論文の概要: Summarisation of Electronic Health Records with Clinical Concept Guidance

• arxiv url: http://arxiv.org/abs/2211.07126v1
• Date: Mon, 14 Nov 2022 05:39:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 17:41:19.231319
• Title: Summarisation of Electronic Health Records with Clinical Concept Guidance
• Title（参考訳）: 臨床概念指導による電子健康記録の要約
• Authors: Thomas Searle, Zina Ibrahim, James Teo, Richard Dobson
• Abstract要約: ブリーフ病院コース(英: Brief Hospital Course、略称:BHC)は、病院全体の出会いの簡潔なサマリーであり、退院サマリーに埋め込まれている。 深層学習要約モデルの性能を実証するBHC要約法について述べる。
• 参考スコア（独自算出の注目度）: 1.1393603788068778
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Brief Hospital Course (BHC) summaries are succinct summaries of an entire hospital encounter, embedded within discharge summaries, written by senior clinicians responsible for the overall care of a patient. Methods to automatically produce summaries from inpatient documentation would be invaluable in reducing clinician manual burden of summarising documents under high time-pressure to admit and discharge patients. Automatically producing these summaries from the inpatient course, is a complex, multi-document summarisation task, as source notes are written from various perspectives (e.g. nursing, doctor, radiology), during the course of the hospitalisation. We demonstrate a range of methods for BHC summarisation demonstrating the performance of deep learning summarisation models across extractive and abstractive summarisation scenarios. We also test a novel ensemble extractive and abstractive summarisation model that incorporates a medical concept ontology (SNOMED) as a clinical guidance signal and shows superior performance in 2 real-world clinical data sets.
• Abstract（参考訳）: ブリーフ病院コース(英: Brief Hospital Course, BHC)は、患者の全身的なケアを担当する臨床医によって書かれた、退院サマリーに埋め込まれた病院の出会いの簡潔な要約である。 入院患者の文書から要約を自動生成する方法は、患者を入院・退院させるための高圧下で文書を要約するクリニカルマニュアルの負担を軽減するのに有用である。 患者コースからこれらの要約を自動生成することは、病院化の過程で様々な視点(看護、医師、放射線学など)から資料を書くため、複雑で多文書の要約作業である。 抽出および抽象的な要約シナリオにまたがる深層学習要約モデルの性能を示すBHC要約手法について述べる。 また,医療概念オントロジ(snomed)を臨床指導信号として組み込んだ新しいアンサンブル抽出・抽象要約モデルもテストし,実世界の2つの臨床データセットにおいて優れた性能を示す。

関連論文リスト

• Query-Guided Self-Supervised Summarization of Nursing Notes [5.835276312834499]
  本稿では,看護ノート要約のためのクエリ誘導型自己教師型ドメイン適応フレームワークQGSummを紹介する。 本手法は,基準要約に頼らず,高品質で患者中心の要約を生成する。
  論文  参考訳（メタデータ） (2024-07-04T18:54:30Z)
• 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)
• Generating medically-accurate summaries of patient-provider dialogue: A multi-stage approach using large language models [6.252236971703546]
  効果的な要約は、対話におけるすべての医学的関連情報を一貫性と精度良く捉えることが要求される。 本稿では, 医療会話の要約問題に, タスクを, より小さな対話に基づくタスクに分解することで対処する。
  論文  参考訳（メタデータ） (2023-05-10T08:48:53Z)
• Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
  この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。 臨床文献のコーパスを12種類に分類した。 私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
  論文  参考訳（メタデータ） (2023-03-23T17:17:46Z)
• 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)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• What's in a Summary? Laying the Groundwork for Advances in Hospital-Course Summarization [2.432409923443071]
  患者の入院中に書かれた文書を考えると、患者の入院の物語を記した段落を作成する。 109,000の病院化(2Mソースノート)とその対応する要約プロキシの英語、テキストからテキストへのデータセットを構築します。 本稿では,この複雑な文書要約タスクのモデル化における複数の意味を明らかにする。
  論文  参考訳（メタデータ） (2021-04-12T19:31:48Z)
• 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)
• Generating SOAP Notes from Doctor-Patient Conversations Using Modular Summarization Techniques [43.13248746968624]
  私たちは、深い要約モデルを利用してSOAPノートを生成するための最初の完全なパイプラインを紹介します。 本稿では,各要約部に関連する重要な発話を抽出するアルゴリズムであるCluster2Sentを提案する。 本研究は,要約コーパスを構築する際に,要約をセクションに構造化し,証拠を注釈する利点について述べる。
  論文  参考訳（メタデータ） (2020-05-04T19:10:26Z)

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。