論文の概要: Extracting Daily Dosage from Medication Instructions in EHRs: An Automated Approach and Lessons Learned

• arxiv url: http://arxiv.org/abs/2005.10899v2
• Date: Thu, 28 Oct 2021 19:58:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 23:47:36.233548
• Title: Extracting Daily Dosage from Medication Instructions in EHRs: An Automated Approach and Lessons Learned
• Title（参考訳）: EHRの医学的指導から毎日の服用量を抽出する: 自動的アプローチと教訓
• Authors: Diwakar Mahajan, Jennifer J. Liang, Ching-Huei Tsou
• Abstract要約: 離散値としての日用量は通常提供されず、自由テキスト命令から導出する必要がある(Sig)。 本稿では,深層学習に基づく名前付きエンティティ抽出器と辞書辞書と正規表現を組み合わせることで,すべての医薬品の日量を自動的に算出する手法を提案する。 また、専門家が作成したデータセットを分析し、Sigsに含まれる複雑な情報を理解する上での課題について議論し、汎用的な日量計算タスクにおける今後の作業の指針を提供する。
• 参考スコア（独自算出の注目度）: 0.4270213395622267
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Medication timelines have been shown to be effective in helping physicians visualize complex patient medication information. A key feature in many such designs is a longitudinal representation of a medication's daily dosage and its changes over time. However, daily dosage as a discrete value is generally not provided and needs to be derived from free text instructions (Sig). Existing works in daily dosage extraction are narrow in scope, targeting dosage extraction for a single drug from clinical notes. Here, we present an automated approach to calculate daily dosage for all medications, combining deep learning-based named entity extractor with lexicon dictionaries and regular expressions, achieving 0.98 precision and 0.95 recall on an expert-generated dataset of 1,000 Sigs. We also analyze our expert-generated dataset, discuss the challenges in understanding the complex information contained in Sigs, and provide insights to guide future work in the general-purpose daily dosage calculation task.
• Abstract（参考訳）: 治療スケジュールは、複雑な患者薬情報の可視化に有効であることが示されている。 多くのデザインにおいて重要な特徴は、薬の日量とその経時的変化の縦方向の表現である。 しかし、離散値としての日用量は通常提供されず、自由テキスト命令(Sig)から導出する必要がある。 日用量抽出の既存の作業範囲は狭く、臨床ノートから1種類の薬物の量抽出をターゲットにしている。 本稿では,すべての薬剤の毎日の服用量を自動で計算し,学習に基づく名前付きエンティティ抽出器と辞書と正規表現を組み合わせることにより,専門家が生成した1000sigのデータセット上で 0.98 の精度と 0.95 のリコールを実現する。 また、専門家生成データセットを分析し、Sigsに含まれる複雑な情報を理解する上での課題について議論し、汎用的な日量計算タスクにおける今後の作業の指針を提供する。

関連論文リスト

• Y-Mol: A Multiscale Biomedical Knowledge-Guided Large Language Model for Drug Development [24.5979645373074]
  Y-Mol は知識誘導型 LLM であり、鉛化合物発見、プリクリニック、クリニック予測といったタスクをこなすように設計されている。 出版物、知識グラフ、専門家が設計した合成データから学習する。 Y-Molは、鉛化合物の発見、分子特性の予測、薬物相互作用のイベントの同定において、汎用LLMよりも著しく優れている。
  論文  参考訳（メタデータ） (2024-10-15T12:39:20Z)
• MedPromptExtract (Medical Data Extraction Tool): Anonymization and Hi-fidelity Automated data extraction using NLP and prompt engineering [1.0470286407954037]
  方法:急性腎不全(AKI)患者のKDAH(Kkilaben Dhirubhai Ambani Hospital)からデータソースが流出した。 高忠実度情報抽出に半教師付き学習技術を活用した既存ツールEIGENを用いてDSの匿名化を行った。 自然言語処理(NLP)は、通常のフィールドからデータを抽出するために用いられた。
  論文  参考訳（メタデータ） (2024-05-04T13:25:06Z)
• LLMs Accelerate Annotation for Medical Information Extraction [7.743388571513413]
  本稿では,LLM(Large Language Models)と人間の専門知識を組み合わせた手法を提案する。 医療情報抽出タスクにおいて,我々の手法を厳格に評価し,我々のアプローチが人的介入を大幅に削減するだけでなく,高い精度を維持していることを示す。
  論文  参考訳（メタデータ） (2023-12-04T19:26:13Z)
• 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)
• Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
  本稿では,Re$3$Writer法を提案する。 本手法が患者の退院指示生成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-10-23T16:34:39Z)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• Medicinal Boxes Recognition on a Deep Transfer Learning Augmented Reality Mobile Application [23.693329212391845]
  我々は,このフレームドメディカルに関する重要な詳細をユーザに提示できる拡張現実モバイルアプリケーションを紹介した。 特に、アプリはディープニューラルネットワークに基づく推論エンジン、すなわち、そのパッケージから薬品を認識するように微調整されたディープネットを実装している。
  論文  参考訳（メタデータ） (2022-03-26T09:21:56Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• Weakly Supervised Medication Regimen Extraction from Medical Conversations [1.4583375893645079]
  まず、注釈付き医師と患者との会話のユニークなデータセットを記述し、その後、スパン抽出を行うことができる弱教師付きモデルアーキテクチャを提案する。 本稿では,新しい変圧器を用いた注目スコア機能(TAScore)を提案する。 提案されたTAScoreとFusedmaxプロジェクションの組み合わせは、最も長い共通サブストリングF1の10ポイント増加を実現している。
  論文  参考訳（メタデータ） (2020-10-11T18:53:03Z)
• Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
  薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出 本稿では,DDI検出のための2段階関節モデルを提案する。 シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
  論文  参考訳（メタデータ） (2020-08-28T15:30:08Z)

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。