Jun, 2024

利用大型语言模型代理将可穿戴设备数据转化为健康信息

PDF
TL;DR我们介绍了一种名为个人健康洞察代理（Personal Health Insights Agent，PHIA）的代理系统，它利用最新的代码生成和信息检索工具来分析和解释可穿戴设备中的行为健康数据。该研究对于推进行为健康在人群中的发展具有影响，有可能使个人能够解释自己的可穿戴设备数据，并为基于数据驱动的洞察力所支持的新型可获得的、个性化的健康管理方法铺平道路。
wearable health trackerspersonalized insightslarge language modelpersonal health insights agentbehavioral health data
发现论文，激发创造
  • 个人健康大型语言模型的研究

    个人健康大型语言模型（PH-LLM）从时间序列个人健康数据中细化和调整，以理解和推理个人健康数据，并进行个性化的见解和推荐，同时使用多模式编码来预测自报告的睡眠质量结果。

    Jun, 2024

  • 从分类到临床洞见：用大型语言模型分析和推理移动和行为健康数据

    使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

    Nov, 2023

  • Health-LLM：通过可穿戴传感器数据进行健康预测的大型语言模型

    该研究探讨了大规模语言模型在多模态健康预测中的应用，通过上下文信息和生理数据进行综合评估，并展示了 fine-tuned 模型在健康预测任务中的表现和对上下文增强策略的有效性。

    Jan, 2024

  • 对话式健康代理：一种个性化的 LLM 驱动代理框架

    我们正在开发一个框架，通过赋予对话健康代理（CHAs）关键思维、知识获取和问题解决能力，以增强个人医疗保健服务，并展示其在处理复杂医疗任务中的熟练性和操作能力。

    Oct, 2023

  • 基于图增强的个性化健康洞察的 LLMs：对睡眠分析的案例研究

    通过引入图增强型 LLM 框架，本文试图显著提高个性化和清晰度的健康洞察力，利用层次图结构捕捉病人间和病人内部关系，并丰富 LLM 提示信息，通过一个睡眠分析案例研究在 COVID-19 封锁期间涉及 20 名大学生，展示了我们的模型在有效生成可行和个性化健康洞察力方面的潜力，并利用另一个 LLM 评估了这些洞察力的相关性、完整性、可操作性和个性化程度，从而满足有效处理和解释复杂健康数据的模型的重要需求。我们的研究结果表明，使用我们的框架增强提示信息在所有 4 个标准下都取得了显著改进，通过我们的框架，我们可以产生量身定制、更慎重的回应，以适应特定的病人。

    Jun, 2024

  • 大型语言模型为少样本健康学习者

    该研究展示大型语言模型能够通过只有少量的微调，在医疗和健康领域中处理不易表达为文本的各种生理和行为时间序列数据，并对心脏信号分析、身体活动识别、代谢计算和压力报告估计等健康任务进行有意义的推理。

    May, 2023

  • 借助大型语言模型提升患者互动：数字健康中的对话人工智能的力量

    通过四个案例研究展示了大型语言模型在医疗保健中的应用，包括分析 Reddit 上的心理健康讨论、为老年人进行认知参与开发个性化聊天机器人、总结医疗对话数据集和设计 AI 助力病患参与系统。同时讨论了在医疗保健环境中引入大型语言模型的道德考虑、最佳实践和指南。

    Jun, 2024

  • 将生理数据与大型语言模型集成用于共情的人工智能与人类交互

    通过将生理数据与大型语言模型（LLMs）相结合，探索增强共情的方法。我们提出了一种生理计算方法，包括开发利用生理数据识别心理状态的深度学习模型，并将预测的状态与 LLMs 集成以进行共情交互。我们展示了这种方法在一个基于共情 LLM 聊天机器人用于压力监测和控制的应用。我们还讨论了一项副研究的结果，评估该 EmLLM 聊天机器人准确预测用户压力、提供类人回应以及评估与用户的治疗联盟的能力。

    Apr, 2024

  • 重新定义大型语言模型在数字健康界面中的应用

    数字卫生工具与大型语言模型（LLMs）结合可在临床环境中提供新颖的接口，增强数字医疗工具的实用性和实际影响，解决了使用 LLMs 时出现的问题，如幻觉，从而提高心血管疾病和糖尿病风险预测的效果。

    Oct, 2023

  • 大型语言模型代理程序用于改进行为变化干预的参与度：在数码正念中的应用

    通过在自我指导的健身锻炼中融入教练等社会支持形式，传统的支持方式因高成本和复杂协调而通常无法实现。大型语言模型（LLMs）通过提供类似于人类对话的功能，有望提供社会支持的效果。然而，对于 LLMs 在支持行为改变方面的深入、实地调查仍未得到充分探索。我们进行了两项随机实验，评估了 LLM 代理在用户参与正念锻炼方面的影响。首先是一项单次会议的研究，有 502 名众包工作者参与；第二是为期三周的研究，包括 54 名参与者。我们探索了两种类型的 LLM 代理：提供信息的代理和促进自我反思的代理。两种代理都增强了用户进行正念锻炼的意愿。然而，仅提供信息的 LLM 代理，具有友好形象，能够显著提高用户对锻炼的参与度。我们的研究结果表明，特定的 LLM 代理可能弥合数字健康干预中的社会支持缺口。

    Jul, 2024