Resumen: El monitoreo de la salud móvil y portátil juega un papel vital en facilitar intervenciones oportunas, manejar las condiciones de salud crónicas y, en última instancia, mejorar la calidad de vida de las personas. Estudios previos sobre modelos de idiomas grandes (LLM) han destacado sus impresionantes habilidades de generalización y efectividad en las tareas de predicción de la atención médica. Sin embargo, la mayoría de las soluciones de salud basadas en LLM están basadas en la nube, lo que plantea importantes preocupaciones de privacidad y resulta en un mayor uso y latencia de la memoria. Para abordar estos desafíos, existe un creciente interés en modelos compactos, modelos de lenguaje pequeño (SLMS), que son livianos y diseñados para ejecutar a nivel local y eficiente en dispositivos móviles y portátiles. Sin embargo, qué tan bien funcionan estos modelos en la predicción de la atención médica permanece en gran medida inexplorada. Evaluamos sistemáticamente los SLM en las tareas de predicción de la salud utilizando enfoques de ajuste fino de disparo cero, pocos disparos e instrucciones, e implementamos los SLM de mejor rendimiento en dispositivos móviles para evaluar su eficiencia del mundo real y su rendimiento predictivo en escenarios prácticos de atención médica. Nuestros resultados muestran que SLM puede lograr un rendimiento comparable a los LLM al tiempo que ofrece ganancias sustanciales en eficiencia y privacidad. Sin embargo, quedan desafíos, particularmente en el manejo del desequilibrio de clases y escenarios de pocos disparos. Estos hallazgos destacan SLM, aunque imperfectos en su forma actual, como una solución prometedora para el monitoreo de la salud de la privacidad y la privacidad.
Publicado Originalme en export.arxiv.org El 9 de septiembre de 2025.
Ver Fuente Original
