Fugu-MT 論文翻訳(概要): Fine-tuning pre-trained extractive QA models for clinical document parsing

論文の概要: Fine-tuning pre-trained extractive QA models for clinical document parsing

arxiv url: http://arxiv.org/abs/2312.02314v1
Date: Mon, 4 Dec 2023 19:52:56 GMT
ステータス: 処理完了
システム内更新日: 2023-12-06 17:36:15.065860
Title: Fine-tuning pre-trained extractive QA models for clinical document parsing
Title（参考訳）: 臨床文書解析のための微調整事前学習抽出QAモデル
Authors: Ashwyn Sharma, David I. Feldman, Aneesh Jain
Abstract要約: 心不全(HF)患者に対する遠隔患者のモニタリングプログラムは、EF(Ejection Fraction)やLVEF(Left Ventricular Ejection Fraction)のような臨床マーカーにアクセスする必要がある。本稿では,心エコー図を解析し,EF値を検証するシステムについて述べる。このシステムは、大規模なタスクを自動化して、12ヶ月で1500時間以上、臨床医を救った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Electronic health records (EHRs) contain a vast amount of high-dimensional multi-modal data that can accurately represent a patient's medical history. Unfortunately, most of this data is either unstructured or semi-structured, rendering it unsuitable for real-time and retrospective analyses. A remote patient monitoring (RPM) program for Heart Failure (HF) patients needs to have access to clinical markers like EF (Ejection Fraction) or LVEF (Left Ventricular Ejection Fraction) in order to ascertain eligibility and appropriateness for the program. This paper explains a system that can parse echocardiogram reports and verify EF values. This system helps identify eligible HF patients who can be enrolled in such a program. At the heart of this system is a pre-trained extractive QA transformer model that is fine-tuned on custom-labeled data. The methods used to prepare such a model for deployment are illustrated by running experiments on a public clinical dataset like MIMIC-IV-Note. The pipeline can be used to generalize solutions to similar problems in a low-resource setting. We found that the system saved over 1500 hours for our clinicians over 12 months by automating the task at scale.
Abstract（参考訳）: 電子健康記録(EHR)は、患者の医療履歴を正確に表現できる大量の高次元マルチモーダルデータを含んでいる。残念なことに、これらのデータのほとんどは構造化されていないか半構造化されており、リアルタイム分析や振り返り分析には適していない。急性心不全(HF)患者に対する遠隔患者モニタリング(RPM)プログラムは、プログラムの適性や適切性を確認するために、EF(Ejection Fraction)やLVEF(Left Ventricular Ejection Fraction)のような臨床マーカーにアクセスする必要がある。本稿では,心エコー図を解析し,EF値を検証するシステムについて述べる。このシステムは、そのようなプログラムに登録可能なHF患者を特定するのに役立つ。このシステムの中心は、カスタムラベルデータに基づいて微調整された事前学習された抽出QAトランスモデルである。このようなデプロイモデルを作成するために使用される方法は、MIMIC-IV-Noteのような公開臨床データセットで実験を行うことによって説明される。パイプラインは、低リソース環境で同様の問題に対するソリューションを一般化するために使用することができる。このシステムは、大規模なタスクを自動化して、12ヶ月で1500時間以上、臨床医を救った。

関連論文リスト

Continuous max-flow augmentation of self-supervised few-shot learning on SPECT left ventricles [0.0]
本研究の目的は, 診断センターとクリニックが, 小型・低品質のSPECTラベルに基づいて自動的に心筋のセグメンテーションを行うためのレシピを提供することである。 SPECT装置の様々な領域における3次元U-Net自己教師学習(SSL)アプローチを強化するために,CMF(Continuous Max-Flow)と事前形状情報の組み合わせを開発した。
論文参考訳（メタデータ） (2024-05-09T03:19:19Z)
BESTMVQA: A Benchmark Evaluation System for Medical Visual Question Answering [8.547600133510551]
本稿では,BESTMVQAで表される医用視覚質問応答のベンチマーク評価SysTemを開発する。本システムは,Med-VQAデータセットを自動構築する上で有用なツールを提供する。簡単な構成で、ベンチマークデータセット上で選択したモデルを自動でトレーニングし、評価する。
論文参考訳（メタデータ） (2023-12-13T03:08:48Z)
Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
論文参考訳（メタデータ） (2023-12-11T21:53:40Z)
Investigating Alternative Feature Extraction Pipelines For Clinical Note Phenotyping [0.0]
医療属性の抽出に計算システムを用いると、多くの応用が期待できる。 BERTベースのモデルは、臨床ノートを一連の表現に変換するために使用することができる。そこで本研究では,ScispaCyNeumannを用いた代替パイプラインを提案する。
論文参考訳（メタデータ） (2023-10-05T02:51:51Z)
Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review and Replicability Study [60.56194508762205]
我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
論文参考訳（メタデータ） (2023-04-21T11:54:44Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Understanding Heart-Failure Patients EHR Clinical Features via SHAP Interpretation of Tree-Based Machine Learning Model Predictions [8.444557621643568]
心不全(Heart failure, HF)は、死因の一つ。機械学習モデル、具体的にはXGBoostモデルがEHRに基づいて患者ステージを正確に予測できるかどうかを検討した。以上の結果から,EHRの構造化データに基づいて,患者の退院率(EF)を適度な精度で予測できることが示唆された。
論文参考訳（メタデータ） (2021-03-20T22:17:05Z)
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)
Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文参考訳（メタデータ） (2020-05-10T01:45:03Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)
DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
論文参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。