論文の概要: EHRTutor: Enhancing Patient Understanding of Discharge Instructions
- arxiv url: http://arxiv.org/abs/2310.19212v1
- Date: Mon, 30 Oct 2023 00:46:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 13:48:56.706705
- Title: EHRTutor: Enhancing Patient Understanding of Discharge Instructions
- Title(参考訳): EHRTutor:患者の放電指示の理解を促進する
- Authors: Zihao Zhang, Zonghai Yao, Huixue Zhou, Feiyun ouyang, Hong Yu
- Abstract要約: 本稿では,Large Language Model(LLM)を利用した,対話型質問応答による患者教育のための革新的なマルチコンポーネントフレームワークであるEHRTutorを提案する。
まず、電子健康記録排出指示に関する質問を定式化する。
そして、各質問をテストとして実施することにより、会話を通じて患者を教育する。最後に、会話の最後に要約を生成する。
- 参考スコア(独自算出の注目度): 11.343429138567572
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models have shown success as a tutor in education in various
fields. Educating patients about their clinical visits plays a pivotal role in
patients' adherence to their treatment plans post-discharge. This paper
presents EHRTutor, an innovative multi-component framework leveraging the Large
Language Model (LLM) for patient education through conversational
question-answering. EHRTutor first formulates questions pertaining to the
electronic health record discharge instructions. It then educates the patient
through conversation by administering each question as a test. Finally, it
generates a summary at the end of the conversation. Evaluation results using
LLMs and domain experts have shown a clear preference for EHRTutor over the
baseline. Moreover, EHRTutor also offers a framework for generating synthetic
patient education dialogues that can be used for future in-house system
training.
- Abstract(参考訳): 大規模言語モデルは様々な分野の教育の教師として成功している。
臨床受診を患者に教えることは、退院後の治療計画に患者が固執する上で重要な役割を担っている。
本稿では,大規模言語モデル(llm)を活用した会話型質問応答による患者教育のための革新的多成分フレームワークであるehrtutorを提案する。
EHRTutorはまず、電子健康記録排出指示に関する質問を定式化する。
そして、各質問をテストとして管理することで、会話を通じて患者を教育する。
最後に、会話の最後に要約を生成する。
LLMとドメインエキスパートによる評価結果は、ベースラインよりもEHRTutorの方が明確な選択であることを示している。
さらに、EHRTutorは、将来の社内システムトレーニングに使用できる合成患者教育対話を生成するためのフレームワークも提供する。
関連論文リスト
- Recent Advances in Predictive Modeling with Electronic Health Records [73.31880579203012]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳(メタデータ) (2024-02-02T00:31:01Z) - EHR Interaction Between Patients and AI: NoteAid EHR Interaction [7.880641398866267]
本稿では, 患者教育を支援するために, ジェネレーティブLLMを用いた革新的アプローチである NoteAid EHR Interaction Pipeline を紹介する。
MADE医療ノートコレクションからMIMIC Discharge Summariesと876のインスタンスから10,000のインスタンスを含むデータセットを抽出し、NoteAid EHR Interaction Pipelineを通して2つのタスクを実行する。
LLM評価と64例の厳密な手作業によるデータセット全体の総合的な評価を通じて,患者教育におけるLLMの可能性を示す。
論文 参考訳(メタデータ) (2023-12-29T05:13:40Z) - README: Bridging Medical Jargon and Lay Understanding for Patient
Education through Data-Centric NLP [9.746045026596638]
医療用語を患者に親しみやすい平易な言語に簡略化することを目的とした,レイ定義の自動生成という新たなタスクを導入する。
私たちはまず、2万以上のユニークな医療用語と30万件の言及からなるデータセットを作成しました。
また、データフィルタリング、拡張、選択を相乗化してデータ品質を改善する、データ中心のHuman-AIパイプラインも開発しました。
論文 参考訳(メタデータ) (2023-12-24T23:01:00Z) - PaniniQA: Enhancing Patient Education Through Interactive Question
Answering [25.717709820995367]
PaniniQAは、患者の退院指示を理解するために設計された、患者中心の対話型質問応答システムである。
パニーニQAは、まず患者の退院指示から重要な臨床内容を特定し、その後、患者固有の教育的質問を定式化する。
論文 参考訳(メタデータ) (2023-08-07T02:18:23Z) - Generating medically-accurate summaries of patient-provider dialogue: A
multi-stage approach using large language models [6.252236971703546]
効果的な要約は、対話におけるすべての医学的関連情報を一貫性と精度良く捉えることが要求される。
本稿では, 医療会話の要約問題に, タスクを, より小さな対話に基づくタスクに分解することで対処する。
論文 参考訳(メタデータ) (2023-05-10T08:48:53Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳(メタデータ) (2023-03-23T04:47:46Z) - Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。
生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。
今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文 参考訳(メタデータ) (2022-11-13T01:07:23Z) - A Benchmark for Automatic Medical Consultation System: Frameworks, Tasks
and Datasets [70.32630628211803]
本稿では,医師と患者との対話理解とタスク指向インタラクションという,医療相談の自動化を支援する2つの枠組みを提案する。
マルチレベルな微粒なアノテーションを付加した新しい大規模医療対話データセットが導入された。
本稿では,各タスクに対するベンチマーク結果のセットを報告し,データセットのユーザビリティを示し,今後の研究のベースラインを設定する。
論文 参考訳(メタデータ) (2022-04-19T16:43:21Z) - Doctor Recommendation in Online Health Forums via Expertise Learning [12.264865055778388]
本稿では,患者を専門知識を持つ医師に自動ペア化するための,医師推薦の新たな課題について検討する。
本研究は, 他患者とのプロフィールと過去の対話の併用効果について検討し, 自己学習による対話を探求するものである。
実験のためには、中国のオンライン健康フォーラムであるChunyu Yishengから大規模なデータセットが収集されている。
論文 参考訳(メタデータ) (2022-03-06T10:39:48Z) - VBridge: Connecting the Dots Between Features, Explanations, and Data
for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。
我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。
症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文 参考訳(メタデータ) (2021-08-04T17:34:13Z) - MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware
Medical Dialogue Generation [86.38736781043109]
MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。
MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。
実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
論文 参考訳(メタデータ) (2020-10-15T03:34:33Z)
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。