Fugu-MT 論文翻訳(概要): Auto Response Generation in Online Medical Chat Services

論文の概要: Auto Response Generation in Online Medical Chat Services

arxiv url: http://arxiv.org/abs/2104.12755v1
Date: Mon, 26 Apr 2021 17:45:10 GMT
ステータス: 処理完了
システム内更新日: 2021-04-27 14:53:42.228366
Title: Auto Response Generation in Online Medical Chat Services
Title（参考訳）: オンライン医療チャットサービスにおける自動応答生成
Authors: Hadi Jahanshahi, Syed Kazmi, Mucahit Cevik
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Telehealth helps to facilitate access to medical professionals by enabling remote medical services for the patients. These services have become gradually popular over the years with the advent of necessary technological infrastructure. The benefits of telehealth have been even more apparent since the beginning of the COVID-19 crisis, as people have become less inclined to visit doctors in person during the pandemic. In this paper, we focus on facilitating the chat sessions between a doctor and a patient. We note that the quality and efficiency of the chat experience can be critical as the demand for telehealth services increases. Accordingly, we develop a smart auto-response generation mechanism for medical conversations that helps doctors respond to consultation requests efficiently, particularly during busy sessions. We explore over 900,000 anonymous, historical online messages between doctors and patients collected over nine months. We implement clustering algorithms to identify the most frequent responses by doctors and manually label the data accordingly. We then train machine learning algorithms using this preprocessed data to generate the responses. The considered algorithm has two steps: a filtering (i.e., triggering) model to filter out infeasible patient messages and a response generator to suggest the top-3 doctor responses for the ones that successfully pass the triggering phase. The method provides an accuracy of 83.28\% for precision@3 and shows robustness to its parameters.
Abstract（参考訳）: telehealthは、患者の遠隔医療サービスを可能にすることで、医療専門家へのアクセスを促進する。これらのサービスは、必要な技術インフラの出現により、長年にわたって徐々に普及してきた。新型コロナウイルス(COVID-19)の感染拡大に伴い、医師の訪問が減り、テレヘルスのメリットはさらに顕著になっている。本稿では,医師と患者とのチャットセッションの円滑化に焦点をあてる。テレヘルスサービスの需要が増加するにつれ、チャット体験の品質と効率が重要になる可能性があることに注意する。そこで我々は,特に多忙なセッションにおいて,医師が相談要求に効果的に対応するのに役立つ,医療会話のためのスマート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。我々は,医師による最も頻繁な応答を識別し,それに応じて手動でラベル付けするクラスタリングアルゴリズムを実装した。次に、この前処理データを使用して機械学習アルゴリズムをトレーニングし、応答を生成する。検討されたアルゴリズムには、2つのステップがある: 無効な患者メッセージをフィルタリングするフィルタリング(トリガー)モデルと、トリガーフェーズを成功させた患者に対してトップ3の医師反応を提案する応答生成器である。この方法は精度83.28\%の精度を提供し、パラメータに堅牢性を示す。

関連論文リスト

Using LLM for Real-Time Transcription and Summarization of Doctor-Patient Interactions into ePuskesmas in Indonesia [0.0]
本稿では,局所的大言語モデル(LLM)を用いて医師と患者の会話の書き起こし,翻訳,要約を行う手法を提案する。我々はWhisperモデルとGPT-3を用いて、それらをePuskemasの医療記録形式に要約する。このイノベーションは、過密化された施設やインドネシアの医療提供者に対する管理上の負担といった課題に対処する。
論文参考訳（メタデータ） (2024-09-25T16:13:42Z)
CataractBot: An LLM-Powered Expert-in-the-Loop Chatbot for Cataract Patients [5.649965979758816]
CataractBotはインドの眼科病院と共同で開発された。白内障手術に関連する質問に対して、キュレートされた知識ベースを問合せすることで、即座に答える。システムに対する信頼は、専門家による検証によって確立されたと報告された。
論文参考訳（メタデータ） (2024-02-07T07:07:02Z)
Yes, this is what I was looking for! Towards Multi-modal Medical Consultation Concern Summary Generation [46.42604861624895]
マルチモーダル・メディカル・コンシューム・サマリ・ジェネレーションの新しい課題を提案する。患者のジェスチャーや表情などの非言語的手がかりは、患者の懸念を正確に識別するのに役立つ。マルチモーダル・メディカル・コンシューム・サマリー・ジェネレーション・コーパスを構築。
論文参考訳（メタデータ） (2024-01-10T12:56:47Z)
The impact of responding to patient messages with large language model assistance [4.243020918808522]
ドキュメンテーションの負担はクリニックのバーンアウトに大きく貢献する。多くの病院が電子カルテシステムに積極的に統合している。我々は,患者の質問に対する臨床医の回答作成を支援するために,大規模言語モデルの有用性を初めて検討する。
論文参考訳（メタデータ） (2023-10-26T18:03:46Z)
Medical Question Understanding and Answering with Knowledge Grounding and Semantic Self-Supervision [53.692793122749414]
本稿では,知識基盤とセマンティック・セルフスーパービジョンを備えた医療質問理解・回答システムについて紹介する。我々のシステムは、まず、教師付き要約損失を用いて、長い医学的、ユーザによる質問を要約するパイプラインである。システムはまず、信頼された医療知識ベースから要約されたユーザ質問とFAQとをマッチングし、対応する回答文書から一定の数の関連文を検索する。
論文参考訳（メタデータ） (2022-09-30T08:20:32Z)
Doctor Recommendation in Online Health Forums via Expertise Learning [12.264865055778388]
本稿では,患者を専門知識を持つ医師に自動ペア化するための,医師推薦の新たな課題について検討する。本研究は, 他患者とのプロフィールと過去の対話の併用効果について検討し, 自己学習による対話を探求するものである。実験のためには、中国のオンライン健康フォーラムであるChunyu Yishengから大規模なデータセットが収集されている。
論文参考訳（メタデータ） (2022-03-06T10:39:48Z)
Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。医療対話生成のためのエンドツーエンドの変分推論手法を提案する。行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文参考訳（メタデータ） (2021-05-13T04:14:35Z)
Retrieving and ranking short medical questions with two stages neural matching model [3.8020157990268206]
インターネットユーザーの80%が、オンライン上で健康に関する質問をしている。医学分野における代表的な質問や回答は、医療データマイニングに有用な原資料である。問合せレベルの医療質問のセマンティックマッチングのための新しい2段階フレームワークを提案する。
論文参考訳（メタデータ） (2020-11-16T07:00:35Z)
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)
Transforming unstructured voice and text data into insight for paramedic emergency service using recurrent and convolutional neural networks [68.8204255655161]
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。
論文参考訳（メタデータ） (2020-05-30T06:47:02Z)
On the Generation of Medical Dialogues for COVID-19 [60.63485429268256]
新型コロナウイルス関連の症状を患ったり、危険因子に晒されたりする人は、医師に相談する必要がある。医療専門家が不足しているため、多くの人がオンライン相談を受けることができない。本研究の目的は、新型コロナウイルス関連の相談を提供する医療対話システムの構築である。
論文参考訳（メタデータ） (2020-05-11T21:23:43Z)

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。