Fugu-MT 論文翻訳(概要): Towards The Automatic Coding of Medical Transcripts to Improve Patient-Centered Communication

論文の概要: Towards The Automatic Coding of Medical Transcripts to Improve Patient-Centered Communication

arxiv url: http://arxiv.org/abs/2109.10514v1
Date: Wed, 22 Sep 2021 04:37:05 GMT
ステータス: 処理完了
システム内更新日: 2021-09-23 20:32:59.432753
Title: Towards The Automatic Coding of Medical Transcripts to Improve Patient-Centered Communication
Title（参考訳）: 患者中心コミュニケーション改善のための医用文字の自動符号化に向けて
Authors: Gilchan Park, Julia Taylor Rayz, Cleveland G. Shields
Abstract要約: 3つの機械学習アルゴリズムを用いて、テキスト中の行を対応するコードに分類する。コードを区別する証拠があり、これは人間の注釈の訓練に十分であると考えられている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper aims to provide an approach for automatic coding of physician-patient communication transcripts to improve patient-centered communication (PCC). PCC is a central part of high-quality health care. To improve PCC, dialogues between physicians and patients have been recorded and tagged with predefined codes. Trained human coders have manually coded the transcripts. Since it entails huge labor costs and poses possible human errors, automatic coding methods should be considered for efficiency and effectiveness. We adopted three machine learning algorithms (Na\"ive Bayes, Random Forest, and Support Vector Machine) to categorize lines in transcripts into corresponding codes. The result showed that there is evidence to distinguish the codes, and this is considered to be sufficient for training of human annotators.
Abstract（参考訳）: 本稿では, 患者中心コミュニケーション(PCC)を改善するために, 医師・患者間通信文書の自動符号化手法を提案する。 PCCは高品質な医療の中心である。 PCCを改善するために、医師と患者の対話が記録され、事前に定義されたコードでタグ付けされている。訓練された人間のコーダーは手動で書き起こしをコーディングした。膨大な労働コストを伴い、ヒューマンエラーを発生させるため、自動コーディング手法は効率と有効性を考慮すべきである。 3つの機械学習アルゴリズム (na\"ive bayes, random forest, support vector machine) を用いて,書き起こし中の行を対応するコードに分類した。その結果, 符号の識別には証拠があることが明らかとなり, ヒトのアノテータの訓練に十分と考えられる。

関連論文リスト

CoRelation: Boosting Automatic ICD Coding Through Contextualized Code Relation Learning [56.782963838838036]
我々は,ICDコード表現の学習を促進するために,文脈的かつ柔軟なフレームワークである新しい手法を提案する。提案手法では,可能なすべてのコード関係をモデル化する際の臨床ノートのコンテキストを考慮した,依存型学習パラダイムを採用している。
論文参考訳（メタデータ） (2024-02-24T03:25:28Z)
Exploring the Consistency, Quality and Challenges in Manual and Automated Coding of Free-text Diagnoses from Hospital Outpatient Letters [4.743464936070594]
本研究は,外来患者からの診断における手動および自動臨床符号化の質と整合性を評価するものである。金の基準は、注釈付き診断のサブセットから臨床医のパネルによって構築された。以上の結果から,自由テキスト記述に1つの診断しか含まれていない場合,人間による自動符号化はわずかに性能が優れていた。
論文参考訳（メタデータ） (2023-11-17T20:32:24Z)
Medical Codes Prediction from Clinical Notes: From Human Coders to Machines [0.21320960069210473]
臨床ノートから医療コードを予測することは、すべての医療提供組織にとって実用的で不可欠である。最大の課題は、構造化されていないフリーテキスト臨床ノートから数千の高次元コードから適切な医療コードを直接識別することである。最近の研究では、本格的なディープラーニングベースの手法による最先端のコード予測結果が示されている。
論文参考訳（メタデータ） (2022-10-30T14:24:13Z)
Clinical Dialogue Transcription Error Correction using Seq2Seq Models [1.663938381339885]
臨床対話におけるASR転写誤り訂正のためのSeq2seq学習手法を提案する。我々は、将来の研究のために公開してきたドメイン固有のデータセットを使用して、マスク満載タスクにSeq2seqモデルを微調整する。
論文参考訳（メタデータ） (2022-05-26T18:27:17Z)
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)
Read, Attend, and Code: Pushing the Limits of Medical Codes Prediction from Clinical Notes by Machines [0.42641920138420947]
医用コード代入マッピングを学習するための、読み取り、 attend、および Code (RAC) モデルを提示する。 RACは、現在最高のマクロF1を18.7%上回るSOTA(the New State of the Art)を確立している。この新たなマイルストーンは、マシンにおける完全自律型医療コーディング(AMC)への重要な一歩となる。
論文参考訳（メタデータ） (2021-07-10T06:01:58Z)
TransICD: Transformer Based Code-wise Attention Model for Explainable ICD Coding [5.273190477622007]
国際疾患分類法 (ICD) は, 医療分野の請求システムにおいて有効かつ重要であることが示されている。現在、ICDコードは手動で臨床メモに割り当てられており、多くのエラーを引き起こす可能性がある。本稿では,文書のトークン間の相互依存を捉えるためにトランスフォーマーベースのアーキテクチャを適用し,コードワイド・アテンション・メカニズムを用いて文書全体のコード固有表現を学習する。
論文参考訳（メタデータ） (2021-03-28T05:34:32Z)
A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文参考訳（メタデータ） (2021-02-26T17:49:58Z)
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)
Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
論文参考訳（メタデータ） (2020-02-03T15:47:19Z)

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。