Przykład triażu pacjentów z użyciem modelu Jev
Autor pokazuje, jak skierować pacjenta do właściwego lekarza, używając wyłącznie modelu Jev od TypeSafe AI i odrobiny kodu do zadawania pytań, zaznaczając, że w trakcie rozmowy nie użyto LLM.
Jev wspomaga diagnostykę różnicową w czasie rzeczywistym podczas konsultacji klinicznych
Podczas konsultacji klinicznych na żywo ambientowy skryba okresowo dostarcza transkrypcje do Jev, który przeszukuje ontologię medyczną, aby klasyfikować objawy, aktualizować diagnozę różnicową, sugerować leczenie i identyfikować sygnały ostrzegawcze w czasie rzeczywistym.
During a live clinical consultation (with an ambient scribe), the transcript is periodically supplied to Jev, which traverses a medical ontology to classify symptoms, update the differential diagnosis, suggest treatments and identify red flags in real time.
· 429 likesOpen on X
More like this
Tworzenie natychmiastowej aplikacji do śledzenia kalorii z Jev
Deweloper dzieli się tworzeniem aplikacji do śledzenia kalorii z Jev, podkreślając natychmiastowe działanie.
Przeniesienie decyzji triażu medycznego do Jev: 25 typowanych pytań, 0,29 s, 0,00015 USD
Autor dzieli się przeniesieniem kroku decyzyjnego triażu przyjęć medycznych z LLM do Jev (@typesafeai): 25 typowanych pytań, 0,29 s, 0,00015 USD, kod prowadzi przepływ pracy, wraz z metodą, liczbami i ograniczeniami.
