論文の概要: Predicting Clinical Intent from Free Text Electronic Health Records
- arxiv url: http://arxiv.org/abs/2204.09594v1
- Date: Fri, 25 Mar 2022 04:27:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-24 16:43:08.982592
- Title: Predicting Clinical Intent from Free Text Electronic Health Records
- Title(参考訳): フリーテキスト電子健康記録から臨床意図を予測する
- Authors: Kawsar Noor, Katherine Smith, Julia Bennett, Jade OConnell, Jessica
Fisk, Monika Hunt, Gary Philippo, Teresa Xu, Simon Knight, Luis Romao,
Richard JB Dobson, Wai Keong Wong
- Abstract要約: 我々は、臨床ノートから患者をフォローアップしようとする臨床医の意図を検出するために、機械学習モデルを訓練する。
アノテーションは22種類の臨床意図を体系的に同定し,3000の臨床記録を付加した。
- 参考スコア(独自算出の注目度): 4.407353711420837
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: After a patient consultation, a clinician determines the steps in the
management of the patient. A clinician may for example request to see the
patient again or refer them to a specialist. Whilst most clinicians will record
their intent as "next steps" in the patient's clinical notes, in some cases the
clinician may forget to indicate their intent as an order or request, e.g.
failure to place the follow-up order. This consequently results in patients
becoming lost-to-follow up and may in some cases lead to adverse consequences.
In this paper we train a machine learning model to detect a clinician's intent
to follow up with a patient from the patient's clinical notes. Annotators
systematically identified 22 possible types of clinical intent and annotated
3000 Bariatric clinical notes. The annotation process revealed a class
imbalance in the labeled data and we found that there was only sufficient
labeled data to train 11 out of the 22 intents. We used the data to train a
BERT based multilabel classification model and reported the following average
accuracy metrics for all intents: macro-precision: 0.91, macro-recall: 0.90,
macro-f1: 0.90.
- Abstract(参考訳): 患者の相談の後、臨床医は患者の管理のステップを決定する。
例えば、臨床医は再び患者に診察を依頼したり、専門家に紹介したりすることができる。
ほとんどの臨床医は、その意図を患者の臨床ノートに「次のステップ」として記録するが、場合によっては、患者の意図を指示や要求として示すことを忘れてしまうことがある。
その結果、患者は失意から失意に陥り、場合によっては悪影響を及ぼす可能性がある。
本稿では,患者の臨床ノートから患者をフォローアップしようとする臨床医の意図を検出するために,機械学習モデルを訓練する。
アノテーションは22種類の臨床意図を体系的に同定し,3000の臨床記録を付加した。
アノテーション処理によってラベル付きデータのクラス不均衡が明らかになり,22のインテントのうち11のトレーニングに十分なラベル付きデータしか存在しないことが分かった。
このデータをBERTに基づくマルチラベル分類モデルのトレーニングに使用し,マクロ精度:0.91,マクロリコール:0.90,マクロf1:0.90,マクロ精度:0。
関連論文リスト
- Automated Clinical Coding for Outpatient Departments [14.923343535929515]
本報告は,病院における外来医療における最先端の深層学習に基づく臨床コーディング手法の有効性を検討するための最初の試みである。
私たちは、500万人以上の患者を記録した700万以上のノートからなる、大規模な外来患者データセットを収集します。
我々はこの設定に4つの最先端の臨床的コーディングアプローチを適用し、コーダを補助する可能性を評価する。
論文 参考訳(メタデータ) (2023-12-21T02:28:29Z) - Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。
本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。
病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
論文 参考訳(メタデータ) (2023-12-11T21:53:40Z) - Semi-self-supervised Automated ICD Coding [2.449909275410288]
臨床用テキストノート (CTN) には、医師が患者を診察しインタビューする際に、構造化されていない自由テキスト形式で書かれた推論プロセスが含まれている。
本稿では,アイスランドのCTNの希少な注釈付きデータセットを,機械学習型計算で半自己管理的に拡張する方法を提案する。
我々は、注釈付きCTNの小さなセットでニューラルネットワークをトレーニングし、アノテーションなしCTNのセットから臨床特徴を抽出する。
論文 参考訳(メタデータ) (2022-05-20T11:12:54Z) - Human Evaluation and Correlation with Automatic Metrics in Consultation
Note Generation [56.25869366777579]
近年,機械学習モデルによる臨床相談ノートの作成が急速に進んでいる。
5人の臨床医が57件のモック・コンサルテーションを聴き、自作のノートを書き、自動的に生成されたノートを編集し、全てのエラーを抽出する、広範囲にわたる人的評価研究を行った。
単純な文字ベースのLevenshtein距離測定は、BertScoreのような一般的なモデルベースの測定値に比較して、同等に動作します。
論文 参考訳(メタデータ) (2022-04-01T14:04:16Z) - Classifying Cyber-Risky Clinical Notes by Employing Natural Language
Processing [9.77063694539068]
近年、アメリカ合衆国内の一部の州では、患者が臨床ノートに自由にアクセスできるように求めている。
本研究は,臨床ノートにおけるセキュリティ・プライバシリスクの特定方法について検討する。
論文 参考訳(メタデータ) (2022-03-24T00:36:59Z) - Enriching Unsupervised User Embedding via Medical Concepts [51.17532619610099]
教師なしのユーザ埋め込みは、患者を人間の監督なしに、固定長のベクターにエンコードすることを目的としている。
臨床ノートから抽出された医療概念は、患者とその臨床カテゴリ間の豊富な関係を含んでいる。
本稿では,2つの臨床コーパスからテキスト文書と医療概念を共同で活用する,非教師なしユーザ埋め込みを提案する。
論文 参考訳(メタデータ) (2022-03-20T18:54:05Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z) - Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。
平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
論文 参考訳(メタデータ) (2020-12-16T07:02:56Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳(メタデータ) (2020-07-07T21:04:55Z) - A Corpus for Detecting High-Context Medical Conditions in Intensive Care
Patient Notes Focusing on Frequently Readmitted Patients [28.668217175230822]
このデータセットには1102個の放電サマリーと1000個の看護進歩ノートが含まれている。
注釈付き表現型には、非アジェレンス治療、慢性痛、進行/転移性癌、および他の10種類の表現型が含まれる。
このデータセットは、医学、コンピュータ科学、特に医学自然言語処理の分野における学術、産業研究に利用することができる。
論文 参考訳(メタデータ) (2020-03-06T05:56:49Z)
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。