首页 > 资讯 > Towards a Personal Health Large Language Model

Towards a Personal Health Large Language Model

泰然健康网
2025-05-08 19:01

简介

在健康领域，大多数大型语言模型（LLM）的研究都集中在临床任务上。然而，移动和可穿戴设备很少被整合到这些任务中，为个人健康监测提供了丰富的纵向数据。在这里，我们介绍了个人健康大型语言模型（PH-LLM），它是从Gemini进行微调而来，用于理解和推理数字时间序列的个人健康数据。我们创建和策划了三个数据集，测试了1）从睡眠模式、身体活动和生理反应中产生个性化见解和建议的能力，2）专业领域知识，以及3）预测自报睡眠结果。对于第一个任务，我们与领域专家合作设计了857个案例研究，以评估睡眠和健身领域中的实际情况。通过全面评估领域特定的评分标准，我们观察到Gemini Ultra 1.0和PH-LLM在健身方面与专家表现不具有统计学差异，而专家仍然优于睡眠，微调PH-LLM提供了使用相关领域知识和个性化信息的睡眠见解的显着改进。我们使用多项选择睡眠医学和健身考试来评估PH-LLM的领域知识。PH-LLM在睡眠方面达到了79％，在健身方面达到了88％，超过了一组人类专家的平均分数。最后，我们训练PH-LLM根据可穿戴数据的文本和多模式编码表示来预测自报睡眠质量结果，并证明多模式编码是必要的，以匹配专门的判别模型的性能。虽然在安全关键的个人健康领域中需要进一步的开发和评估，但这些结果证明了Gemini模型的广泛知识和能力，以及将生理数据与个人健康应用相结合的好处，就像PH-LLM所做的那样。

图表

解决问题

论文旨在解决移动和可穿戴设备提供的个人健康数据的挖掘和应用问题，通过创建和维护三个数据集，测试个性化见解和建议的生成、领域专家知识和自我报告睡眠结果的预测等任务。

关键思路

论文提出了Personal Health Large Language Model (PH-LLM)，通过对Gemini进行fine-tune，可以理解和推理数字时间序列个人健康数据，利用上下文信息和领域知识生成个性化的见解和建议。实验结果表明，PH-LLM在领域知识和个性化信息方面可以与专家相媲美，同时在自我报告睡眠结果的预测方面也有很好的表现。

其它亮点

论文设计了857个案例研究，测试PH-LLM生成个性化见解和建议的能力，同时进行了多项评估，包括领域专家知识的多项选择测试和自我报告睡眠结果的预测。实验结果表明，PH-LLM在领域知识和个性化信息方面可以与专家相媲美，同时在自我报告睡眠结果的预测方面也有很好的表现。