論文の概要: Can GPT Improve the State of Prior Authorization via Guideline Based Automated Question Answering?

• arxiv url: http://arxiv.org/abs/2402.18419v2
• Date: Fri, 25 Oct 2024 16:19:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:35:35.970842
• Title: Can GPT Improve the State of Prior Authorization via Guideline Based Automated Question Answering?
• Title（参考訳）: GPTはガイドラインに基づく自動質問応答による事前認可の状況を改善することができるか?
• Authors: Shubham Vatsal, Ayush Singh, Shabnam Tafreshi,
• Abstract要約: 我々は、GPTが多くの重要な要因を検証できるかどうかを評価し、その結果、健康計画が決定を極めて早く下すのを助ける。 我々は,従来のプロンプト技術を試行するとともに,新しいプロンプト技術を導入する。 その結果,本手法はF1平均スコアが0.61であるのに対して,標準スコアに比べて優れた性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 2.148998052687786
• License:
• Abstract: Health insurance companies have a defined process called prior authorization (PA) which is a health plan cost-control process that requires doctors and other healthcare professionals to get clearance in advance from a health plan before performing a particular procedure on a patient in order to be eligible for payment coverage. For health insurance companies, approving PA requests for patients in the medical domain is a time-consuming and challenging task. One of those key challenges is validating if a request matches up to certain criteria such as age, gender, etc. In this work, we evaluate whether GPT can validate numerous key factors, in turn helping health plans reach a decision drastically faster. We frame it as a question answering task, prompting GPT to answer a question from patient electronic health record. We experiment with different conventional prompting techniques as well as introduce our own novel prompting technique. Moreover, we report qualitative assessment by humans on the natural language generation outputs from our approach. Results show that our method achieves superior performance with the mean weighted F1 score of 0.61 as compared to its standard counterparts.
• Abstract（参考訳）: 医療保険会社は、患者に特定の処置を施す前に、医師や他の医療従事者が医療計画から前もってクリアランスを得ることを要求する健康計画コスト管理プロセスである事前認可(PA)と呼ばれるプロセスを有する。 医療保険会社にとって、医療分野の患者に対するPA要求の承認は、時間がかかり、困難な作業である。 これらの重要な課題の1つは、要求が年齢、性別などの特定の基準に合致するかどうかを検証することである。 本研究は、GPTが多くの重要な要因を検証できるかどうかを評価し、その結果、健康計画が決定を極めて早く下すのを助ける。 我々はこれを質問応答タスクとみなし、患者の電子的健康記録から質問に答えるよう促す。 従来のプロンプト技術を用いて実験を行い、新しいプロンプト技術を導入する。 また,本手法による自然言語生成の質的評価について報告する。 その結果,本手法はF1平均スコアが0.61であるのに対して,標準スコアに比べて優れた性能が得られることがわかった。

関連論文リスト

• Prompt-based Personalized Federated Learning for Medical Visual Question Answering [56.002377299811656]
  本稿では,データの不均一性とプライバシの懸念に対処するための,新しいプロンプトベースのパーソナライズド・フェデレーション・ラーニング(pFL)手法を提案する。 我々は、異なる臓器からの医療データセットをクライアントとみなし、各クライアントに対してパーソナライズされたトランスフォーマーベースのVQAモデルをトレーニングするためにpFLを使用する。
  論文  参考訳（メタデータ） (2024-02-15T03:09:54Z)
• Adaptive questionnaires for facilitating patient data entry in clinical decision support systems: Methods and application to STOPP/START v2 [1.8374319565577155]
  本稿では,適応型アンケートを用いて患者データ入力を簡略化する独自のソリューションを提案する。 ルールに基づく意思決定支援システムを考えると,臨床ルールを表示規則に翻訳する手法を考案した。 アンケート調査の結果, 臨床症状の約3分の2減らすことができることがわかった。
  論文  参考訳（メタデータ） (2023-09-19T07:59:13Z)
• RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19 Assessment in Primary Care [45.43645878061283]
  本稿では,患者相談の前後に書かれた生のGP医療ノートから知識グラフ構築を行うフレームワークを提案する。 私たちの知識グラフには、既存の患者の症状、その持続時間、重症度に関する情報が含まれています。 本フレームワークを英国における新型コロナウイルス患者の相談ノートに適用する。
  論文  参考訳（メタデータ） (2023-06-17T23:35:51Z)
• Evaluating COVID-19 vaccine allocation policies using Bayesian $m$-top exploration [53.122045119395594]
  マルチアーム・バンディット・フレームワークを用いてワクチンのアロケーション戦略を評価する新しい手法を提案する。 $m$-top Exploringにより、アルゴリズムは最高のユーティリティを期待する$m$ポリシーを学ぶことができる。 ベルギーのCOVID-19流行を個人モデルSTRIDEを用いて検討し、予防接種方針のセットを学習する。
  論文  参考訳（メタデータ） (2023-01-30T12:22:30Z)
• Relative Sparsity for Medical Decision Problems [0.0]
  医療提供者や患者に対して、新しい方針が現在のケアの基準とどのように異なるかを説明することが重要であることが多い。 我々は,lambda$を選択し,シミュレーションを行い,実際の医療データセットを用いて本手法を説明するための基準を提案する。
  論文  参考訳（メタデータ） (2022-11-29T20:00:11Z)
• Medical Question Understanding and Answering with Knowledge Grounding and Semantic Self-Supervision [53.692793122749414]
  本稿では,知識基盤とセマンティック・セルフスーパービジョンを備えた医療質問理解・回答システムについて紹介する。 我々のシステムは、まず、教師付き要約損失を用いて、長い医学的、ユーザによる質問を要約するパイプラインである。 システムはまず、信頼された医療知識ベースから要約されたユーザ質問とFAQとをマッチングし、対応する回答文書から一定の数の関連文を検索する。
  論文  参考訳（メタデータ） (2022-09-30T08:20:32Z)
• Machine learning-based patient selection in an emergency department [0.0]
  本稿では機械学習(ML)に基づく患者選択手法の可能性について検討する。 システムの包括的な状態表現と、複雑な非線形選択関数が組み込まれている。 その結果,提案手法は評価条件の大部分においてAPQ法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-06-08T08:56:52Z)
• Q-Pain: A Question Answering Dataset to Measure Social Bias in Pain Management [5.044336341666555]
  痛み管理の文脈におけるQAのバイアスを評価するためのデータセットであるQ-Painを紹介する。 本稿では, 治療決定の際に生じる潜在的なバイアスを測定するための, 実験設計のサンプルを含む, 厳密な新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T21:55:28Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• Interpretable Multi-Step Reasoning with Knowledge Extraction on Complex Healthcare Question Answering [89.76059961309453]
  HeadQAデータセットには、公衆医療専門試験で認可された複数の選択質問が含まれている。 これらの質問は、現在のQAシステムにとって最も難しいものです。 知識抽出フレームワーク(MurKe)を用いた多段階推論を提案する。 市販の事前訓練モデルを完全に活用しようと努力しています。
  論文  参考訳（メタデータ） (2020-08-06T02:47:46Z)

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。