論文の概要: Dynamically Extracting Outcome-Specific Problem Lists from Clinical
Notes with Guided Multi-Headed Attention
- arxiv url: http://arxiv.org/abs/2008.01197v1
- Date: Sat, 25 Jul 2020 21:03:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 01:27:20.971675
- Title: Dynamically Extracting Outcome-Specific Problem Lists from Clinical
Notes with Guided Multi-Headed Attention
- Title（参考訳）: マルチヘッド注意による臨床ノートからアウトカム固有の問題リストを動的に抽出する
- Authors: Justin Lovelace, Nathan C. Hurley, Adrian D. Haimovich, Bobak J.
Mortazavi
- Abstract要約: 問題リストは、臨床医に患者の医療問題に関する関連的な要約を提供することを目的としている。
その重要性にもかかわらず、問題リストは解決された、あるいは現在無関係な条件で混乱することが多い。
臨床ノートから診断と治療情報を抽出する新しいエンドツーエンドフレームワークを開発した。
- 参考スコア（独自算出の注目度）: 3.995408039775796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Problem lists are intended to provide clinicians with a relevant summary of
patient medical issues and are embedded in many electronic health record
systems. Despite their importance, problem lists are often cluttered with
resolved or currently irrelevant conditions. In this work, we develop a novel
end-to-end framework that first extracts diagnosis and procedure information
from clinical notes and subsequently uses the extracted medical problems to
predict patient outcomes. This framework is both more performant and more
interpretable than existing models used within the domain, achieving an AU-ROC
of 0.710 for bounceback readmission and 0.869 for in-hospital mortality
occurring after ICU discharge. We identify risk factors for both readmission
and mortality outcomes and demonstrate that our framework can be used to
develop dynamic problem lists that present clinical problems along with their
quantitative importance. We conduct a qualitative user study with medical
experts and demonstrate that they view the lists produced by our framework
favorably and find them to be a more effective clinical decision support tool
than a strong baseline.
- Abstract（参考訳）: 問題リストは、臨床医に患者の医療上の問題の適切な要約を提供することを目的としており、多くの電子医療記録システムに埋め込まれている。
その重要性にもかかわらず、問題リストはしばしば解決されたか、現在無関係な条件で散らばっている。
本研究では,臨床ノートから診断・治療情報を抽出し,抽出した医療問題を患者結果の予測に利用する新しいエンドツーエンドフレームワークを開発する。
この枠組みは、ドメイン内で使用される既存のモデルよりも高性能で解釈可能であり、バウンスバック再生のau-roc 0.710と、icu放電後に生じる病院内死亡の0.869である。
我々は,寛解率と死亡率の両方のリスク因子を特定し,その定量的重要性とともに臨床上の問題を呈する動的問題リストの開発に,我々の枠組みが有効であることを示す。
我々は, 医療専門家と質的ユーザ調査を行い, 提案フレームワークが作成するリストを好意的に捉え, 強力なベースラインよりも効果的な臨床判断支援ツールであることを示す。
関連論文リスト
- Detecting Bias and Enhancing Diagnostic Accuracy in Large Language Models for Healthcare [0.2302001830524133]
バイアスドAIによる医療アドバイスと誤診は患者の安全を脅かす可能性がある。
本研究では、医療における倫理的かつ正確なAIを促進するために設計された新しいリソースを紹介する。
論文 参考訳（メタデータ） (2024-10-09T06:00:05Z) - TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - AgentClinic: a multimodal agent benchmark to evaluate AI in simulated clinical environments [2.567146936147657]
シミュレーションされた臨床環境における大規模言語モデル(LLM)の評価のためのマルチモーダルエージェントベンチマークであるAgentClinicを紹介する。
我々は,AgentClinicの逐次決定形式におけるMedQA問題の解決が極めて困難であることに気付き,診断精度が元の精度の10分の1以下に低下することを発見した。
論文 参考訳（メタデータ） (2024-05-13T17:38:53Z) - AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。
この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。
高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文 参考訳（メタデータ） (2024-02-15T06:46:48Z) - DKINet: Medication Recommendation via Domain Knowledge Informed Deep Learning [12.609882335746859]
医療勧告は、医療の根本的かつ重要な分野である。
これまでの研究は主に電子健康記録から患者の表現を学ぶことに焦点を当ててきた。
本稿では,複雑な臨床症状とドメイン知識の効果的な統合に対処する知識注入モジュールを提案する。
論文 参考訳（メタデータ） (2023-05-31T07:22:15Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - Enriching Unsupervised User Embedding via Medical Concepts [51.17532619610099]
教師なしのユーザ埋め込みは、患者を人間の監督なしに、固定長のベクターにエンコードすることを目的としている。
臨床ノートから抽出された医療概念は、患者とその臨床カテゴリ間の豊富な関係を含んでいる。
本稿では,2つの臨床コーパスからテキスト文書と医療概念を共同で活用する,非教師なしユーザ埋め込みを提案する。
論文 参考訳（メタデータ） (2022-03-20T18:54:05Z) - Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。
集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。
我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-11-16T11:19:02Z) - Clinical Evidence Engine: Proof-of-Concept For A
Clinical-Domain-Agnostic Decision Support Infrastructure [26.565616653685115]
本稿では,3つの領域にまたがって,このアプローチの技術的,設計的実現可能性を示す概念実証システムを提案する。
このシステムは、BioBERTを活用すれば、長い臨床質問に基づいて、治験報告を効果的に識別することができる。
ドメインに依存しない意思決定支援基盤として、DSTやアルゴリズムに限らず、DSTの説明を設計するという考え方について議論する。
論文 参考訳（メタデータ） (2021-10-31T23:21:25Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z)
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。