論文の概要: Attention-based Clinical Note Summarization
- arxiv url: http://arxiv.org/abs/2104.08942v1
- Date: Sun, 18 Apr 2021 19:40:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 14:49:27.175166
- Title: Attention-based Clinical Note Summarization
- Title（参考訳）: 注意に基づく臨床ノート要約
- Authors: Neel Kanwal, Giuseppe Rizzo
- Abstract要約: 臨床ノートに有意なフレーズを抽出的に要約するマルチヘッドアテンションに基づくメカニズムを提案する。
このメソッドは、トークン、セグメント、および位置埋め込みを関連付けて要約のための主要な文を検索します。
- 参考スコア（独自算出の注目度）: 1.52292571922932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The trend of deploying digital systems in numerous industries has induced a
hike in recording digital information. The health sector has observed a large
adoption of digital devices and systems generating large volumes of personal
medical health records. Electronic health records contain valuable information
for retrospective and prospective analysis that is often not entirely exploited
because of the dense information storage. The crude purpose of condensing
health records is to select the information that holds most characteristics of
the original documents based on reported disease. These summaries may boost
diagnosis and extend a doctor's interaction time with the patient during a high
workload situation like the COVID-19 pandemic. In this paper, we propose a
multi-head attention-based mechanism to perform extractive summarization of
meaningful phrases in clinical notes. This method finds major sentences for a
summary by correlating tokens, segments and positional embeddings. The model
outputs attention scores that are statistically transformed to extract key
phrases and can be used for a projection on the heat-mapping tool for visual
and human use.
- Abstract（参考訳）: デジタルシステムを多くの産業に展開する傾向は、デジタル情報の記録の上昇を引き起こしている。
医療部門は、大量の個人医療記録を生成するデジタル機器やシステムの普及を観察してきた。
電子的な健康記録は、高密度な情報記憶のために完全に活用されない、振り返りや予測分析のための貴重な情報を含んでいる。
健康記録を凝縮する粗い目的は、報告された疾患に基づいて、原文書の最も特徴のある情報を選択することである。
これらの要約は、新型コロナウイルス(covid-19)パンデミックのような高いワークロード状況において、診断を強化し、患者との対話時間を延長する可能性がある。
本稿では,臨床ノートに意味のある句を抽出要約するマルチヘッド注意に基づくメカニズムを提案する。
本手法は, トークン, セグメント, 位置埋め込みを関連づけることで, 要約の主要な文を見つける。
モデルは、統計的に変換されてキーフレーズを抽出し、視覚的および人的使用のためのヒートマッピングツールの投影に使用できる注意スコアを出力する。
関連論文リスト
- Medical Report Generation Is A Multi-label Classification Problem [38.64929236412092]
本稿では,医療報告生成を多ラベル分類問題として再考する。
機密鍵ノードと統合されたBLIPに基づく新たなレポート生成フレームワークを提案する。
我々の実験は、キーノードの活用が2つのベンチマークデータセットにまたがる既存のアプローチを越え、最先端(SOTA)のパフォーマンスを実現することを実証している。
論文 参考訳（メタデータ） (2024-08-30T20:43:35Z) - 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) - 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) - A Marker-based Neural Network System for Extracting Social Determinants
of Health [12.6970199179668]
健康の社会的決定因子(SDoH)は、患者の医療の質と格差を左右する。
多くのSDoHアイテムは、電子健康記録の構造化形式でコード化されていない。
我々は,臨床ノートから自動的にSDoH情報を抽出する,名前付きエンティティ認識(NER),関係分類(RC),テキスト分類手法を含む多段階パイプラインを探索する。
論文 参考訳（メタデータ） (2022-12-24T18:40:23Z) - Multimodal Machine Learning in Precision Health [10.068890037410316]
本総説は, この分野を要約し, 今後の研究に欠かせない話題を特定するものである。
コンテンツ分析と文献検索を組み合わせて,2011年から2021年にかけてPubMed, Google Scholar, IEEEXploreの検索文字列とデータベースを構築した。
情報融合の最も一般的な形態は、初期の融合であり、特に、異種データ融合を行う予測性能の改善があった。
論文 参考訳（メタデータ） (2022-04-10T21:56:07Z) - 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) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2021-12-19T01:45:57Z) - 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) - 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) - Exemplar Auditing for Multi-Label Biomedical Text Classification [0.4873362301533824]
我々は、最近提案されたゼロショットシーケンスラベリング手法「畳み込み分解による教師付きラベリング」を一般化する。
この手法は"イントロスペクション(introspection)"と分類され、推論時間予測のきめ細かい特徴を最も近い隣人に関連付ける。
提案手法は,医療従事者に対して,モデルの予測を駆動する健全な特徴を理解する上で,競争力のある分類モデルと尋問メカニズムの両方を提供する。
論文 参考訳（メタデータ） (2020-04-07T02:54:20Z)
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。