論文の概要: Sent2Span: Span Detection for PICO Extraction in the Biomedical Text
without Span Annotations
- arxiv url: http://arxiv.org/abs/2109.02254v1
- Date: Mon, 6 Sep 2021 06:14:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-09-07 16:44:00.645554
- Title: Sent2Span: Span Detection for PICO Extraction in the Biomedical Text
without Span Annotations
- Title（参考訳）: Sent2Span: SpanアノテーションのないバイオメディカルテキストにおけるPICO抽出のためのスパン検出
- Authors: Shifeng Liu, Yifang Sun, Bing Li, Wei Wang, Florence T. Bourgeois,
Adam G. Dunn
- Abstract要約: 臨床試験記事からの人口、介入、比較、アウトカム(PICO)情報は、体系的なレビューに自動的に治験を割り当てる効果的な方法であるかもしれない。
本稿では,クラウドソース型文レベルのアノテーションのみを用いたPICOスパン検出手法を提案する。
2つのデータセットの実験により、PICOのスパン検出結果が完全に教師付きされた手法よりもはるかに高いリコール結果が得られることが示された。
- 参考スコア（独自算出の注目度）: 17.480599429324155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid growth in published clinical trials makes it difficult to maintain
up-to-date systematic reviews, which requires finding all relevant trials. This
leads to policy and practice decisions based on out-of-date, incomplete, and
biased subsets of available clinical evidence. Extracting and then normalising
Population, Intervention, Comparator, and Outcome (PICO) information from
clinical trial articles may be an effective way to automatically assign trials
to systematic reviews and avoid searching and screening - the two most
time-consuming systematic review processes. We propose and test a novel
approach to PICO span detection. The major difference between our proposed
method and previous approaches comes from detecting spans without needing
annotated span data and using only crowdsourced sentence-level annotations.
Experiments on two datasets show that PICO span detection results achieve much
higher results for recall when compared to fully supervised methods with PICO
sentence detection at least as good as human annotations. By removing the
reliance on expert annotations for span detection, this work could be used in
human-machine pipeline for turning low-quality crowdsourced, and sentence-level
PICO annotations into structured information that can be used to quickly assign
trials to relevant systematic reviews.
- Abstract（参考訳）: 公表された臨床試験の急速な増加は、最新の体系的なレビューを維持するのを困難にしている。
これは、利用可能な臨床証拠の、時代遅れ、不完全、偏見に基づく政策と実践の決定につながる。
臨床試験の記事から人口、介入、比較、結果(pico)情報を抽出して正常化することは、組織的なレビューに試行を自動的に割り当て、検索とスクリーニングを避ける効果的な方法になり得る。
PICOスパン検出に対する新しいアプローチを提案する。
提案手法と従来手法の主な違いは,注釈付きスパンデータを必要としないスパンの検出と,クラウドソースによる文レベルのアノテーションの使用である。
2つのデータセットの実験により、PICOの文検出が人間のアノテーションに匹敵するような完全教師付き手法と比較して、PICOのスパン検出結果の方がはるかに高いリコール結果が得られることが示された。
スパン検出のための専門家アノテーションへの依存を取り除くことで、この研究は、低品質のクラウドソースと文レベルのPICOアノテーションを、関連する体系的なレビューに迅速にトライアルを割り当てることのできる構造化情報に変換するために、ヒューマンマシンパイプラインで使用できる。
関連論文リスト
- A New Benchmark and Reverse Validation Method for Passage-level
Hallucination Detection [63.56136319976554]
大きな言語モデル(LLM)は幻覚を発生させ、ミッションクリティカルなタスクにデプロイすると大きなダメージを与える可能性がある。
