La atención médica como un gran problema de modelado de secuencias

El Aprendizaje por Refuerzo en el sector salud se preocupa típicamente por tareas estrechas y autosuficientes como la predicción de sepsis o el control de la anestesia. Sin embargo, investigaciones anteriores han demostrado el potencial de modelos generalistas (el ejemplo principal son los Modelos de Lenguaje Grande) para superar enfoques específicos de tareas debido a su capacidad para el aprendizaje por transferencia implícito. Para posibilitar el entrenamiento de modelos fundamentales para la atención médica, así como aprovechar las capacidades de arquitecturas Transformer de vanguardia, proponemos el paradigma de la Atención Médica como Modelado de Secuencias, en el que la interacción entre el paciente y el proveedor de atención médica se representa como un flujo de eventos y tareas como diagnóstico y selección de tratamiento se modelan como la predicción de eventos futuros en el flujo. Para explorar este paradigma experimentalmente, desarrollamos MIMIC-SEQ, un banco de pruebas para el modelado de secuencias derivado de la traducción de registros clínicos heterogéneos del conjunto de datos MIMIC-IV a un formato uniforme de flujo de eventos, entrenamos un modelo base y exploramos sus capacidades.