Fugu-MT 論文翻訳(概要): Annotating Social Determinants of Health Using Active Learning, and Characterizing Determinants Using Neural Event Extraction

論文の概要: Annotating Social Determinants of Health Using Active Learning, and Characterizing Determinants Using Neural Event Extraction

arxiv url: http://arxiv.org/abs/2004.05438v2
Date: Wed, 2 Dec 2020 05:54:50 GMT
ステータス: 処理完了
システム内更新日: 2022-12-14 10:09:19.084004
Title: Annotating Social Determinants of Health Using Active Learning, and Characterizing Determinants Using Neural Event Extraction
Title（参考訳）: アクティブラーニングによる健康の社会的要因の注釈とニューラルイベント抽出による要因の識別
Authors: Kevin Lybarger, Mari Ostendorf, Meliha Yetisgen
Abstract要約: 健康の社会的決定因子(SDOH)は健康に影響を及ぼし、SDOHの知識は臨床的な意思決定に影響を及ぼす。本研究は,SDOHアノテーションを用いた新しいコーパス,新しいアクティブラーニングフレームワーク,新しいコーパスにおける最初の抽出結果を示す。
参考スコア（独自算出の注目度）: 11.845850292404768
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Social determinants of health (SDOH) affect health outcomes, and knowledge of SDOH can inform clinical decision-making. Automatically extracting SDOH information from clinical text requires data-driven information extraction models trained on annotated corpora that are heterogeneous and frequently include critical SDOH. This work presents a new corpus with SDOH annotations, a novel active learning framework, and the first extraction results on the new corpus. The Social History Annotation Corpus (SHAC) includes 4,480 social history sections with detailed annotation for 12 SDOH characterizing the status, extent, and temporal information of 18K distinct events. We introduce a novel active learning framework that selects samples for annotation using a surrogate text classification task as a proxy for a more complex event extraction task. The active learning framework successfully increases the frequency of health risk factors and improves automatic extraction of these events over undirected annotation. An event extraction model trained on SHAC achieves high extraction performance for substance use status (0.82-0.93 F1), employment status (0.81-0.86 F1), and living status type (0.81-0.93 F1) on data from three institutions.
Abstract（参考訳）: 健康の社会的決定因子(SDOH)は健康結果に影響を与え、SDOHの知識は臨床的意思決定に影響を及ぼす。臨床テキストからSDOH情報を自動抽出するには、異種でしばしば重要なSDOHを含む注釈付きコーパスで訓練されたデータ駆動情報抽出モデルが必要である。本研究は,SDOHアノテーションを用いた新しいコーパス,新しいアクティブラーニングフレームワーク,新しいコーパスにおける最初の抽出結果を示す。社会史注釈コーパス(SHAC)には4,480の社会史セクションがあり、18Kの異なる出来事の状況、範囲、時間的情報を特徴づける12のSDOHに関する詳細な注釈がある。本稿では,より複雑なイベント抽出タスクのプロキシとして,サロゲートテキスト分類タスクを用いてアノテーション用サンプルを選択する,新しいアクティブラーニングフレームワークを提案する。アクティブラーニングフレームワークは、健康リスク要因の頻度を高め、非ダイレクトアノテーションによるこれらのイベントの自動抽出を改善する。 SHACを用いたイベント抽出モデルでは,3施設のデータから,物質使用状況(0.82-0.93 F1),雇用状況(0.81-0.86 F1),生活状況(0.81-0.93 F1)の抽出性能が高い。

関連論文リスト

Extracting Social Determinants of Health from Pediatric Patient Notes Using Large Language Models: Novel Corpus and Methods [17.83326146480516]
健康の社会的決定因子(SDoH)は、健康結果を形成する上で重要な役割を担っている。小児社会史コーパス(PedSHAC)について紹介する。我々は、微調整および文脈内学習手法を用いて、詳細なSDoH表現の自動抽出を評価する。
論文参考訳（メタデータ） (2024-03-31T23:37:18Z)
Injecting linguistic knowledge into BERT for Dialogue State Tracking [60.42231674887294]
本稿では,教師なしの枠組みを用いて言語知識を抽出する手法を提案する。次に、この知識を用いて、対話状態追跡(DST)タスクにおけるBERTの性能と解釈可能性を高める。このフレームワークを様々なDSTタスクでベンチマークし、精度の顕著な改善を観察する。
論文参考訳（メタデータ） (2023-11-27T08:38:42Z)
Prompt-based Extraction of Social Determinants of Health Using Few-shot Learning [3.418600863629033]
電子健康記録に記録されている社会的健康決定因子(SDOH)は、SDOHが患者の健康に与える影響を理解するために研究されている。本研究では,社会史コーパス(SHAC, Social History Corpus, SHAC)を用いて, 物質利用, 雇用, 生活状況情報を含む, SDOHに注釈を付した社会史の多施設間コーパスについて検討する。本稿では,一括プロンプト設定においてGPT-4を用いて,SHACによるSDOH情報の自動抽出について検討する。我々のプロンプトベースGPT-4法はSHACテストセットで0.652 F1を達成した。
論文参考訳（メタデータ） (2023-06-12T15:08:25Z)
Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
論文参考訳（メタデータ） (2023-05-30T22:05:11Z)
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)
The 2022 n2c2/UW Shared Task on Extracting Social Determinants of Health [0.9023847175654602]
n2c2/UW SDOH Challengeは、臨床ノートから社会決定因子(SDOH)情報を抽出する。本稿では,共有タスク,データ,参加チーム,パフォーマンス結果,今後の作業への配慮について述べる。
論文参考訳（メタデータ） (2023-01-13T14:20:23Z)
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)
Leveraging Natural Language Processing to Augment Structured Social Determinants of Health Data in the Electronic Health Record [1.7812428873698403]
健康の社会的決定因子(SDOH)は健康に影響を及ぼす。臨床ノートにはより包括的なSDOH情報が含まれていることが多い。我々は,ディープラーニングエンティティと関係抽出アーキテクチャを用いた新しいSDOH抽出器を開発した。
論文参考訳（メタデータ） (2022-12-14T22:51:49Z)
ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
論文参考訳（メタデータ） (2022-05-10T15:39:11Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。