論文の概要: Transforming unstructured voice and text data into insight for paramedic
emergency service using recurrent and convolutional neural networks
- arxiv url: http://arxiv.org/abs/2006.04946v1
- Date: Sat, 30 May 2020 06:47:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 22:28:44.837585
- Title: Transforming unstructured voice and text data into insight for paramedic
emergency service using recurrent and convolutional neural networks
- Title（参考訳）: リカレントニューラルネットワークと畳み込みニューラルネットワークを用いた救急救急サービスのための非構造音声とテキストデータへの変換
- Authors: Kyongsik Yun, Thomas Lu, Alexander Huyen
- Abstract要約: 救急隊員は救急車内で限られた時間内に救命判断をしなければならないことが多い。
本研究の目的は、音声とテキストデータを自動的に融合して、救急隊員に適切な状況認識情報を提供することである。
- 参考スコア（独自算出の注目度）: 68.8204255655161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Paramedics often have to make lifesaving decisions within a limited time in
an ambulance. They sometimes ask the doctor for additional medical
instructions, during which valuable time passes for the patient. This study
aims to automatically fuse voice and text data to provide tailored situational
awareness information to paramedics. To train and test speech recognition
models, we built a bidirectional deep recurrent neural network (long short-term
memory (LSTM)). Then we used convolutional neural networks on top of
custom-trained word vectors for sentence-level classification tasks. Each
sentence is automatically categorized into four classes, including patient
status, medical history, treatment plan, and medication reminder. Subsequently,
incident reports were automatically generated to extract keywords and assist
paramedics and physicians in making decisions. The proposed system found that
it could provide timely medication notifications based on unstructured voice
and text data, which was not possible in paramedic emergencies at present. In
addition, the automatic incident report generation provided by the proposed
system improves the routine but error-prone tasks of paramedics and doctors,
helping them focus on patient care.
- Abstract（参考訳）: 救急隊員はしばしば救急車内で限られた時間内に救命判断をしなければならない。
彼らは時々医者に追加の医療指示を求め、その間に貴重な時間が患者に渡される。
本研究の目的は,音声とテキストデータを自動的に融合し,状況認識情報を救急医療者に提供することである。
音声認識モデルのトレーニングとテストのために、双方向のディープリカレントニューラルネットワーク(long short-term memory (lstm))を構築した。
そして、文レベルの分類タスクのために、カスタムトレーニングされた単語ベクトルの上に畳み込みニューラルネットワークを用いた。
各文は、患者の状態、医療歴、治療計画、薬のリマインダーの4種類に自動的に分類される。
その後、インシデントレポートが自動生成され、キーワードを抽出し、救急医や医師の意思決定を支援する。
提案システムでは,非構造化音声およびテキストデータに基づくタイムリーな薬物通知を,現在の救急救急医療では不可能であることがわかった。
また,提案システムが提供する自動インシデントレポート生成は,救急医や医師の日常的だが誤りやすいタスクを改善し,患者のケアに集中できる。
関連論文リスト
- Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。
特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。
また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
論文 参考訳（メタデータ） (2024-04-27T05:03:42Z) - Leveraging graph neural networks for supporting Automatic Triage of
Patients [5.864579168378686]
本稿では,救急部門における緊急コード割り当てを管理するためのAIベースのモジュールを提案する。
バイタルサイン、症状、医療史などの関連する患者情報を含むデータは、患者をトリアージカテゴリーに正確に分類するために使用される。
論文 参考訳（メタデータ） (2024-03-11T09:54:35Z) - Summarizing Patients Problems from Hospital Progress Notes Using
Pre-trained Sequence-to-Sequence Models [9.879960506853145]
問題リストの要約には、臨床文書を理解し、抽象化し、生成するモデルが必要である。
当科では,入院時に提供者の進捗記録からの入力を用いて,患者の日常診療計画における問題点のリストを作成することを目的とした,新たなNLPタスクを提案する。
論文 参考訳（メタデータ） (2022-08-17T17:07:35Z) - PoCaP Corpus: A Multimodal Dataset for Smart Operating Room Speech
Assistant using Interventional Radiology Workflow Analysis [7.189635716814341]
本稿では,PoCaP (Port Catheter Placement) Corpus と呼ばれる多モード干渉ラジオロジーデータセットを提案する。
このコーパスは、ドイツ語の音声と音声の信号、X線画像、および6人の外科医による31のPoCaPの介入から収集されたシステムコマンドで構成されている。
論文 参考訳（メタデータ） (2022-06-24T14:39:11Z) - A Benchmark for Automatic Medical Consultation System: Frameworks, Tasks
and Datasets [70.32630628211803]
本稿では,医師と患者との対話理解とタスク指向インタラクションという,医療相談の自動化を支援する2つの枠組みを提案する。
マルチレベルな微粒なアノテーションを付加した新しい大規模医療対話データセットが導入された。
本稿では,各タスクに対するベンチマーク結果のセットを報告し,データセットのユーザビリティを示し,今後の研究のベースラインを設定する。
論文 参考訳（メタデータ） (2022-04-19T16:43:21Z) - Towards more patient friendly clinical notes through language models and
ontologies [57.51898902864543]
本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。
我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。
本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
論文 参考訳（メタデータ） (2021-12-23T16:11:19Z) - Auto Response Generation in Online Medical Chat Services [0.0]
医師が相談要求に効率的に反応できるスマートな自動応答生成機構を開発した。
9ヶ月にわたって収集された医師と患者の匿名、歴史的なオンラインメッセージ9万件を探索する。
論文 参考訳（メタデータ） (2021-04-26T17:45:10Z) - Where's the Question? A Multi-channel Deep Convolutional Neural Network
for Question Identification in Textual Data [83.89578557287658]
本稿では,実際の質問を分離する目的で,新しい多チャンネル深層畳み込みニューラルネットワークアーキテクチャであるQuest-CNNを提案する。
提案するニューラルネットワークと他のディープニューラルネットワークの総合的な性能比較分析を行った。
提案したQuest-CNNは、透析ケア設定におけるデータエントリレビュー対話のデータセットと一般的なドメインデータセットの両方において、最高のF1スコアを達成した。
論文 参考訳（メタデータ） (2020-10-15T15:11:22Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - Towards an Automated SOAP Note: Classifying Utterances from Medical
Conversations [0.6875312133832078]
我々は、(i)SOAPセクションと(ii)話者の役割に従って、医療会話から発話を分類するためのギャップを橋渡しします。
本稿では,既存のディープラーニングアーキテクチャを上記の2つのタスクに適応させるシステム分析を提案する。
その結果,単語レベルと発話レベルの両方をキャプチャする階層的な文脈をモデル化することで,両者の分類作業を大幅に改善することが示唆された。
論文 参考訳（メタデータ） (2020-07-17T04:19:30Z)
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。