomedical Research Center; (2) Reza Omdivar, Digital Research Service, ວິທະຍາໄລຂອງ Nottingham, ແລະ NIHR Nottingham Biomedical Research Center; (3) Esmond Urwin, Center for Health Informatics, School of Medicine, ວິທະຍາໄລຂອງ Nottingham ແລະ NIHR Nottingham Biomedical Research Center; (4) Karthikeyan Sivakumar, Digital Research Service, ວິທະຍາໄລຂອງ Nottingham; (5) Ruizhe Li, NIHR Nottingham Biomedical Research Center ແລະວິທະຍາສາດຄອມພິວເຕີ, ວິທະຍາໄລຂອງ Nottingham; (6) Andy Rae, Center for Health Informatics, School of Medicine, ວິທະຍາໄລ Nottingham; (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, ວິທະຍາໄລເຕັກໂນໂລຊີ Nanyang, Singapore; (8) Theresia Mina, Lee Kong Chian School of Medicine, ວິທະຍາໄລເຕັກໂນໂລຊີ Nanyang, Singapore; (9) John Chambers, Lee Kong Chian School of Medicine, Nanyang Technological University, Singapore ແລະການຄົ້ນຄວ້າ epidemiology ແລະ biostatistics, School of Public Health, Imperial College London, UK; (10) Grazziela Figueredo, Center for Health Informatics, School of Medicine, ວິທະຍາໄລຂອງ Nottingham ແລະ NIHR Nottingham Biomedical Research Center; (11) Philip R Quinlan, Center for Health Informatics, School of Medicine, ວິທະຍາໄລ Nottingham. ເອກະສານນີ້ສາມາດເຂົ້າເຖິງໃນ archiv under CC BY 4.0 License. ເອກະສານນີ້ແມ່ນ ດາວນ໌ໂຫລດ CC BY 4.0 ສະຫນັບສະຫນູນໃນ Archives