論文の概要: Towards Clinical Encounter Summarization: Learning to Compose Discharge Summaries from Prior Notes

• arxiv url: http://arxiv.org/abs/2104.13498v1
• Date: Tue, 27 Apr 2021 22:45:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 20:14:01.077183
• Title: Towards Clinical Encounter Summarization: Learning to Compose Discharge Summaries from Prior Notes
• Title（参考訳）: 臨床出題要約に向けて--先行注記からの退院要約作成の学習
• Authors: Han-Chin Shing, Chaitanya Shivade, Nima Pourdamghani, Feng Nan, Philip Resnik, Douglas Oard and Parminder Bhatia
• Abstract要約: 本論文では,臨床遭遇のための排出要約を生成するタスクについて紹介する。 評価には,2つの新しい尺度,忠実度と幻覚率を導入する。 7つの医療部門と5つのモデルにわたる結果は、トレーサビリティをサポートする要約アーキテクチャが有望な結果をもたらすことを示しています。
• 参考スコア（独自算出の注目度）: 15.689048077818324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The records of a clinical encounter can be extensive and complex, thus placing a premium on tools that can extract and summarize relevant information. This paper introduces the task of generating discharge summaries for a clinical encounter. Summaries in this setting need to be faithful, traceable, and scale to multiple long documents, motivating the use of extract-then-abstract summarization cascades. We introduce two new measures, faithfulness and hallucination rate for evaluation in this task, which complement existing measures for fluency and informativeness. Results across seven medical sections and five models show that a summarization architecture that supports traceability yields promising results, and that a sentence-rewriting approach performs consistently on the measure used for faithfulness (faithfulness-adjusted $F_3$) over a diverse range of generated sections.
• Abstract（参考訳）: 臨床的な出会いの記録は広範囲で複雑であり、関連する情報を抽出して要約できるツールにプレミアムを置くことができる。 本稿では,臨床診断のための放電サマリー作成の課題を紹介する。 この設定の要約は複数の長い文書に忠実でトレーサブルでスケールしなければならず、抽出-抽象要約カスケードの使用を動機付けている。 本課題では,既存の流布度と情報度を補完する2つの新しい尺度,忠実度と幻覚率を導入する。 7つの医学的セクションと5つのモデルによる結果は、トレーサビリティをサポートする要約アーキテクチャが有望な結果をもたらすことを示し、文章書き換えアプローチは、多種多様なセクションで忠実性(フェスフルネス調整$f_3$)の尺度で一貫して実行されることを示している。

関連論文リスト

• Towards Enhancing Coherence in Extractive Summarization: Dataset and Experiments with LLMs [70.15262704746378]
  我々は,5つの公開データセットと自然言語ユーザフィードバックのためのコヒーレントな要約からなる,体系的に作成された人間アノテーションデータセットを提案する。 Falcon-40BとLlama-2-13Bによる予備的な実験では、コヒーレントなサマリーを生成するという点で大幅な性能向上(10%ルージュ-L)が見られた。
  論文  参考訳（メタデータ） (2024-07-05T20:25:04Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• 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)
• A Meta-Evaluation of Faithfulness Metrics for Long-Form Hospital-Course Summarization [2.8575516056239576]
  病院入院の長期的臨床要約は、臨床医と患者の両方に役立つ可能性から、現実的な重要性を持っている。 本研究は,患者の短期病院講座のモデル作成要約に対して,人体アノテーションの微粒化に対する忠実度指標をベンチマークした。
  論文  参考訳（メタデータ） (2023-03-07T14:57:06Z)
• NapSS: Paragraph-level Medical Text Simplification via Narrative Prompting and Sentence-matching Summarization [46.772517928718216]
  そこで我々はNapSSと呼ばれる2段階戦略を提案する。 NapSSは、オリジナルの物語の流れが保存されていることを保証しながら、関連コンテンツを特定し、単純化する。 本モデルは,英語医療コーパスのSeq2seqベースラインよりも有意に優れている。
  論文  参考訳（メタデータ） (2023-02-11T02:20:25Z)
• Discharge Summary Hospital Course Summarisation of In Patient Electronic Health Record Text with Clinical Concept Guided Deep Pre-Trained Transformer Models [1.1393603788068778]
  ブリーフ病院コース(英: Brief Hospital Course、略称:BHC)は、病院全体の出会いの簡潔なサマリーであり、退院サマリーに埋め込まれている。 深層学習要約モデルの性能を実証するBHC要約法について述べる。
  論文  参考訳（メタデータ） (2022-11-14T05:39:45Z)
• Salience Allocation as Guidance for Abstractive Summarization [61.31826412150143]
  本稿では, サリエンセ・サリエンス・ガイダンス(SEASON, SaliencE Allocation as Guidance for Abstractive SummarizatiON)を用いた新しい要約手法を提案する。 SEASONは、サリエンス予測の割り当てを利用して抽象的な要約を導き、異なる抽象性のある記事に順応する。
  論文  参考訳（メタデータ） (2022-10-22T02:13:44Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• CLIP: A Dataset for Extracting Action Items for Physicians from Hospital Discharge Notes [17.107315598110183]
  我々はMIMIC-III上に注釈付けされた臨床行動項目のデータセットを作成する。 このデータセットはCLIPと呼ばれ、医師によって注釈付けされ、1万の文章を表す文書をカバーしています。 本稿では,これらの文書からアクション項目を抽出するタスクを多アスペクト抽出要約として記述する。
  論文  参考訳（メタデータ） (2021-06-04T14:49:02Z)
• Generating SOAP Notes from Doctor-Patient Conversations Using Modular Summarization Techniques [43.13248746968624]
  私たちは、深い要約モデルを利用してSOAPノートを生成するための最初の完全なパイプラインを紹介します。 本稿では,各要約部に関連する重要な発話を抽出するアルゴリズムであるCluster2Sentを提案する。 本研究は,要約コーパスを構築する際に,要約をセクションに構造化し,証拠を注釈する利点について述べる。
  論文  参考訳（メタデータ） (2020-05-04T19:10:26Z)

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。