本稿では,逆検証に基づく自己チェック手法を提案し,ゼロリソース方式で事実誤りを自動的に検出する。
提案手法と既存のゼロリソース検出手法を2つのデータセット上で実証的に評価した。
論文 参考訳（メタデータ） (2023-10-10T10:14:59Z) - On the Universal Adversarial Perturbations for Efficient Data-free
Adversarial Detection [55.73320979733527]
本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。
実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
論文 参考訳（メタデータ） (2023-06-27T02:54:07Z) - Beyond AUROC & co. for evaluating out-of-distribution detection
performance [50.88341818412508]
安全(r)AIとの関連性を考えると,OOD検出法の比較の基礎が実用的ニーズと整合しているかどうかを検討することが重要である。
我々は,IDとOODの分離が不十分なことを明示する新しい指標であるAUTC(Area Under the Threshold Curve)を提案する。
論文 参考訳（メタデータ） (2023-06-26T12:51:32Z) - Utilizing ChatGPT to Enhance Clinical Trial Enrollment [2.3551878971309947]
本稿では,大規模言語モデルであるChatGPTを用いて患者関連情報を非構造化臨床ノートから抽出する自動アプローチを提案する。
2つのベンチマーク検索コレクションで実施した経験的評価では,既存手法と比較して検索性能が向上した。
以上の結果から,ChatGPTを医療サービスの品質を確保し,患者への直接的なリスクを最小限に抑えつつ,臨床治験の増進に活用する可能性が示唆された。
論文 参考訳（メタデータ） (2023-06-03T10:54:23Z) - 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) - Detecting automatically the layout of clinical documents to enhance the
performances of downstream natural language processing [53.797797404164946]
我々は,臨床用PDF文書を処理し,臨床用テキストのみを抽出するアルゴリズムを設計した。
このアルゴリズムは、PDFを使った最初のテキスト抽出と、続いてボディテキスト、左書き、フッタなどのカテゴリに分類される。
それぞれのセクションのテキストから興味ある医学的概念を抽出し,医療的パフォーマンスを評価した。
論文 参考訳（メタデータ） (2023-05-23T08:38:33Z) - Plugin estimators for selective classification with out-of-distribution
detection [67.28226919253214]
現実世界の分類器は、信頼性の低いサンプルの予測を控えることの恩恵を受けることができる。
これらの設定は、選択分類(SC)とアウト・オブ・ディストリビューション(OOD)の検出文献において広範囲に研究されている。
OOD検出による選択分類に関する最近の研究は、これらの問題の統一的な研究を議論している。
本稿では,既存の手法を理論的に基礎づけ,有効かつ一般化したSCOD用プラグイン推定器を提案する。
論文 参考訳（メタデータ） (2023-01-29T07:45:17Z) - Predicting Intervention Approval in Clinical Trials through
Multi-Document Summarization [0.30458514384586405]
臨床試験における介入の有効性を予測するための新しい手法を提案する。
本手法は,研究中の介入に関する文献から,複数の資料から情報的要約を生成することに依存している。
論文 参考訳（メタデータ） (2022-04-01T08:45:39Z) - A Methodology for Bi-Directional Knowledge-Based Assessment of
Compliance to Continuous Application of Clinical Guidelines [1.52292571922932]
ケアプロセスのガイドラインに基づく品質評価を自動化するための新しいアプローチを提案する。
BiKBAC法は臨床ガイドラインを適用する際のコンプライアンスの度合いを評価する。
DiscovErrシステムは、2型糖尿病管理領域の別の研究で評価されました。
論文 参考訳（メタデータ） (2021-03-13T20:43:45Z) - AI Driven Knowledge Extraction from Clinical Practice Guidelines:
Turning Research into Practice [2.803896166632835]
臨床実践ガイドライン(CPGs)は、医療領域における最先端の研究成果を医療従事者と共有するための最前線の方法論です。
しかし、多くのCPGから関連する知識を抽出することは、すでに負担のかかる医療専門家には実現できません。
本研究は, CPGから知識を抽出し, ギャップを減らし, 最新の研究成果を臨床実践に転換する手法を提案する。
論文 参考訳（メタデータ） (2020-12-10T07:23:02Z) - Understanding Clinical Trial Reports: Extracting Medical Entities and
Their Relations [33.30381080306156]
医療専門家は、意思決定を知らせるために、手動で記事から情報を取り出す必要がある。
本研究は, (a) 臨床試験を記載した全文記事から治療結果と成果を抽出し, (b) 後者に関して, 前者に対して報告された結果の推測を行うことの両目的について考察する。
論文 参考訳（メタデータ） (2020-10-07T17:50:58Z)
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。