論文の概要: Assessment of Amazon Comprehend Medical: Medication Information
Extraction
- arxiv url: http://arxiv.org/abs/2002.00481v1
- Date: Sun, 2 Feb 2020 20:08:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 20:06:14.718210
- Title: Assessment of Amazon Comprehend Medical: Medication Information
Extraction
- Title(参考訳): Amazon Comprehend Medicalの評価:医療情報抽出
- Authors: Benedict Guzman, MS and Isabel Metzger, MS and Yindalon
Aphinyanaphongs, M.D., Ph.D. and Himanshu Grover, Ph.D
- Abstract要約: Amazon Comprehend Medical (ACM)は、臨床テキストから臨床概念を自動的に抽出するディープラーニングベースのシステムである。
ACMは2009年のi2b2薬物抽出チャレンジと2018年のn2c2トラック2の試験セットを用いて評価された。
ACMはFスコア0.768と0.828を達成した。
- 参考スコア(独自算出の注目度): 0.3161954199291541
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In November 27, 2018, Amazon Web Services (AWS) released Amazon Comprehend
Medical (ACM), a deep learning based system that automatically extracts
clinical concepts (which include anatomy, medical conditions, protected health
information (PH)I, test names, treatment names, and medical procedures, and
medications) from clinical text notes. Uptake and trust in any new data product
relies on independent validation across benchmark datasets and tools to
establish and confirm expected quality of results. This work focuses on the
medication extraction task, and particularly, ACM was evaluated using the
official test sets from the 2009 i2b2 Medication Extraction Challenge and 2018
n2c2 Track 2: Adverse Drug Events and Medication Extraction in EHRs. Overall,
ACM achieved F-scores of 0.768 and 0.828. These scores ranked the lowest when
compared to the three best systems in the respective challenges. To further
establish the generalizability of its medication extraction performance, a set
of random internal clinical text notes from NYU Langone Medical Center were
also included in this work. And in this corpus, ACM garnered an F-score of
0.753.
- Abstract(参考訳): 2018年11月27日、Amazon Web Services (AWS)がAmazon Comprehend Medical (ACM)をリリースした。これは、臨床テキストノートから臨床概念(解剖学、医療状況、保護された健康情報(PH)I、テスト名、治療名、医療処置、医薬品を含む)を自動的に抽出するディープラーニングベースのシステムである。
新たなデータ製品の取り込みと信頼は、期待される結果の品質を確立および確認するために、ベンチマークデータセットとツール間で独立した検証に依存している。
本研究は,2009年i2b2薬物抽出チャレンジと2018年n2c2トラック2: 逆薬物イベントと医薬品抽出のEHRにおける公式テストセットを用いて,薬物抽出タスク,特にACMを評価した。
ACMはFスコア0.768と0.828を達成した。
これらのスコアは、各課題における3つのベストシステムと比較すると、最も低い。
また, 薬物抽出性能の汎用性をさらに高めるため, nyu langone medical center の無作為な内部臨床文書群も本研究に含まれていた。
そしてこのコーパスでは、acmはf-score 0.753を収集した。
関連論文リスト
- Detecting automatically the layout of clinical documents to enhance the
performances of downstream natural language processing [53.797797404164946]
我々は,臨床用PDF文書を処理し,臨床用テキストのみを抽出するアルゴリズムを設計した。
このアルゴリズムは、PDFを使った最初のテキスト抽出と、続いてボディテキスト、左書き、フッタなどのカテゴリに分類される。
それぞれのセクションのテキストから興味ある医学的概念を抽出し,医療的パフォーマンスを評価した。
論文 参考訳(メタデータ) (2023-05-23T08:38:33Z) - Towards Expert-Level Medical Question Answering with Large Language
Models [16.882775912583355]
大規模言語モデル (LLMs) は医学的質問応答において大きな進歩をもたらした。
ここでは、基礎改善(PaLM2)、医療領域の細かな改善、戦略の推進を組み合わせ、ギャップを埋めるMedPaLM 2を提案する。
また, MedMC-ofQA, PubMed, MMLUの臨床トピックスデータセットに近づいたり, 最先端に近づいたりした。
論文 参考訳(メタデータ) (2023-05-16T17:11:29Z) - Question-Answering System Extracts Information on Injection Drug Use
from Clinical Notes [4.537953996010351]
注射薬の使用(IDU)は、死亡率と死亡率を高める危険な健康行動である。
IDU情報を表示する唯一の場所は、構造化されていないフリーテキスト臨床ノートである。
臨床ノートからIDUに関する情報を抽出するための質問応答(QA)フレームワークを設計し,実証する。
論文 参考訳(メタデータ) (2023-05-15T16:37:00Z) - Development and validation of a natural language processing algorithm to
pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。
臨床文献のコーパスを12種類に分類した。
私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文 参考訳(メタデータ) (2023-03-23T17:17:46Z) - A Marker-based Neural Network System for Extracting Social Determinants
of Health [12.6970199179668]
健康の社会的決定因子(SDoH)は、患者の医療の質と格差を左右する。
多くのSDoHアイテムは、電子健康記録の構造化形式でコード化されていない。
我々は,臨床ノートから自動的にSDoH情報を抽出する,名前付きエンティティ認識(NER),関係分類(RC),テキスト分類手法を含む多段階パイプラインを探索する。
論文 参考訳(メタデータ) (2022-12-24T18:40:23Z) - Retrieve, Reason, and Refine: Generating Accurate and Faithful Patient
Instructions [65.11629300465812]
臨床作業量を削減しつつ,不完全性を回避する客観的な手段を提供する新しい課題を提案する。
Re3Writerは医師の作業パターンを模倣し、医師によって書かれた歴史的なPIから関連する作業経験を最初に取得する。
その後、回収された作業経験を洗練させ、医療知識を推論して有用な情報を抽出する。
論文 参考訳(メタデータ) (2022-10-23T16:34:39Z) - A Unified Framework of Medical Information Annotation and Extraction for
Chinese Clinical Text [1.4841452489515765]
現在の最先端(SOTA)NLPモデルは、ディープラーニング技術と高度に統合されている。
本研究では,医学的実体認識,関係抽出,属性抽出の工学的枠組みを提案する。
論文 参考訳(メタデータ) (2022-03-08T03:19:16Z) - How to Leverage Multimodal EHR Data for Better Medical Predictions? [13.401754962583771]
電子健康記録(EHR)データの複雑さは、ディープラーニングの適用の課題である。
本稿では,まずEHRから臨床ノートを抽出し,これらのデータを統合する方法を提案する。
2つの医療予測タスクの結果、異なるデータを持つ融合モデルが最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-10-29T13:26:05Z) - An Analysis of a BERT Deep Learning Strategy on a Technology Assisted
Review Task [91.3755431537592]
文書検診はEvidenced Based Medicineにおける中心的な課題である。
本稿では,BERT や PubMedBERT を組み込んだ DL 文書分類手法と DL 類似性検索経路を提案する。
2017年と2018年のCLEF eHealth コレクションにおいて,私の DL 戦略の検索の有効性を検証し,評価した。
論文 参考訳(メタデータ) (2021-04-16T19:45:27Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳(メタデータ) (2021-02-08T15:09:07Z) - Benchmarking Automated Clinical Language Simplification: Dataset,
Algorithm, and Evaluation [48.87254340298189]
我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。
我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
論文 参考訳(メタデータ) (2020-12-04T06:09:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。