論文の概要: Retrieve, Reason, and Refine: Generating Accurate and Faithful Patient
Instructions
- arxiv url: http://arxiv.org/abs/2210.12777v1
- Date: Sun, 23 Oct 2022 16:34:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 14:12:48.411263
- Title: Retrieve, Reason, and Refine: Generating Accurate and Faithful Patient
Instructions
- Title(参考訳): 検索、推論、洗練:正確で忠実な患者の指示を生成する
- Authors: Fenglin Liu, Bang Yang, Chenyu You, Xian Wu, Shen Ge, Zhangdaihong
Liu, Xu Sun, Yang Yang, David A. Clifton
- Abstract要約: 臨床作業量を削減しつつ,不完全性を回避する客観的な手段を提供する新しい課題を提案する。
Re3Writerは医師の作業パターンを模倣し、医師によって書かれた歴史的なPIから関連する作業経験を最初に取得する。
その後、回収された作業経験を洗練させ、医療知識を推論して有用な情報を抽出する。
- 参考スコア(独自算出の注目度): 65.11629300465812
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The "Patient Instruction" (PI), which contains critical instructional
information provided both to carers and to the patient at the time of
discharge, is essential for the patient to manage their condition outside
hospital. An accurate and easy-to-follow PI can improve the self-management of
patients which can in turn reduce hospital readmission rates. However, writing
an appropriate PI can be extremely time-consuming for physicians, and is
subject to being incomplete or error-prone for (potentially overworked)
physicians. Therefore, we propose a new task that can provide an objective
means of avoiding incompleteness, while reducing clinical workload: the
automatic generation of the PI, which is imagined as being a document that the
clinician can review, modify, and approve as necessary (rather than taking the
human "out of the loop"). We build a benchmark clinical dataset and propose the
Re3Writer, which imitates the working patterns of physicians to first retrieve
related working experience from historical PIs written by physicians, then
reason related medical knowledge. Finally, it refines the retrieved working
experience and reasoned medical knowledge to extract useful information, which
is used to generate the PI for previously-unseen patient according to their
health records during hospitalization. Our experiments show that, using our
method, the performance of five different models can be substantially boosted
across all metrics, with up to 20%, 11%, and 19% relative improvements in
BLEU-4, ROUGE-L, and METEOR, respectively. Meanwhile, we show results from
human evaluations to measure the effectiveness in terms of its usefulness for
clinical practice. The code is available at
https://github.com/AI-in-Hospitals/Patient-Instructions
- Abstract(参考訳): 退院時と退院時の両方に提供された重要な指導情報を含む「患者指導」(pi)は、患者が病院外の状態を管理するために必須である。
正確で簡単に追跡できるPIは、患者の自己管理を改善し、病院の入院率を下げることができる。
しかし、適切なPIを書くことは、医師にとって非常に時間がかかり、(潜在的に過労な)医師にとって不完全またはエラーを起こしやすい。
そこで我々は,臨床作業量を削減するとともに,不完全性を回避する客観的な手段を提供するための新しいタスクを提案する。PIの自動生成は,臨床医が必要に応じてレビューし,修正し,承認できる文書であると考えられる(「ループから」を外すのではなく)。
本稿では,医師の作業パターンを模倣して,医師が作成した履歴PIから関連する作業経験を検索し,関連する医療知識を推論するRe3Writerを提案する。
最後に、検索した作業経験と合理的な医療知識を精錬し、入院中の健康記録に基づき、既発見患者のpiを生成する有用な情報を抽出する。
提案手法を用いて, BLEU-4, ROUGE-L, METEORの相対的改善率は最大20%, 11%, 19%であった。
また, 臨床実習における有用性の観点から, 人体評価の結果を示し, 有効性について検討した。
コードはhttps://github.com/AI-in-Hospitals/Patient-Instructionsで公開されている。
関連論文リスト
- NOTE: Notable generation Of patient Text summaries through Efficient
approach based on direct preference optimization [0.0]
NOTE」は「直接選好最適化に基づく効率的なアプローチによる患者テキスト要約の不適切な生成」の意。
患者イベントは順次組み合わせられ、各入院の退院の概要を生成するために使用される。
ノートは、サマリーを放出するだけでなく、患者の旅行を通して様々なサマリーを生成するために利用することができる。
論文 参考訳(メタデータ) (2024-02-19T06:43:25Z) - Generative Large Language Models are autonomous practitioners of
evidence-based medicine [27.229179922424063]
EBM(エビデンス・ベース・メディカル)は、臨床医学の基礎であり、臨床医が継続的に知識を更新し、患者医療に最良の臨床証拠を適用する必要がある。
EBMの実践は、医学研究の急速な進歩による課題に直面し、臨床医に情報過負荷をもたらす。
人工知能(AI)の統合、特にジェネレーティブ・大型言語モデル(LLM)は、この複雑さを管理するための有望なソリューションを提供する。
論文 参考訳(メタデータ) (2024-01-05T15:09:57Z) - An Interpretable Deep-Learning Framework for Predicting Hospital
Readmissions From Electronic Health Records [2.156208381257605]
そこで我々は,未計画の病院入退院を予測するための,新しい,解釈可能な深層学習フレームワークを提案する。
実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題について,本システムの有効性を検証した。
論文 参考訳(メタデータ) (2023-10-16T08:48:52Z) - 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) - 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) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳(メタデータ) (2021-12-19T01:45:57Z) - Named Entity Recognition in Unstructured Medical Text Documents [0.0]
本研究は、医師が作成したIMEレポートから、名前付きエンティティ認識(NER)を用いて、PII情報を識別・エンコードすることを目的とする。
2つの自然言語処理プラットフォームであるOpenNLPとspurCyのNERツールキットを適用し,その精度,リコール,f測定性能を比較した。
両プラットフォームは, 脱識別時に高い性能(f- measures > 0.9)を達成し, 70-30の試験データ分割でトレーニングした SpaCy モデルが最も高性能であることが確認された。
論文 参考訳(メタデータ) (2021-10-15T03:03:09Z) - Benchmarking Automated Clinical Language Simplification: Dataset,
Algorithm, and Evaluation [48.87254340298189]
我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。
我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
論文 参考訳(メタデータ) (2020-12-04T06:09:02Z) - 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)
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。