論文の概要: Clinical Predictive Keyboard using Statistical and Neural Language Modeling

• arxiv url: http://arxiv.org/abs/2006.12040v1
• Date: Mon, 22 Jun 2020 07:20:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 06:04:50.794199
• Title: Clinical Predictive Keyboard using Statistical and Neural Language Modeling
• Title（参考訳）: 統計的・ニューラル言語モデルを用いた臨床予測キーボード
• Authors: John Pavlopoulos and Panagiotis Papapetrou
• Abstract要約: 我々は, ニューラルネットワークモデルにより, 放射線学報告において51.3%の精度が得られることを示した。 モデルが頻繁な言葉でしか使われなくても、医師は貴重な時間を節約できる。
• 参考スコア（独自算出の注目度）: 9.124863267715675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A language model can be used to predict the next word during authoring, to correct spelling or to accelerate writing (e.g., in sms or emails). Language models, however, have only been applied in a very small scale to assist physicians during authoring (e.g., discharge summaries or radiology reports). But along with the assistance to the physician, computer-based systems which expedite the patient's exit also assist in decreasing the hospital infections. We employed statistical and neural language modeling to predict the next word of a clinical text and assess all the models in terms of accuracy and keystroke discount in two datasets with radiology reports. We show that a neural language model can achieve as high as 51.3% accuracy in radiology reports (one out of two words predicted correctly). We also show that even when the models are employed only for frequent words, the physician can save valuable time.
• Abstract（参考訳）: 言語モデルは、オーサリング中に次の単語を予測したり、スペルを訂正したり、 (smsやEメールなど) 書くのを加速するために使用することができる。 しかし、言語モデルは非常に小さなスケールでのみ使用されており、医師のオーサリング(例えば、要約や放射線学の報告)を補助している。 しかし、医師の支援とともに、患者の退院を早めるコンピュータベースのシステムも、病院感染の減少に役立っている。 我々は,臨床テキストの次の単語を予測するために統計的およびニューラル言語モデリングを用い,放射線学報告のある2つのデータセットにおいて,精度とキーストローク割引の観点からすべてのモデルを評価する。 神経言語モデルは、放射線医学の報告において51.3%の精度(正確に予測された2語中1語)を達成できることを示した。 また、モデルが頻繁な単語にのみ使用される場合でも、医師は貴重な時間を節約できることを示す。

関連論文リスト

• Leveraging Large Language Models through Natural Language Processing to provide interpretable Machine Learning predictions of mental deterioration in real time [5.635300481123079]
  公式推計によると、世界中で5000万人が認知症に罹患しており、毎年1000万人の新しい患者が増えている。 この目的のために、人工知能と計算言語学は自然言語分析、パーソナライズされたアセスメント、モニタリング、治療に活用することができる。 この仕事には、手頃で柔軟な、非侵襲的でパーソナライズされた診断システムを提供しています。
  論文  参考訳（メタデータ） (2024-09-05T09:27:05Z)
• 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)
• An Interpretable Deep-Learning Framework for Predicting Hospital Readmissions From Electronic Health Records [2.156208381257605]
  そこで我々は,未計画の病院入退院を予測するための,新しい,解釈可能な深層学習フレームワークを提案する。 実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題について,本システムの有効性を検証した。
  論文  参考訳（メタデータ） (2023-10-16T08:48:52Z)
• RadLing: Towards Efficient Radiology Report Understanding [1.1055464884925956]
  放射線学領域におけるほとんどの自然言語タスクは、バイオメディカルコーパスで事前訓練された言語モデルを使用する。 本稿では,Electra-Smallアーキテクチャを用いた連続事前学習型言語モデルRadLingを提案する。 我々の主な貢献は、分類学的知識支援事前訓練タスクである知識認識マスキングである。
  論文  参考訳（メタデータ） (2023-06-04T21:53:04Z)
• This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
  臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。 本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。 利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-16T10:12:07Z)
• 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)
• Open Vocabulary Electroencephalography-To-Text Decoding and Zero-shot Sentiment Classification [78.120927891455]
  最先端のブレイン・トゥ・テキストシステムは、ニューラルネットワークを使用して脳信号から直接言語を復号することに成功した。 本稿では,自然読解課題における語彙的脳波(EEG)-テキスト列列列復号化とゼロショット文感性分類に問題を拡張する。 脳波-テキストデコーディングで40.1%のBLEU-1スコア、ゼロショット脳波に基づく3次感情分類で55.6%のF1スコアを達成し、教師付きベースラインを著しく上回る結果となった。
  論文  参考訳（メタデータ） (2021-12-05T21:57:22Z)
• Estimating Redundancy in Clinical Text [6.245180523143739]
  臨床医は、既存のメモを複製し、それに従って更新することで、新しい文書をポップアップさせる。 情報冗長性の定量化は、臨床物語を扱う革新を評価する上で重要な役割を果たす。 冗長性を測定するための2つの戦略として,情報理論アプローチと語彙論的・意味論的モデルを提示し,評価する。
  論文  参考訳（メタデータ） (2021-05-25T11:01:45Z)
• Comparison of Interactive Knowledge Base Spelling Correction Models for Low-Resource Languages [81.90356787324481]
  低リソース言語に対する正規化の推進は、パターンの予測が難しいため、難しい作業である。 この研究は、ターゲット言語データに様々な量を持つニューラルモデルとキャラクタ言語モデルの比較を示す。 我々の利用シナリオは、ほぼゼロのトレーニング例によるインタラクティブな修正であり、より多くのデータが収集されるにつれてモデルを改善する。
  論文  参考訳（メタデータ） (2020-10-20T17:31:07Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• Language Models Are An Effective Patient Representation Learning Technique For Electronic Health Record Data [7.260199064831896]
  本研究では,自然言語処理技術に触発された患者表現方式により,臨床予測モデルの精度が向上することを示す。 このような患者表現方式は、標準的な基準よりも5つの予測タスクにおいて、3.5%の平均的なAUROCの改善を可能にする。
  論文  参考訳（メタデータ） (2020-01-06T22:24:59Z)

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。