Fugu-MT 論文翻訳(概要): Performance of Automatic De-identification Across Different Note Types

論文の概要: Performance of Automatic De-identification Across Different Note Types

arxiv url: http://arxiv.org/abs/2102.11032v1
Date: Wed, 17 Feb 2021 00:55:40 GMT
ステータス: 処理完了
システム内更新日: 2021-04-06 03:47:03.166468
Title: Performance of Automatic De-identification Across Different Note Types
Title（参考訳）: 異なる音符種別の自動識別性能
Authors: Nicholas Dobbins, David Wayne, Kahyun Lee, \"Ozlem Uzuner, Meliha Yetisgen
Abstract要約: 患者のプライバシーと機密性に関する懸念は、研究のための臨床ノートの使用を制限する。本稿では,ワシントン大学のさまざまなノートに,NeuroNER1と呼ばれる最先端のde-idシステムの性能を示す。
参考スコア（独自算出の注目度）: 0.8399688944263842
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Free-text clinical notes detail all aspects of patient care and have great potential to facilitate quality improvement and assurance initiatives as well as advance clinical research. However, concerns about patient privacy and confidentiality limit the use of clinical notes for research. As a result, the information documented in these notes remains unavailable for most researchers. De-identification (de-id), i.e., locating and removing personally identifying protected health information (PHI), is one way of improving access to clinical narratives. However, there are limited off-the-shelf de-identification systems able to consistently detect PHI across different data sources and medical specialties. In this abstract, we present the performance of a state-of-the art de-id system called NeuroNER1 on a diverse set of notes from University of Washington (UW) when the models are trained on data from an external institution (Partners Healthcare) vs. from the same institution (UW). We present results at the level of PHI and note types.
Abstract（参考訳）: フリーテキスト臨床ノートは、患者のケアのあらゆる側面を詳述し、品質改善と保証イニシアチブの促進と、臨床研究の進展を促進する大きな可能性を秘めている。しかし、患者のプライバシと機密性に関する懸念は、研究のための臨床ノートの使用を制限する。結果として、これらのノートに記録された情報は、ほとんどの研究者にとって利用できないままである。脱識別(de-id)、すなわち、個人が特定した保護された健康情報(PHI)の特定と削除は、臨床物語へのアクセスを改善する方法の1つである。しかし、異なるデータソースと医療専門分野にまたがるphiを一貫して検出できる、市販の非識別システムは限られている。本稿では,米国ワシントン大学 (UW) が, 外部機関 (Partners Healthcare) と同一機関 (UW) のデータに基づいて, モデルが訓練された場合の, さまざまなノートにNeuroNER1と呼ばれる最先端のde-idシステムの性能を示す。 PHIのレベルとノートのタイプで結果を示す。

関連論文リスト

DIRI: Adversarial Patient Reidentification with Large Language Models for Evaluating Clinical Text Anonymization [13.038800602897354]
本研究は, 大規模言語モデルを用いて患者を同定し, 臨床記録の再検討を行った。本手法は, 臨床診断書に適合する患者を同定するために, 大規模言語モデルを用いている。 ClinicalBERTが最も有効であり, マスキングでPIIが同定できたが, 臨床記録の9%は再同定された。
論文参考訳（メタデータ） (2024-10-22T14:06:31Z)
Improving Clinical Note Generation from Complex Doctor-Patient Conversation [20.2157016701399]
大言語モデル(LLM)を用いた臨床ノート作成分野への3つの重要な貢献について述べる。まず、CliniKnoteを紹介します。CliniKnoteは、1200の複雑な医師と患者との会話と、その全臨床ノートを組み合わせたデータセットです。第2に,従来のSOAPcitepodder20soap(Subjective, Objective, Assessment, Plan)のメモを上位にキーワードセクションを追加することで,必須情報の迅速な識別を可能にするK-SOAPを提案する。第3に、医師と患者との会話からK-SOAPノートを生成する自動パイプラインを開発し、様々な近代LCMをベンチマークする。
論文参考訳（メタデータ） (2024-08-26T18:39:31Z)
Conceptualizing Machine Learning for Dynamic Information Retrieval of Electronic Health Record Notes [6.1656026560972]
本研究は、特定の臨床コンテキストにおける注記関連性の監督源として、機械学習におけるEHR監査ログの使用を概念化したものである。本手法は,個々のノート作成セッションでどのノートが読み込まれるかを予測するために0.963のAUCを実現できることを示す。
論文参考訳（メタデータ） (2023-08-09T21:04:19Z)
Making the Most Out of the Limited Context Length: Predictive Power Varies with Clinical Note Type and Note Section [70.37720062263176]
本研究では,高い予測力で区間を解析する枠組みを提案する。 MIMIC-IIIを用いて,(1)看護用音符と退院用音符とでは予測電力分布が異なること,(2)文脈長が大きい場合の音符の組み合わせにより性能が向上することが示唆された。
論文参考訳（メタデータ） (2023-07-13T20:04:05Z)
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)
DeID-GPT: Zero-shot Medical Text De-Identification by GPT-4 [80.36535668574804]
我々は新しいGPT4対応脱識別フレームワーク(DeID-GPT)を開発した。開発したDeID-GPTは,非構造化医用テキストからの個人情報のマスキングにおいて,高い精度と信頼性を示した。本研究は,ChatGPTおよびGPT-4を医療用テキストデータ処理および非識別に利用した最初期の1つである。
論文参考訳（メタデータ） (2023-03-20T11:34:37Z)
An Easy-to-use and Robust Approach for the Differentially Private De-Identification of Clinical Textual Documents [0.0]
本稿では, より頑健な識別の強化により, 効率よく, 微分的にプライベートな識別方法を実現する方法を示す。この結果は、フランス語で臨床文書を識別するアプローチであるが、他の言語にも一般化可能である。
論文参考訳（メタデータ） (2022-11-02T14:25:09Z)
User-Driven Research of Medical Note Generation Software [49.85146209418244]
本稿では,医療用ノート生成システム開発における3ラウンドのユーザスタディについて述べる。参加する臨床医の印象と,システムがどのようにそれらに価値あるものに適合すべきかの視点について論じる。遠隔医療における3週間のシステムテストについて述べる。
論文参考訳（メタデータ） (2022-05-05T10:18:06Z)
Human Evaluation and Correlation with Automatic Metrics in Consultation Note Generation [56.25869366777579]
近年,機械学習モデルによる臨床相談ノートの作成が急速に進んでいる。 5人の臨床医が57件のモック・コンサルテーションを聴き、自作のノートを書き、自動的に生成されたノートを編集し、全てのエラーを抽出する、広範囲にわたる人的評価研究を行った。単純な文字ベースのLevenshtein距離測定は、BertScoreのような一般的なモデルベースの測定値に比較して、同等に動作します。
論文参考訳（メタデータ） (2022-04-01T14:04:16Z)
Classifying Cyber-Risky Clinical Notes by Employing Natural Language Processing [9.77063694539068]
近年、アメリカ合衆国内の一部の州では、患者が臨床ノートに自由にアクセスできるように求めている。本研究は,臨床ノートにおけるセキュリティ・プライバシリスクの特定方法について検討する。
論文参考訳（メタデータ） (2022-03-24T00:36:59Z)
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)

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。