Alzheimer's Disease and Related Dementias Task Force
PulseAugur coverage of Alzheimer's Disease and Related Dementias Task Force — every cluster mentioning Alzheimer's Disease and Related Dementias Task Force across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
LLM-MINE框架从临床笔记中提取阿尔茨海默病表型
研究人员开发了LLM-MINE，一个利用大语言模型从临床笔记中提取阿尔茨海默病及相关痴呆症（ADRD）表型的框架。该方法旨在通过分析电子健康记录中的非结构化文本来改善早期检测和疾病分期。与传统的生物医学命名实体识别（NER）和基于字典的方法相比，LLM-MINE框架，特别是使用结合了表型列表的少样本提示时，在识别具有统计学意义的表型差异和无监督疾病分期方面表现出更优越的性能。
-
AI在照护支持中的“合成生活体验”悖论得到探讨
一篇新论文探讨了专为同伴式支持设计的AI系统所面临的悖论，特别是针对阿尔茨海默病及相关痴呆症（ADRD）患者的照护者。虽然AI可以提供即时且不带评判的帮助，但它缺乏真正的人生经历，而这对于人类同伴支持至关重要。研究人员分析了在线照护者社区的交流内容，并将其与LLaMA、GPT-4o-mini和MedGemma等大型语言模型的响应进行了比较。研究发现，虽然AI可以模仿人类同伴的情感劳动，但它常常捏造经验性基础，创造出一种“合成生活体验”…
-
AI在照护支持中的“合成生活体验”悖论得到探讨
一篇新论文探讨了AI系统在被要求提供同伴式支持时，生成“合成生活体验”的悖论，特别是针对阿尔茨海默病及相关痴呆症（ADRD）患者的照护者。虽然LLaMA、GPT-4o-mini和MedGemma等大型语言模型可以模仿人类同伴支持的情感基调和叙事结构，但它们的回复缺乏真实的生活体验。该研究强调了叙事真实性方面存在的差距，AI可能会捏造经验性基础，从而可能误导用户，使其相信AI拥有个人经验。
-
大型语言模型（LLM）照护角色的安全性和有用性得到审计
研究人员开发了一个框架，用于审计大型语言模型（LLM）在照护支持角色中的安全性。通过定义四个不同的角色——告知（Inform）、指导（Coach）、关联（Relate）和倾听（Listen），并针对来自在线痴呆症社区的真实查询进行测试，研究发现LLM被分配的角色对其安全状况有显著影响。人类评估显示，尽管更具指导性的角色表现出更高的互动风险，但它们被认为更有用和更值得信赖，存在一种权衡。该研究发布了一个模型响应数据集，以促进对更安全的L…
-
新的大语言模型基准测试评估阿尔茨海默病和痴呆症护理
研究人员推出 ADRD-Bench，这是一个旨在评估大语言模型 (LLM) 在阿尔茨海默病及相关痴呆症 (ADRD) 领域性能的新基准测试。该基准测试包含两部分：ADRD Unified QA，它综合了来自现有医学基准测试的 1,438 个问题；以及 ADRD Caregiving QA，一套新颖的、侧重于实际护理情境的 149 个问题。对 36 个大语言模型的评估显示出不同的准确率水平，闭源模型普遍优于开放权重模型，尽管即使是表现最…