MARC

 008260126s2024        us                              c    eng  d
■001000017360616
■00520260202105556
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263399108
■035    ▼a(MiAaPQ)AAI32315885
■035    ▼a(MiAaPQ)GeorgiaTech75210
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a006.31
■1001  ▼aShi,  Wenqi.
■24510▼aAdvancing  Personalized  Medicine  Through  Generative  Artificial  Intelligence
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a299  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Wang,  May  D.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThe  primary  goal  of  next-generation  healthcare  systems  is  to  deliver  preventive,  predictive,  precise,  participatory,  and  personalized  health,  thereby  improving  the  quality  of  patient  care.  Despite  the  abundance  of  peer-reviewed  papers  demonstrating  novel  Artificial  Intelligence  (AI)-enabled  solutions  for  precision  medicine,  a  significant  gap  remains  in  translating  these  scientific  discoveries  into  clinical  practice  to  effectively  benefit  patients  and  clinicians.  To  begin,  developing  AI-enabled  informed  clinical  decision  support  necessitates  a  comprehensive,  large-scale  analysis  of  various  biomedical  and  clinical  data.  Moreover,  lack  of  explainability  is  another  major  barrier  to  the  widespread  adoption  of  AI-enabled  Clinical  Decision  Support  Systems  (CDSS)  in  real-world  settings.  For  example,  clinicians  struggle  to  trust  decisions  made  by  black-box  models,  where  experts  require  more  substantial  clinical  evidence  beyond  simple  predictions  for  effective  clinical  validation  and  decision  support.  In  addition,  the  integration  of  new  AI  tools  may  create  an  extra  burden  for  clinicians  and  disrupt  existing  clinical  workflows,  resulting  in  compromised  clinical  efficiency  and  effectiveness.The  objective  of  this  thesis  is  to  advance  cutting-edge  AI-enabled  CDSS,  including  Large  Language  Model  (LLM),  to  facilitate  translational  personalized  medicine.  Firstly,  we  investigate  data-centric  AI  methods  to  prepare  integrative,  large-scale,  and  high-quality  patient  data  to  address  data  scarcity  and  quality  issues,  with  a  specific  focus  on  rare  diseases.  Secondly,  we  develop  an  AI-enabled  CDSS  framework  for  improved  patient  care  by  solving  responsible  AI  considerations,  including  model  transparency,  accountability,  trustworthiness,  and  fairness.  Thirdly,  with  the  emerging  few-shot  capabilities  of  LLM  in  reasoning  and  planning,  we  deploy  translational  and  interactive  LLM-based  agents  for  improved  user  experience  in  real-world  clinical  practice.  Specifically,  clinicians  can  specify  tasks  in  natural  language,  and  the  LLM  agent  autonomously  generates  and  executes  code  to  interact  with  EHRs  for  answers,  eliminating  the  need  for  specialized  expertise  or  extra  effort  from  data  engineers  in  conventional  clinical  settings.  LLM-based  agents  enable  simple  and  efficient  interactions  among  clinicians,  EHR  systems,  and  external  tools,  simplifying  clinical  workload  and  reducing  additional  burdens  when  introducing  new  tools.  By  advancing  emerging  AI  in  personalized  medicine,  the  proposed  framework  aims  to  bridge  the  gap  between  biomedical  research  and  clinical  practice,  thereby  promoting  the  adoption  of  AI  in  real-world  clinical  practice.
■590    ▼aSchool  code:  0078.
■650  4▼aLarge  language  models
■650  4▼aPrecision  medicine
■650  4▼aChatbots
■650  4▼aMedicine
■690    ▼a0800
■690    ▼a0564
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360616▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서