論文の概要: Progress Note Understanding -- Assessment and Plan Reasoning: Overview
of the 2022 N2C2 Track 3 Shared Task
- arxiv url: http://arxiv.org/abs/2303.08038v1
- Date: Tue, 14 Mar 2023 16:17:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-03-15 14:17:29.829083
- Title: Progress Note Understanding -- Assessment and Plan Reasoning: Overview
of the 2022 N2C2 Track 3 Shared Task
- Title（参考訳）: 進捗ノート理解-評価と計画推論--2022年N2C2トラック3共有タスクの概要
- Authors: Yanjun Gao, Dmitriy Dligach, Timothy Miller, Matthew M Churpek, Ozlem
Uzuner, Majid Afshar
- Abstract要約: 2022年全国NLP臨床チャレンジ(N2C2)トラック3:進歩ノート理解 - 評価と計画推論について紹介する。
本課題は, 評価部に含まれる患者の総合的状態と, 計画部の各構成成分との関係を, 自動的に因果関係を予測できるNLPシステムの開発と評価を行うことである。
2022 n2c2 Track 3の結果を提示し,データ,評価,参加,システム性能について述べる。
- 参考スコア（独自算出の注目度）: 4.867840482657326
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Daily progress notes are common types in the electronic health record (EHR)
where healthcare providers document the patient's daily progress and treatment
plans. The EHR is designed to document all the care provided to patients, but
it also enables note bloat with extraneous information that distracts from the
diagnoses and treatment plans. Applications of natural language processing
(NLP) in the EHR is a growing field with the majority of methods in information
extraction. Few tasks use NLP methods for downstream diagnostic decision
support. We introduced the 2022 National NLP Clinical Challenge (N2C2) Track 3:
Progress Note Understanding - Assessment and Plan Reasoning as one step towards
a new suite of tasks. The Assessment and Plan Reasoning task focuses on the
most critical components of progress notes, Assessment and Plan subsections
where health problems and diagnoses are contained. The goal of the task was to
develop and evaluate NLP systems that automatically predict causal relations
between the overall status of the patient contained in the Assessment section
and its relation to each component of the Plan section which contains the
diagnoses and treatment plans. The goal of the task was to identify and
prioritize diagnoses as the first steps in diagnostic decision support to find
the most relevant information in long documents like daily progress notes. We
present the results of 2022 n2c2 Track 3 and provide a description of the data,
evaluation, participation and system performance.
- Abstract（参考訳）: EHR(Electronic Health Record)では、医療提供者が患者の日々の進歩と治療計画を文書化している。
EHRは、患者に提供されたすべてのケアを文書化するように設計されていますが、診断や治療計画から逸脱する余計な情報で注意を喚起することができます。
EHRにおける自然言語処理 (NLP) の応用は、情報抽出における手法の多数と共に成長する分野である。
下流診断決定支援にNLPメソッドを使用するタスクはほとんどない。
2022 national nlp clinical challenge (n2c2) track 3: progress note understanding - assessment and plan reasoningを新しいタスクスイートへの一歩として紹介した。
アセスメントとプラン推論のタスクは、健康問題や診断を含む進歩ノート、アセスメントとプランのサブセクションの最も重要な要素に焦点を当てている。
本研究の目的は、評価部に含まれる患者の全体状態と、診断及び治療計画を含む計画部の各構成要素との因果関係を自動的に予測するnlpシステムを開発し、評価することであった。
