論文の概要: The 2022 n2c2/UW Shared Task on Extracting Social Determinants of Health
- arxiv url: http://arxiv.org/abs/2301.05571v1
- Date: Fri, 13 Jan 2023 14:20:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 14:36:48.575211
- Title: The 2022 n2c2/UW Shared Task on Extracting Social Determinants of Health
- Title（参考訳）: 2022 n2c2/uwによる健康の社会的要因の抽出
- Authors: Kevin Lybarger, Meliha Yetisgen, \"Ozlem Uzuner
- Abstract要約: n2c2/UW SDOH Challengeは、臨床ノートから社会決定因子(SDOH)情報を抽出する。
本稿では,共有タスク,データ,参加チーム,パフォーマンス結果,今後の作業への配慮について述べる。
- 参考スコア（独自算出の注目度）: 0.9023847175654602
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: The n2c2/UW SDOH Challenge explores the extraction of social
determinant of health (SDOH) information from clinical notes. The objectives
include the advancement of natural language processing (NLP) information
extraction techniques for SDOH and clinical information more broadly. This
paper presents the shared task, data, participating teams, performance results,
and considerations for future work.
Materials and Methods: The task used the Social History Annotated Corpus
(SHAC), which consists of clinical text with detailed event-based annotations
for SDOH events such as alcohol, drug, tobacco, employment, and living
situation. Each SDOH event is characterized through attributes related to
status, extent, and temporality. The task includes three subtasks related to
information extraction (Subtask A), generalizability (Subtask B), and learning
transfer (Subtask C). In addressing this task, participants utilized a range of
techniques, including rules, knowledge bases, n-grams, word embeddings, and
pretrained language models (LM).
Results: A total of 15 teams participated, and the top teams utilized
pretrained deep learning LM. The top team across all subtasks used a
sequence-to-sequence approach achieving 0.901 F1 for Subtask A, 0.774 F1
Subtask B, and 0.889 F1 for Subtask C.
Conclusions: Similar to many NLP tasks and domains, pretrained LM yielded the
best performance, including generalizability and learning transfer. An error
analysis indicates extraction performance varies by SDOH, with lower
performance achieved for conditions, like substance use and homelessness, that
increase health risks (risk factors) and higher performance achieved for
conditions, like substance abstinence and living with family, that reduce
health risks (protective factors).
- Abstract（参考訳）: 目的: n2c2/UW SDOH Challengeは、臨床ノートから健康の社会的決定因子(SDOH)情報を抽出する。
本研究の目的は,SDOHのための自然言語処理(NLP)情報抽出技術の進歩と臨床情報の拡大である。
本稿では,共有タスク,データ,参加チーム,パフォーマンス結果,今後の作業に対する考慮について述べる。
資料と方法:このタスクは、アルコール、薬物、タバコ、雇用、生活状況などのsdohイベントに関する詳細なイベントベースのアノテーションを備えた臨床テキストからなる社会史注釈コーパス(social history annotated corpus, shac)を使用した。
各SDOHイベントは、ステータス、範囲、時間性に関連する属性によって特徴づけられる。
このタスクは、情報抽出(Subtask A)、一般化可能性(Subtask B)、学習伝達(Subtask C)に関連する3つのサブタスクを含む。
この課題に対処するために、参加者はルール、知識ベース、n-gram、単語埋め込み、事前訓練された言語モデル(LM)など、様々なテクニックを利用した。
結果: 合計15チームが参加し,トップチームがトレーニング済みのディープラーニングlmを使用した。
すべてのサブタスクにまたがるトップチームは、サブタスクaの0.901 f1、サブタスクbの0.0774 f1、サブタスクcの0.889 f1を達成するためのシーケンスからシーケンスまでのアプローチを採用した。
