論文の概要: Conceptualizing Machine Learning for Dynamic Information Retrieval of
Electronic Health Record Notes
- arxiv url: http://arxiv.org/abs/2308.08494v1
- Date: Wed, 9 Aug 2023 21:04:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-20 16:21:11.778931
- Title: Conceptualizing Machine Learning for Dynamic Information Retrieval of
Electronic Health Record Notes
- Title（参考訳）: 電子健康記録の動的情報検索のための概念化機械学習
- Authors: Sharon Jiang, Shannon Shen, Monica Agrawal, Barbara Lam, Nicholas
Kurtzman, Steven Horng, David Karger, David Sontag
- Abstract要約: 本研究は、特定の臨床コンテキストにおける注記関連性の監督源として、機械学習におけるEHR監査ログの使用を概念化したものである。
本手法は,個々のノート作成セッションでどのノートが読み込まれるかを予測するために0.963のAUCを実現できることを示す。
- 参考スコア（独自算出の注目度）: 6.1656026560972
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The large amount of time clinicians spend sifting through patient notes and
documenting in electronic health records (EHRs) is a leading cause of clinician
burnout. By proactively and dynamically retrieving relevant notes during the
documentation process, we can reduce the effort required to find relevant
patient history. In this work, we conceptualize the use of EHR audit logs for
machine learning as a source of supervision of note relevance in a specific
clinical context, at a particular point in time. Our evaluation focuses on the
dynamic retrieval in the emergency department, a high acuity setting with
unique patterns of information retrieval and note writing. We show that our
methods can achieve an AUC of 0.963 for predicting which notes will be read in
an individual note writing session. We additionally conduct a user study with
several clinicians and find that our framework can help clinicians retrieve
relevant information more efficiently. Demonstrating that our framework and
methods can perform well in this demanding setting is a promising proof of
concept that they will translate to other clinical settings and data modalities
(e.g., labs, medications, imaging).
- Abstract（参考訳）: 臨床医が患者のメモや電子健康記録(ehrs)の文書化に費やす時間が多いことは、臨床医のバーンアウトの主要な原因である。
ドキュメンテーションプロセス中に関連文書を積極的に動的に検索することにより、関連する患者履歴を見つけるのに必要な労力を減らすことができる。
本研究では,特定の時点において,特定の臨床文脈における注記関連性の監督の源泉として,機械学習における EHR 監査ログの使用を概念化する。
本評価は,情報検索とノートライティングのユニークなパターンを持つ高明度設定である救急部における動的検索に焦点をあてる。
本手法は,個々のノート作成セッションでどのノートが読み込まれるかを予測するために0.963のAUCを実現できることを示す。
さらに,いくつかの臨床医とユーザスタディを行い,臨床医がより効率的に関連情報を検索するのに役立つことを発見した。
この要求された設定で我々のフレームワークとメソッドがうまく機能することを実証することは、他の臨床設定やデータモダリティ(例えば、ラボ、医薬品、イメージング)に翻訳するという概念の有望な証明である。
関連論文リスト
- Improving Clinical Note Generation from Complex Doctor-Patient Conversation [20.2157016701399]
大言語モデル(LLM)を用いた臨床ノート作成分野への3つの重要な貢献について述べる。
まず、CliniKnoteを紹介します。CliniKnoteは、1200の複雑な医師と患者との会話と、その全臨床ノートを組み合わせたデータセットです。
第2に,従来のSOAPcitepodder20soap(Subjective, Objective, Assessment, Plan)のメモを上位にキーワードセクションを追加することで,必須情報の迅速な識別を可能にするK-SOAPを提案する。
第3に、医師と患者との会話からK-SOAPノートを生成する自動パイプラインを開発し、様々な近代LCMをベンチマークする。
論文 参考訳（メタデータ） (2024-08-26T18:39:31Z) - 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) - User-Driven Research of Medical Note Generation Software [49.85146209418244]
本稿では,医療用ノート生成システム開発における3ラウンドのユーザスタディについて述べる。
参加する臨床医の印象と,システムがどのようにそれらに価値あるものに適合すべきかの視点について論じる。
遠隔医療における3週間のシステムテストについて述べる。
論文 参考訳（メタデータ） (2022-05-05T10:18:06Z) - Human Evaluation and Correlation with Automatic Metrics in Consultation
Note Generation [56.25869366777579]
近年,機械学習モデルによる臨床相談ノートの作成が急速に進んでいる。
5人の臨床医が57件のモック・コンサルテーションを聴き、自作のノートを書き、自動的に生成されたノートを編集し、全てのエラーを抽出する、広範囲にわたる人的評価研究を行った。
単純な文字ベースのLevenshtein距離測定は、BertScoreのような一般的なモデルベースの測定値に比較して、同等に動作します。
論文 参考訳（メタデータ） (2022-04-01T14:04:16Z) - 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) - 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) - Attention-based Clinical Note Summarization [1.52292571922932]
臨床ノートに有意なフレーズを抽出的に要約するマルチヘッドアテンションに基づくメカニズムを提案する。
このメソッドは、トークン、セグメント、および位置埋め込みを関連付けて要約のための主要な文を検索します。
論文 参考訳（メタデータ） (2021-04-18T19:40:26Z) - Performance of Automatic De-identification Across Different Note Types [0.8399688944263842]
患者のプライバシーと機密性に関する懸念は、研究のための臨床ノートの使用を制限する。
本稿では,ワシントン大学のさまざまなノートに,NeuroNER1と呼ばれる最先端のde-idシステムの性能を示す。
論文 参考訳（メタデータ） (2021-02-17T00:55:40Z) - 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) - Ontology-driven weak supervision for clinical entity classification in
electronic health records [6.815543071244677]
医用および専門的ルールを用いた弱教師付きエンティティ分類のためのフレームワークであるTroveを提案する。
手書きのメモとは異なり、私たちのアプローチは共有や修正が容易ですが、手動でラベル付けされたトレーニングデータに匹敵するパフォーマンスを提供しています。
論文 参考訳（メタデータ） (2020-08-05T07:42:09Z) - Fast, Structured Clinical Documentation via Contextual Autocomplete [6.919190099968202]
本稿では、学習した自動補完機構を用いて、半構造化された臨床文書の迅速な作成を容易にするシステムを提案する。
そこで我々は,非構造化医療データと構造化医療データの両方の特徴を活用して,医師がノートを起草する際の関連する臨床概念を動的に提案する。
本アルゴリズムでは, 医療用語から抽出した臨床概念のクリーンなラベルで, 自動的に注釈を付けることができる。
論文 参考訳（メタデータ） (2020-07-29T23:43:15Z)
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。