論文の概要: Extracting Physical Rehabilitation Exercise Information from Clinical Notes: a Comparison of Rule-Based and Machine Learning Natural Language Processing Techniques

• arxiv url: http://arxiv.org/abs/2303.13466v1
• Date: Wed, 22 Mar 2023 13:46:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 13:13:06.026415
• Title: Extracting Physical Rehabilitation Exercise Information from Clinical Notes: a Comparison of Rule-Based and Machine Learning Natural Language Processing Techniques
• Title（参考訳）: 臨床ノートから身体リハビリテーション運動情報を抽出する:ルールベースと機械学習自然言語処理技術の比較
• Authors: Stephen W. Shaffran, Fengyi Gao, Parker E. Denny, Bayan M. Aldhahwani, Allyn Bove, Shyam Visweswaran, Yanshan Wang
• Abstract要約: 本稿では,脳卒中患者に対するアノテート処置のためのルールベース自然言語処理アルゴリズムを提案する。 個々のエクササイズ記述は、fスコアが0.75未満のバイナリラベルに割り当てられる。
• 参考スコア（独自算出の注目度）: 3.3196041272277306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical rehabilitation plays a crucial role in the recovery process of post-stroke patients. By personalizing therapies for patients leveraging predictive modeling and electronic health records (EHRs), healthcare providers can make the rehabilitation process more efficient. Before predictive modeling can provide decision support for the assignment of treatment plans, automated methods are necessary to extract physical rehabilitation exercise information from unstructured EHRs. We introduce a rule-based natural language processing algorithm to annotate therapeutic procedures for stroke patients and compare it to several small machine learning models. We find that our algorithm outperforms these models in extracting half of the concepts where sufficient data is available, and individual exercise descriptions can be assigned binary labels with an f-score of no less than 0.75 per concept. More research needs to be done before these algorithms can be deployed on unlabeled documents, but current progress gives promise to the potential of precision rehabilitation research.
• Abstract（参考訳）: 身体リハビリテーションは術後患者の回復過程において重要な役割を担っている。 予測モデリングと電子健康記録(EHR)を活用する患者に対する療法をパーソナライズすることで、医療提供者はリハビリテーションプロセスをより効率的にすることができる。 予測モデリングが治療計画の割り当てに決定的支援を与える前に、非構造的EHRから身体的リハビリテーション運動情報を抽出する自動化手法が必要である。 脳卒中患者の治療手順をアノテートし、いくつかの小型機械学習モデルと比較するためのルールベースの自然言語処理アルゴリズムを提案する。 我々のアルゴリズムは、十分なデータが利用可能な概念の半数を抽出することでこれらのモデルよりも優れており、個々のエクササイズ記述は、概念毎に0.75以下のfスコアでバイナリラベルを割り当てることができる。 これらのアルゴリズムがラベルのない文書にデプロイされる前にさらなる研究を行う必要があるが、現在の進歩は精度回復研究の可能性を約束している。

関連論文リスト

• Precision Rehabilitation for Patients Post-Stroke based on Electronic Health Records and Machine Learning [3.972100195623647]
  ピッツバーグ大学メディカルセンターから265名の脳卒中患者のデータを収集した。 影響のあるエクササイズを特定するために、我々はChi-square test, Fisher's exact test, and logistic regression for odds ratioを用いた。 術後機能改善に寄与する3つのリハビリテーション運動について検討した。
  論文  参考訳（メタデータ） (2024-05-09T04:06:44Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
  本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
  論文  参考訳（メタデータ） (2023-08-09T07:51:40Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• FineEHR: Refine Clinical Note Representations to Improve Mortality Prediction [3.9026461169566673]
  大規模な電子健康記録は、臨床テキストとバイタルサインデータの豊富な機械学習モデルを提供する。 臨床ノート分析のための高度な自然言語処理(NLP)アルゴリズムの出現にもかかわらず、生臨床データに存在する複雑なテキスト構造とノイズは重大な課題となっている。 本稿では,2つの表現学習技術,すなわちメートル法学習と微調整技術を用いて,臨床ノートの埋め込みを洗練させるシステムFINEEHRを提案する。
  論文  参考訳（メタデータ） (2023-04-24T02:42:52Z)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)
• Automated Fidelity Assessment for Strategy Training in Inpatient Rehabilitation using Natural Language Processing [53.096237570992294]
  戦略トレーニング (Strategy Training) とは、脳卒中後の認知障害患者に障害を減らすためのスキルを教える、リハビリテーションのアプローチである。 標準化された忠実度評価は治療原則の遵守度を測定するために用いられる。 本研究では,ルールベースNLPアルゴリズム,長短項メモリ(LSTM)モデル,および変換器(BERT)モデルからの双方向エンコーダ表現を開発した。
  論文  参考訳（メタデータ） (2022-09-14T15:33:30Z)
• Exploring traditional machine learning for identification of pathological auscultations [0.39577682622066246]
  各種機械学習シナリオにおいて,45例のデジタル6チャンネル聴取を行った。 目的は,正常な肺と異常な肺の音を区別することであった。 監視されていないモデルよりも一貫した優位性を示した。
  論文  参考訳（メタデータ） (2022-09-01T18:03:21Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• Natural language processing to identify lupus nephritis phenotype in electronic health records [11.714947406532932]
  ループス腎炎は、臓器損傷と死亡に対するSLEの主要な疾患の1つである。 EHRデータを用いた自然言語処理(NLP)によりループス腎炎を同定するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-12-20T19:33:50Z)

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。