エラー分析は、抽出性能がSDOHによって異なることを示しているが、物質使用やホームレスなどの条件では低いパフォーマンスが達成され、健康リスク(リスク要因)が増加し、物質禁忌や家族との生活といった条件では高いパフォーマンスが達成され、健康リスク(保護要因)が減少する。
関連論文リスト
- D-NLP at SemEval-2024 Task 2: Evaluating Clinical Inference Capabilities of Large Language Models [5.439020425819001]
大規模言語モデル(LLM)は、様々なタスクにおける顕著なパフォーマンスのために、大きな注目を集め、広く使われている。
しかし、幻覚、事実的矛盾、数値的定量的推論の限界などの問題を含む、彼ら自身の課題は存在しない。
論文 参考訳（メタデータ） (2024-05-07T10:11:14Z) - Data-CUBE: Data Curriculum for Instruction-based Sentence Representation
Learning [85.66907881270785]
本稿では,学習用マルチタスクデータの順序を列挙するデータカリキュラム,すなわちData-CUBEを提案する。
タスクレベルでは、タスク間の干渉リスクを最小化するために最適なタスクオーダーを見つけることを目的としている。
インスタンスレベルでは、タスク毎のすべてのインスタンスの難易度を測定し、トレーニングのためにそれらを簡単に微分できるミニバッチに分割します。
論文 参考訳（メタデータ） (2024-01-07T18:12:20Z) - Task formulation for Extracting Social Determinants of Health from
Clinical Narratives [0.0]
2022 n2c2 NLP Challengeは、臨床物語における健康の社会的決定要因の同定を提起した。
本稿では,この課題のために開発した3つのシステムについて述べるとともに,それぞれのシステムで使用される特徴的タスクの定式化について論じる。
論文 参考訳（メタデータ） (2023-01-26T20:00:54Z) - "It's a Match!" -- A Benchmark of Task Affinity Scores for Joint
Learning [74.14961250042629]
MTL(Multi-Task Learning)は、その成功の条件を特徴づけることが、ディープラーニングにおいて依然としてオープンな問題である、と約束する。
共同学習におけるタスク親和性の推定は重要な取り組みである。
最近の研究は、訓練条件自体がMTLの結果に重大な影響を与えることを示唆している。
しかし,本研究では,タスク親和性評価手法の有効性を評価するためのベンチマークが欠落している。
論文 参考訳（メタデータ） (2023-01-07T15:16:35Z) - A Marker-based Neural Network System for Extracting Social Determinants
of Health [12.6970199179668]
健康の社会的決定因子(SDoH)は、患者の医療の質と格差を左右する。
多くのSDoHアイテムは、電子健康記録の構造化形式でコード化されていない。
我々は,臨床ノートから自動的にSDoH情報を抽出する,名前付きエンティティ認識(NER),関係分類(RC),テキスト分類手法を含む多段階パイプラインを探索する。
論文 参考訳（メタデータ） (2022-12-24T18:40:23Z) - KnowDA: All-in-One Knowledge Mixture Model for Data Augmentation in
Few-Shot NLP [68.43279384561352]
既存のデータ拡張アルゴリズムはタスク非依存のルールや微調整の汎用事前訓練言語モデルを利用する。
これらの手法は、簡単なタスク固有の知識を持ち、単純なタスクにおいて弱いベースラインのための低品質な合成データを得るに限られる。
我々は,様々なNLPタスクを予め学習したエンコーダ/デコーダLMの知識混合データ拡張モデル(KnowDA)を提案する。
論文 参考訳（メタデータ） (2022-06-21T11:34:02Z) - Zero-Shot Information Extraction as a Unified Text-to-Triple Translation [56.01830747416606]
我々は、テキストから3つの翻訳フレームワークに一連の情報抽出タスクを投入した。
タスク固有の入力テキストと出力トリプルの変換としてタスクを形式化する。
本稿では,オープン情報抽出におけるゼロショット性能について検討する。
論文 参考訳（メタデータ） (2021-09-23T06:54:19Z) - Distribution Matching for Heterogeneous Multi-Task Learning: a
Large-scale Face Study [75.42182503265056]
マルチタスク学習は、共有学習アルゴリズムによって複数のタスクを共同で学習する方法論として登場した。
我々は異種mtlに対処し,検出,分類,回帰問題を同時に解決する。
大規模な顔分析のための最初のフレームワークであるFaceBehaviorNetを構築し、すべての顔行動タスクを共同で学習する。
論文 参考訳（メタデータ） (2021-05-08T22:26:52Z) - Annotating Social Determinants of Health Using Active Learning, and
Characterizing Determinants Using Neural Event Extraction [11.845850292404768]
健康の社会的決定因子(SDOH)は健康に影響を及ぼし、SDOHの知識は臨床的な意思決定に影響を及ぼす。
本研究は,SDOHアノテーションを用いた新しいコーパス,新しいアクティブラーニングフレームワーク,新しいコーパスにおける最初の抽出結果を示す。
論文 参考訳（メタデータ） (2020-04-11T16:19:02Z) - oLMpics -- On what Language Model Pre-training Captures [84.60594612120173]
本研究では,比較,協調,合成などの操作を必要とする8つの推論タスクを提案する。
基本的な課題は、タスク上でのLMのパフォーマンスが、事前訓練された表現やタスクデータの微調整のプロセスに起因すべきかどうかを理解することである。
論文 参考訳（メタデータ） (2019-12-31T12:11:35Z)
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。