Fugu-MT 論文翻訳(概要): PRECISE Framework: GPT-based Text For Improved Readability, Reliability, and Understandability of Radiology Reports For Patient-Centered Care

論文の概要: PRECISE Framework: GPT-based Text For Improved Readability, Reliability, and Understandability of Radiology Reports For Patient-Centered Care

arxiv url: http://arxiv.org/abs/2403.00788v1
Date: Tue, 20 Feb 2024 04:26:31 GMT
ステータス: 処理完了
システム内更新日: 2024-03-11 00:10:11.096776
Title: PRECISE Framework: GPT-based Text For Improved Readability, Reliability, and Understandability of Radiology Reports For Patient-Centered Care
Title（参考訳）: 正確な枠組み:gptによる患者中心ケアのための放射線レポートの可読性,信頼性,理解性の向上
Authors: Satvik Tripathi, Liam Mutter, Meghana Muppuri, Suhani Dheer, Emiliano Garza-Frias, Komal Awan, Aakash Jha, Michael Dezube, Azadeh Tabari, Christopher P. Bridge, Dania Daye
Abstract要約: PreCISEは、より明瞭でアクセスしやすい胸部X線レポートを6グレードのレベルで提供する。このフレームワークは500のレポートでテストされ、可読性、信頼性、理解性を大幅に改善した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study introduces and evaluates the PRECISE framework, utilizing OpenAI's GPT-4 to enhance patient engagement by providing clearer and more accessible chest X-ray reports at a sixth-grade reading level. The framework was tested on 500 reports, demonstrating significant improvements in readability, reliability, and understandability. Statistical analyses confirmed the effectiveness of the PRECISE approach, highlighting its potential to foster patient-centric care delivery in healthcare decision-making.
Abstract（参考訳）: 本研究は,OpenAI の GPT-4 を用いた PreCISE フレームワークを導入,評価し,より明瞭でアクセスしやすい胸部X線レポートを6グレードの読解レベルで提供することで患者のエンゲージメントを高める。このフレームワークは500のレポートでテストされ、可読性、信頼性、理解性を大幅に改善した。統計的分析により、PreCISEアプローチの有効性が確認され、医療意思決定における患者中心のケアデリバリーを促進する可能性を強調した。

関連論文リスト

Large Language Models for Patient Comments Multi-Label Classification [3.670008893193884]
本研究は,多ラベルテキスト分類(MLTC)におけるLLM(Large Language Models)の活用について検討する。 GPT-4 ターボは分類を行うために利用された。プロンプトエンジニアリングフレームワークを使用することで、ゼロショット学習、インコンテキスト学習、チェーンオブ思考プロンプトを実験した。
論文参考訳（メタデータ） (2024-10-31T00:29:52Z)
Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文参考訳（メタデータ） (2024-10-06T18:46:28Z)
GPT-4's assessment of its performance in a USMLE-based case study [3.2372388230841977]
本研究は、医療応用におけるGPT-4の評価について検討する。質問票は,フィードバック(WF)とフィードバック(NF)のない質問(NF)の2つに分類した。結果は、フィードバックは相対的な信頼に影響を及ぼすが、継続的に増加または減少しないことを示している。
論文参考訳（メタデータ） (2024-02-15T01:38:50Z)
Integrating ChatGPT into Secure Hospital Networks: A Case Study on Improving Radiology Report Analysis [1.3624495460189863]
本研究は,ChatGPTに類似したクラウドベースのAIを,放射線学報告を解析するためのセキュアなモデルに初めて適応させたものである。コントラスト学習によるユニークな文レベルの知識蒸留手法を用いて,異常検出の精度を95%以上向上する。
論文参考訳（メタデータ） (2024-02-14T18:02:24Z)
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)
A Multimodal Transformer: Fusing Clinical Notes with Structured EHR Data for Interpretable In-Hospital Mortality Prediction [8.625186194860696]
臨床ノートと構造化HRデータを融合し,院内死亡率の予測に役立てる新しいマルチモーダルトランスフォーマーを提案する。そこで本研究では,臨床ノートにおいて重要な単語を選択するための統合的勾配(IG)手法を提案する。また,臨床 BERT における領域適応型事前訓練とタスク適応型微調整の重要性についても検討した。
論文参考訳（メタデータ） (2022-08-09T03:49:52Z)
Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文参考訳（メタデータ） (2021-12-19T01:45:57Z)
COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文参考訳（メタデータ） (2021-09-14T14:16:32Z)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
論文参考訳（メタデータ） (2020-10-13T14:48:31Z)

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。