このタスクの目的は、診断を診断決定支援の最初のステップとして特定し、優先順位付けし、日々の進歩ノートのような長い文書で最も関連性の高い情報を見つけることである。
2022 n2c2 Track 3の結果を提示し,データ,評価,参加,システム性能について述べる。
関連論文リスト
- MedPlan:A Two-Stage RAG-Based System for Personalized Medical Plan Generation [21.38221785417373]
MedPlanは、実生活のクリニックと整合する推論を構造化するフレームワークである。
本手法では、まず患者症状と客観的データに基づいて臨床評価を作成した2段階のアーキテクチャを用いて、この評価から得られた構造化された治療計画を定式化し、検索強化世代による患者固有の情報に富む。
論文 参考訳（メタデータ） (2025-03-23T02:03:56Z) - Uncertainty of Thoughts: Uncertainty-Aware Planning Enhances Information Seeking in Large Language Models [73.79091519226026]
Uncertainty of Thoughts (UoT) は、大きな言語モデルを拡張するアルゴリズムであり、効果的な質問をすることで積極的に情報を求めることができる。
医療診断、トラブルシューティング、および20の質問ゲームに関する実験において、UoTは、タスク完了の成功率において平均38.1%のパフォーマンス向上を達成した。
論文 参考訳（メタデータ） (2024-02-05T18:28:44Z) - A Review of Deep Learning Methods for Photoplethysmography Data [10.27280499967643]
Photoplethysmographyは、ポータビリティ、ユーザフレンドリな操作、非侵襲機能に長けているため、有望なデバイスである。
近年の深層学習の進歩は、個人の健康管理に関わるタスクにPSG信号を活用することで顕著な成果を上げている。
論文 参考訳（メタデータ） (2024-01-23T14:11:29Z) - A Foundational Framework and Methodology for Personalized Early and
Timely Diagnosis [84.6348989654916]
本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。
診断過程を概説する決定論的アプローチに基づいている。
機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
論文 参考訳（メタデータ） (2023-11-26T14:42:31Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳（メタデータ） (2023-10-28T12:08:03Z) - Overview of the Problem List Summarization (ProbSum) 2023 Shared Task on
Summarizing Patients' Active Diagnoses and Problems from Electronic Health
Record Progress Notes [5.222442967088892]
BioNLP Workshop 2023は、問題リスト要約に関する共有タスクの立ち上げを開始した(ProbSum)。
参加者の目標は,重篤な患者の入院から収集した毎日のケアノートからのインプットを用いて,診断と問題のリストを作成するモデルを開発することである。
8つのチームが最終システムを共有タスクのリーダーボードに提出しました。
論文 参考訳（メタデータ） (2023-06-08T15:19:57Z) - PULSAR: Pre-training with Extracted Healthcare Terms for Summarising
Patients' Problems and Data Augmentation with Black-box Large Language Models [25.363775123262307]
問題リストの形で患者の問題を自動的に要約することで、ステークホルダーが患者の状態を理解し、作業負荷と認知バイアスを減らすのに役立つ。
BioNLP 2023 共有タスク1Aは、入院中の提供者の進捗状況から診断と問題のリストを作成することに焦点を当てている。
1つのコンポーネントは、データ拡張のために大きな言語モデル(LLM)を使用し、もう1つは、リストとして要約された患者の問題を生成するための、新しいトレーニング済みの目標を持つ抽象的な要約 LLM である。
私たちのアプローチは、共有タスクへの全提出のうち、第2位でした。
論文 参考訳（メタデータ） (2023-06-05T10:17:50Z) - Summarizing Patients Problems from Hospital Progress Notes Using
Pre-trained Sequence-to-Sequence Models [9.879960506853145]
問題リストの要約には、臨床文書を理解し、抽象化し、生成するモデルが必要である。
当科では,入院時に提供者の進捗記録からの入力を用いて,患者の日常診療計画における問題点のリストを作成することを目的とした,新たなNLPタスクを提案する。
論文 参考訳（メタデータ） (2022-08-17T17:07:35Z) - A Scoping Review of Publicly Available Language Tasks in Clinical
Natural Language Processing [7.966218734325912]
バイオメディカルリサーチとコンピュータサイエンス文献データベースを含む6つのデータベースを検索した。
47のNLPタスクを有する35の論文が2007年から2021年の間に包括的基準を満たした。
論文 参考訳（メタデータ） (2021-12-07T22:49:58Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - 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) - 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。