論文の概要: EHR Interaction Between Patients and AI: NoteAid EHR Interaction
- arxiv url: http://arxiv.org/abs/2312.17475v1
- Date: Fri, 29 Dec 2023 05:13:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-02 13:42:08.082500
- Title: EHR Interaction Between Patients and AI: NoteAid EHR Interaction
- Title（参考訳）: 患者とAIの EHR インタラクション:注意: EHR インタラクション
- Authors: Xiaocheng Zhang, Zonghai Yao, Hong Yu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.880641398866267
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid advancement of Large Language Models (LLMs) and their
outstanding performance in semantic and contextual comprehension, the potential
of LLMs in specialized domains warrants exploration. This paper introduces the
NoteAid EHR Interaction Pipeline, an innovative approach developed using
generative LLMs to assist in patient education, a task stemming from the need
to aid patients in understanding Electronic Health Records (EHRs). Building
upon the NoteAid work, we designed two novel tasks from the patient's
perspective: providing explanations for EHR content that patients may not
understand and answering questions posed by patients after reading their EHRs.
We extracted datasets containing 10,000 instances from MIMIC Discharge
Summaries and 876 instances from the MADE medical notes collection,
respectively, executing the two tasks through the NoteAid EHR Interaction
Pipeline with these data. Performance data of LLMs on these tasks were
collected and constructed as the corresponding NoteAid EHR Interaction Dataset.
Through a comprehensive evaluation of the entire dataset using LLM assessment
and a rigorous manual evaluation of 64 instances, we showcase the potential of
LLMs in patient education. Besides, the results provide valuable data support
for future exploration and applications in this domain while also supplying
high-quality synthetic datasets for in-house system training.
- Abstract（参考訳）: 大規模言語モデル(LLM)の急速な進歩と意味的・文脈的理解における卓越した性能により、特殊領域におけるLLMの可能性は探索を保証している。
本報告では,患者を電子健康記録(EHR)の理解に役立てる必要性に起因した課題である,患者教育を支援するためのジェネレーティブ 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。
本研究は, 患者がEHRを読んだ後, 患者が提示する疑問に答えることのできない, EHR内容の説明の提供という, 患者の視点からの2つの新しい課題を考案した。
これらのデータとnoteaid ehrインタラクションパイプラインを通じて,made medical notes collectionから1万インスタンスを含むデータセットと876インスタンスをそれぞれ抽出し,2つのタスクの実行を行った。
これらのタスクにおけるLCMの性能データを収集し,対応するNoteAid EHRインタラクションデータセットとして構築した。
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。
さらに、この領域における将来の探索と応用のための貴重なデータを提供し、また、社内システムトレーニングのための高品質な合成データセットも提供する。
関連論文リスト
- Evaluating LLM Abilities to Understand Tabular Electronic Health Records: A Comprehensive Study of Patient Data Extraction and Retrieval [1.986227187900497]
我々はMIMICデータセットを用いて実験を行い、素早い構造、命令、文脈、実演の影響を探索する。
その結果,最適特徴選択とシリアライズ手法はタスク性能を最大26.79%向上させることができた。
実例選択によるインコンテキスト学習では,データ抽出性能が5.95%向上した。
論文 参考訳（メタデータ） (2025-01-16T08:52:50Z) - LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。
本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。
実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
論文 参考訳（メタデータ） (2025-01-07T08:49:04Z) - HERM: Benchmarking and Enhancing Multimodal LLMs for Human-Centric Understanding [68.4046326104724]
本稿では,MLLMの人間中心理解能力を評価するベンチマークであるHERM-Benchを紹介する。
我々の研究は、複雑な人間中心のシナリオを理解する上で、既存のMLLMの限界を明らかにする。
我々は、MLLMのトレーニングを強化することを目的とした、多レベルな人間中心アノテーションを備えた包括的なデータセットHERM-100Kを提案する。
論文 参考訳（メタデータ） (2024-10-09T11:14:07Z) - Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。
VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。
本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-29T23:19:28Z) - README: Bridging Medical Jargon and Lay Understanding for Patient Education through Data-Centric NLP [9.432205523734707]
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。
このデータセットは、5万以上のユニークな(医療用語、日常の定義)ペアと30万の言及からなる。
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) - EHRTutor: Enhancing Patient Understanding of Discharge Instructions [11.343429138567572]
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。
論文 参考訳（メタデータ） (2023-10-30T00:46:03Z) - Retrieving Evidence from EHRs with LLMs: Possibilities and Challenges [18.56314471146199]
時間的制約を伴って患者に関連付けられた大量のメモは、実質的に不可能な証拠を手作業で特定する。
患者EHRにおける非構造的証拠を効率よく回収・要約するためのメカニズムとして, LLMを用いたゼロショット戦略を提案し, 評価した。
論文 参考訳（メタデータ） (2023-09-08T18:44:47Z) - MedAlign: A Clinician-Generated Dataset for Instruction Following with
Electronic Medical Records [60.35217378132709]
大型言語モデル(LLM)は、人間レベルの流布で自然言語の指示に従うことができる。
医療のための現実的なテキスト生成タスクにおけるLCMの評価は依然として困難である。
我々は、EHRデータのための983の自然言語命令のベンチマークデータセットであるMedAlignを紹介する。
論文 参考訳（メタデータ） (2023-08-27T12:24:39Z) - PULSAR: Pre-training with Extracted Healthcare Terms for Summarising
Patients' Problems and Data Augmentation with Black-box Large Language Models [25.363775123262307]
問題リストの形で患者の問題を自動的に要約することで、ステークホルダーが患者の状態を理解し、作業負荷と認知バイアスを減らすのに役立つ。
BioNLP 2023 共有タスク1Aは、入院中の提供者の進捗状況から診断と問題のリストを作成することに焦点を当てている。
1つのコンポーネントは、データ拡張のために大きな言語モデル(LLM)を使用し、もう1つは、リストとして要約された患者の問題を生成するための、新しいトレーニング済みの目標を持つ抽象的な要約 LLM である。
私たちのアプローチは、共有タスクへの全提出のうち、第2位でした。
論文 参考訳（メタデータ） (2023-06-05T10:17:50Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z) - 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)
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。