Classificação de Eletrocardiograma com Integração de Modelos de Linguagem Grande e Técnicas de Geração Aumentada de Recuperação para Suporte à Decisão Médica
Resumo
Um dos maiores fatores de morte do planeta são as enfermidades cardiovasculares, e os prognósticos mais precisos dependem da detecção precoce. As Técnicas de Geração Aumentada por Recuperação (RAG) e Modelos de Linguagem de Grande Escala (LLM) oferecem suporte ao diagnóstico, aprimorando a detecção de enfermidades cardíacas. Para classificar ECGs e relatórios médicos, o sistema incorpora modelos TensorFlow Keras, auxiliando profissionais de saúde na análise de dados complexos. A combinação de análises automatizadas com histórico-clínico fornece uma ferramenta diagnóstica abrangente e precisa.Referências
BOURDETTE, Marcelo Segalerba. A brucelose humana no Brasil sob a perspectiva da saúde única. 2024.
COLAK, Ertugrul et al. Análise de desempenho de modelos de rede neural convolucional pré-treinados para classificação de doenças oftalmológicas. Arquivos Brasileiros de Oftalmologia, v. 87, n. 5, p. 1-10, 2024.
DA SILVA MACHADO, Robert Douglas; ARAÚJO, Mirelia Rodrigues; CAVALCANTE, Katiane Serra. Complicações em pacientes cardiopatas no pós-COVID-19: revisão de literatura. Brazilian Journal of Health Review, v. 7, n. 2, p. e69170-e69170, 2024.
GAO, Y. et al. Retrieval-augmented generation for large language models: A survey. Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University, 2023.
HACKER, Philipp; ENGEL, Andreas; MAUER, Marco. Regulating ChatGPT and other large generative AI models. In: Proceedings of the 2023 ACM Conference on Fairness, Accountability, and Transparency. 2023. p. 1112-1123.
IQBAL, JL Mazher et al. A novel deep learning approach for early detection of cardiovascular diseases from ECG signals. Medical Engineering & Physics, v. 125, p. 104111, 2024.
KACHUEE, Mohammad; FAZELI, Shayan; SARRAFZADEH, Majid. Ecg heartbeat classification: A deep transferable representation. In: 2018 IEEE international conference on healthcare informatics (ICHI). IEEE, 2018. p. 443-444.
LUZ, Eduardo; MENOTTI, David. How the choice of samples for building arrhythmia classifiers impact their performances. In: 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE, 2011. p. 4988-4991.
MARTINS, Georgiton Carvalho et al. TAMPONAMENTO CARDÍACO: ABORDAGEM DIAGNÓSTICA E TERAPÊUTICA NA MEDICINA INTENSIVA. Brazilian Journal of Implantology and Health Sciences, v. 6, n. 8, p. 4030-4037, 2024.
MOODY, George B.; MARK, Roger G. The impact of the MIT-BIH arrhythmia database. IEEE engineering in medicine and biology magazine, v. 20, n. 3, p. 45-50, 2001.
NAZI, Zabir Al; PENG, Wei. Large language models in healthcare and medical domain: A review. In: Informatics. MDPI, 2024. p. 57.
SARI, Dewi Mutiara et al. Classification of Pupil Turbidity Based on Convolutional Neural Network (CNN) as an Early Detection of Cataract Step Using a Smartphone. In: International Conference on Applied Science and Technology on Engineering Science 2023 (iCAST-ES 2023). Atlantis Press, 2024. p. 287-301.
SOARES, Ronan Pardo. QUERYAUGMENT-RAG: APRIMORANDO A RECUPERAÇÃO E GERAÇÃO DE INFORMAÇÕES EM MODELOS DE LINGUAGEM DE GRANDE ESCALA. Revista Contemporânea, v. 4, n. 6, p. e4470-e4470, 2024.
COLAK, Ertugrul et al. Análise de desempenho de modelos de rede neural convolucional pré-treinados para classificação de doenças oftalmológicas. Arquivos Brasileiros de Oftalmologia, v. 87, n. 5, p. 1-10, 2024.
DA SILVA MACHADO, Robert Douglas; ARAÚJO, Mirelia Rodrigues; CAVALCANTE, Katiane Serra. Complicações em pacientes cardiopatas no pós-COVID-19: revisão de literatura. Brazilian Journal of Health Review, v. 7, n. 2, p. e69170-e69170, 2024.
GAO, Y. et al. Retrieval-augmented generation for large language models: A survey. Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University, 2023.
HACKER, Philipp; ENGEL, Andreas; MAUER, Marco. Regulating ChatGPT and other large generative AI models. In: Proceedings of the 2023 ACM Conference on Fairness, Accountability, and Transparency. 2023. p. 1112-1123.
IQBAL, JL Mazher et al. A novel deep learning approach for early detection of cardiovascular diseases from ECG signals. Medical Engineering & Physics, v. 125, p. 104111, 2024.
KACHUEE, Mohammad; FAZELI, Shayan; SARRAFZADEH, Majid. Ecg heartbeat classification: A deep transferable representation. In: 2018 IEEE international conference on healthcare informatics (ICHI). IEEE, 2018. p. 443-444.
LUZ, Eduardo; MENOTTI, David. How the choice of samples for building arrhythmia classifiers impact their performances. In: 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE, 2011. p. 4988-4991.
MARTINS, Georgiton Carvalho et al. TAMPONAMENTO CARDÍACO: ABORDAGEM DIAGNÓSTICA E TERAPÊUTICA NA MEDICINA INTENSIVA. Brazilian Journal of Implantology and Health Sciences, v. 6, n. 8, p. 4030-4037, 2024.
MOODY, George B.; MARK, Roger G. The impact of the MIT-BIH arrhythmia database. IEEE engineering in medicine and biology magazine, v. 20, n. 3, p. 45-50, 2001.
NAZI, Zabir Al; PENG, Wei. Large language models in healthcare and medical domain: A review. In: Informatics. MDPI, 2024. p. 57.
SARI, Dewi Mutiara et al. Classification of Pupil Turbidity Based on Convolutional Neural Network (CNN) as an Early Detection of Cataract Step Using a Smartphone. In: International Conference on Applied Science and Technology on Engineering Science 2023 (iCAST-ES 2023). Atlantis Press, 2024. p. 287-301.
SOARES, Ronan Pardo. QUERYAUGMENT-RAG: APRIMORANDO A RECUPERAÇÃO E GERAÇÃO DE INFORMAÇÕES EM MODELOS DE LINGUAGEM DE GRANDE ESCALA. Revista Contemporânea, v. 4, n. 6, p. e4470-e4470, 2024.
Publicado
07/11/2024
Como Citar
TRINDADE, Ademar Alves.
Classificação de Eletrocardiograma com Integração de Modelos de Linguagem Grande e Técnicas de Geração Aumentada de Recuperação para Suporte à Decisão Médica. In: ESCOLA REGIONAL DE INFORMÁTICA DE MATO GROSSO (ERI-MT), 13. , 2024, Alto Araguaia/MT.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 7-12.
ISSN 2447-5386.
DOI: https://doi.org/10.5753/eri-mt.2024.245867.
