論文の概要: Extracting Medication Changes in Clinical Narratives using Pre-trained Language Models

• arxiv url: http://arxiv.org/abs/2208.08417v1
• Date: Wed, 17 Aug 2022 17:22:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-18 12:46:12.688628
• Title: Extracting Medication Changes in Clinical Narratives using Pre-trained Language Models
• Title（参考訳）: 事前学習言語モデルを用いた臨床物語の医学的変化の抽出
• Authors: Giridhar Kaushik Ramachandran, Kevin Lybarger, Yaya Liu, Diwakar Mahajan, Jennifer J. Liang, Ching-Huei Tsou, Meliha Yetisgen, \"Ozlem Uzuner
• Abstract要約: 本研究は,フリーテキスト臨床ノートから薬物変化情報の自動抽出について検討する。 CMED(Contextual Medication Event dataset)は、医薬品の変化を特徴付ける注釈付き臨床ノートのコーパスである。 CMEDを用いて臨床テキスト中の薬剤の言及を同定し,注釈医薬品の変化特性を解消する3つの新しい高性能BERTシステムを提案する。
• 参考スコア（独自算出の注目度）: 1.1646531300723846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An accurate and detailed account of patient medications, including medication changes within the patient timeline, is essential for healthcare providers to provide appropriate patient care. Healthcare providers or the patients themselves may initiate changes to patient medication. Medication changes take many forms, including prescribed medication and associated dosage modification. These changes provide information about the overall health of the patient and the rationale that led to the current care. Future care can then build on the resulting state of the patient. This work explores the automatic extraction of medication change information from free-text clinical notes. The Contextual Medication Event Dataset (CMED) is a corpus of clinical notes with annotations that characterize medication changes through multiple change-related attributes, including the type of change (start, stop, increase, etc.), initiator of the change, temporality, change likelihood, and negation. Using CMED, we identify medication mentions in clinical text and propose three novel high-performing BERT-based systems that resolve the annotated medication change characteristics. We demonstrate that our proposed architectures improve medication change classification performance over the initial work exploring CMED. We identify medication mentions with high performance at 0.959 F1, and our proposed systems classify medication changes and their attributes at an overall average of 0.827 F1.
• Abstract（参考訳）: 医療提供者が適切な患者ケアを提供するためには、患者のタイムライン内での薬物変化を含む患者薬の正確かつ詳細な説明が不可欠である。 医療提供者または患者自体が患者薬剤の変更を開始することがある。 薬効の変化には、処方薬や関連する服薬の修正など、多くの形態がある。 これらの変化は、患者の全体の健康状態や、現在のケアにつながる根拠に関する情報を提供する。 将来のケアは、患者の結果の状態に基づいて構築される。 本研究は,フリーテキスト臨床ノートから薬物変化情報の自動抽出について検討する。 CMED(Contextual Medication Event Dataset)は、変化の種類(開始、停止、増加、など)、変化の開始者、時間性、変化の可能性、否定など、複数の変化に関連する属性を通じて薬物の変化を特徴付ける注釈付き臨床ノートのコーパスである。 CMEDを用いて臨床テキスト中の薬剤の言及を同定し,注釈医薬品の変化特性を解消する3つの新しい高性能BERTシステムを提案する。 提案するアーキテクチャは,cmedを探索する最初の作業よりも,薬剤変化の分類性能を向上させる。 そこで本研究では, 0.959 f1で高い性能を示す薬剤を同定し, 平均0.827 f1で薬剤変化とその属性を分類した。

関連論文リスト

• A randomized simulation trial evaluating ABiMed, a clinical decision support system for medication reviews and polypharmacy management [3.8243906257653504]
  STOPP/START v2ガイドラインの実装に基づき,臨床診断支援システムであるABiMedを設計した。 ランダム化シミュレーション試験において,39名の薬剤師によるABiMedの評価を行った。
  論文  参考訳（メタデータ） (2024-09-03T13:50:59Z)
• Making the Most Out of the Limited Context Length: Predictive Power Varies with Clinical Note Type and Note Section [70.37720062263176]
  本研究では,高い予測力で区間を解析する枠組みを提案する。 MIMIC-IIIを用いて,(1)看護用音符と退院用音符とでは予測電力分布が異なること,(2)文脈長が大きい場合の音符の組み合わせにより性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-07-13T20:04:05Z)
• DKINet: Medication Recommendation via Domain Knowledge Informed Deep Learning [12.609882335746859]
  医療勧告は、医療の根本的かつ重要な分野である。 これまでの研究は主に電子健康記録から患者の表現を学ぶことに焦点を当ててきた。 本稿では,複雑な臨床症状とドメイン知識の効果的な統合に対処する知識注入モジュールを提案する。
  論文  参考訳（メタデータ） (2023-05-31T07:22:15Z)
• SPeC: A Soft Prompt-Based Calibration on Performance Variability of Large Language Model in Clinical Notes Summarization [50.01382938451978]
  本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。 実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
  論文  参考訳（メタデータ） (2023-03-23T04:47:46Z)
• Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
  本稿では,Re$3$Writer法を提案する。 本手法が患者の退院指示生成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-10-23T16:34:39Z)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• 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)
• Conditional Generation Net for Medication Recommendation [73.09366442098339]
  医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。 医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。 提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-14T10:16:41Z)
• Change Matters: Medication Change Prediction with Recurrent Residual Networks [52.34011841798978]
  MICRONは、隠れた薬のベクターと、再建設計で繰り返し設定された薬を更新することを学ぶ。 MICRONはF1スコアで最高のベースラインよりも3.5%と7.8%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2021-05-05T05:51:30Z)
• Toward Understanding Clinical Context of Medication Change Events in Clinical Narratives [0.4270213395622267]
  臨床ノートに記載された薬物変化の関連状況を把握するためのデータセットであるCMED(Contextualized Medication Event dataset)を提示する。 CMEDは、500以上の臨床ノートに注記された9,013の医薬品から成り、2021年に共有タスクとしてコミュニティに解放される。
  論文  参考訳（メタデータ） (2020-11-17T18:55:00Z)

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。