LuanVan.vnLuận Văn
Gửi thư

Temporal health prediction with multimodal electronic health records data

Luận văn · Thạc sĩ · năm 2025 · đề tài tham khảo

Loại tài liệuLuận văn
Bậc họcThạc sĩ
NgànhCông nghệ thông tin — Công nghệ thông tin
Tác giảNguyễn Tuấn Dũng
Người hướng dẫnNguyễn Phi Lê; Phạm Huy Hiệu
Cơ sở đào tạoĐại học Bách khoa Hà Nội
Năm2025
NguồnThư viện số Đại học Bách khoa Hà Nội · trang gốc

Tóm tắt

Đề xuất CARER, một khung dự đoán rủi ro sức khỏe tích hợp lập luận lâm sàng từ mô hình ngôn ngữ lớn (LLM) vào quá trình học sâu, nhằm mô phỏng cách chẩn đoán của chuyên gia y tế. Bên cạnh đó, cơ chế cross-view alignment loss được áp dụng để đồng bộ hóa đặc trưng dữ liệu bệnh nhân với lập luận lâm sàng từ LLM, giúp tăng cường khả năng biểu diễn. Thực nghiệm trên hai bộ dữ liệu EHR (MIMIC-III và MIMIC-IV) cho thấy CARER vượt trội so với các mô hình tiên tiến tới 11,2%, đồng thời cải thiện hiệu quả dữ liệu và khả năng ứng dụng lâm sàng.
Bản toàn văn lưu tại thư viện Đại học Bách khoa Hà Nội

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.