論文の概要: DS4DH at #SMM4H 2023: Zero-Shot Adverse Drug Events Normalization using
Sentence Transformers and Reciprocal-Rank Fusion
- arxiv url: http://arxiv.org/abs/2308.12877v2
- Date: Wed, 27 Sep 2023 13:41:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 18:48:33.150799
- Title: DS4DH at #SMM4H 2023: Zero-Shot Adverse Drug Events Normalization using
Sentence Transformers and Reciprocal-Rank Fusion
- Title（参考訳）: ds4dh at #smm4h 2023: zero-shot adverse drug events normalization using sentence transformers and reciprocal-rank fusion
- Authors: Anthony Yazdani, Hossein Rouhizadeh, David Vicente Alvarez, Douglas
Teodoro
- Abstract要約: 本稿では,有害薬物事象正規化システムの性能評価について概説する。
Data Science for Digital Health (DS4DH) Group for the Social Media Mining for Health Applications (SMM4H) 2023 によって開発された。
- 参考スコア（独自算出の注目度）: 0.06554326244334868
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper outlines the performance evaluation of a system for adverse drug
event normalization, developed by the Data Science for Digital Health (DS4DH)
group for the Social Media Mining for Health Applications (SMM4H) 2023 shared
task 5. Shared task 5 targeted the normalization of adverse drug event mentions
in Twitter to standard concepts of the Medical Dictionary for Regulatory
Activities terminology. Our system hinges on a two-stage approach: BERT
fine-tuning for entity recognition, followed by zero-shot normalization using
sentence transformers and reciprocal-rank fusion. The approach yielded a
precision of 44.9%, recall of 40.5%, and an F1-score of 42.6%. It outperformed
the median performance in shared task 5 by 10% and demonstrated the highest
performance among all participants. These results substantiate the
effectiveness of our approach and its potential application for adverse drug
event normalization in the realm of social media text mining.
- Abstract（参考訳）: 本稿では,ds4dh (data science for digital health) group for the social media mining for health applications (smm4h) 2023 shared task 5 による有害薬物イベント正規化システムの性能評価について概説する。
共有タスク5は、規制活動用語のための医学的辞書の標準概念へのtwitterにおける有害薬物事象の言及の正規化を目標とした。
BERTファインタニングと文変換器によるゼロショット正規化と相互ランク融合という2段階のアプローチが特徴である。
精度は44.9%、リコールは40.5%、F1スコアは42.6%だった。
これは共有タスク5の中央値のパフォーマンスを10%上回り、すべての参加者の中で最高のパフォーマンスを示した。
これらの結果は,ソーシャルメディアのテキストマイニング分野における薬物イベント正規化の有効性と,その潜在的応用を実証するものである。
関連論文リスト
- LT4SG@SMM4H24: Tweets Classification for Digital Epidemiology of Childhood Health Outcomes Using Pre-Trained Language Models [1.0312118123538199]
本稿では,子どもの医学的障害を報告した英語ツイートのバイナリ分類について,SMM4H24共有タスク5に対するアプローチを提案する。
テストデータに対するF1スコアの0.938を達成し,ベンチマークを1.18%上回った。
論文 参考訳（メタデータ） (2024-06-11T22:48:18Z) - ThangDLU at #SMM4H 2024: Encoder-decoder models for classifying text data on social disorders in children and adolescents [49.00494558898933]
本稿では,#SMM4H (Social Media Mining for Health) 2024 Workshopのタスク3とタスク5への参加について述べる。
タスク3は、屋外環境が社会不安の症状に与える影響を議論するツイートを中心にした多クラス分類タスクである。
タスク5は、子供の医学的障害を報告しているツイートに焦点を当てたバイナリ分類タスクを含む。
BART-baseやT5-smallのような事前訓練されたエンコーダデコーダモデルからの転送学習を適用し、与えられたツイートの集合のラベルを同定した。
論文 参考訳（メタデータ） (2024-04-30T17:06:20Z) - Capabilities of Gemini Models in Medicine [100.60391771032887]
医療専門のマルチモーダルモデルであるMed-Geminiを紹介する。
メドジェニーニを14の医療ベンチマークで評価し,その内10に新たな最先端(SoTA)性能を確立した。
我々の結果は、Med-Geminiの可能性を示唆する証拠を提供するが、より厳密な評価は実世界の展開に先立って重要である。
論文 参考訳（メタデータ） (2024-04-29T04:11:28Z) - tmn at #SMM4H 2023: Comparing Text Preprocessing Techniques for
Detecting Tweets Self-reporting a COVID-19 Diagnosis [1.8492669447784602]
本稿では,SMM4H 2023におけるタスク1のために開発されたシステムについて述べる。
このタスクの目的は、新型コロナウイルス(COVID-19)の診断を自己報告するツイートと、そうでないツイートを自動的に区別することだ。
論文 参考訳（メタデータ） (2023-11-01T07:41:23Z) - Boosting Adverse Drug Event Normalization on Social Media:
General-Purpose Model Initialization and Biomedical Semantic Text Similarity
Benefit Zero-Shot Linking in Informal Contexts [0.32228025627337864]
本稿では,ソーシャルメディア上での有害薬物事象の正規化に対する新たなアプローチを提案する。
いくつかのソーシャルメディアデータセットに対する実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-07-31T21:12:06Z) - Operationalizing Counterfactual Metrics: Incentives, Ranking, and
Information Asymmetry [62.53919624802853]
このような平均的な治療結果の指標から生じるインセンティブのずれを分析した。
本稿では,患者が対象とするランキングシステムにおいて,対物メトリクスを合理的に振る舞うように修正する方法を示す。
論文 参考訳（メタデータ） (2023-05-24T00:24:38Z) - COVID-19 event extraction from Twitter via extractive question answering
with continuous prompts [4.447838938807983]
我々は,言語モデルにおける連続的プロンプトの最近の進歩を利用して,イベント抽出の問題を抽出的質問応答として用いた。
我々のアブレーション調査は、連続的なプロンプトが最終的なパフォーマンスに大きな影響を与えていることを示している。
論文 参考訳（メタデータ） (2023-03-19T13:47:56Z) - Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。
我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。
提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
論文 参考訳（メタデータ） (2022-12-10T03:43:23Z) - Incorporating Emotions into Health Mention Classification Task on Social
Media [70.23889100356091]
情緒的特徴を取り入れた健康言及分類のための枠組みを提案する。
我々は,ソーシャルメディアプラットフォームによる5つのHMC関連データセットに対するアプローチを評価した。
以上の結果から,感情的な知識を取り入れたHMCモデルが有効な選択肢であることが示唆された。
論文 参考訳（メタデータ） (2022-12-09T18:38:41Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Want to Identify, Extract and Normalize Adverse Drug Reactions in
Tweets? Use RoBERTa [5.33024001730262]
本稿では,ソーシャル・メディア・マイニング・フォー・ヘルス(SMM4H)2020におけるタスク2とタスク3の取り組みについて述べる。
タスク2では、有害薬物反応(ADR)ツイートと非ADRツイートを区別し、バイナリ分類として扱う。
タスク3では、ADR参照を抽出し、MedDRAコードにマッピングする。
我々のモデルは、平均スコアよりも大幅に改善された両方のタスクにおいて、有望な結果を達成する。
論文 参考訳（メタデータ） (2020-06-29T16:10:27Z)
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。