Fugu-MT 論文翻訳(概要): Personalized Clinical Note Generation from Doctor-Patient Conversations

論文の概要: Personalized Clinical Note Generation from Doctor-Patient Conversations

arxiv url: http://arxiv.org/abs/2408.03874v1
Date: Wed, 7 Aug 2024 16:24:01 GMT
ステータス: 処理完了
システム内更新日: 2024-08-08 12:44:51.426559
Title: Personalized Clinical Note Generation from Doctor-Patient Conversations
Title（参考訳）: 医師と医師の対話による個人化臨床ノートの作成
Authors: Nathan Brake, Thomas Schaaf,
Abstract要約: 本稿では,医師のための原案臨床ノートの品質向上のための新しい手法を提案する。このテクニックは、暗黙の医師の会話スタイルとノートの好みをモデル化する能力に集中している。
参考スコア（独自算出の注目度）: 3.019130210299794
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we present a novel technique to improve the quality of draft clinical notes for physicians. This technique is concentrated on the ability to model implicit physician conversation styles and note preferences. We also introduce a novel technique for the enrollment of new physicians when a limited number of clinical notes paired with conversations are available for that physician, without the need to re-train a model to support them. We show that our technique outperforms the baseline model by improving the ROUGE-2 score of the History of Present Illness section by 13.8%, the Physical Examination section by 88.6%, and the Assessment & Plan section by 50.8%.
Abstract（参考訳）: そこで本研究では,医師のための手書き臨床ノートの品質向上のための新しい手法を提案する。このテクニックは、暗黙の医師の会話スタイルとノートの好みをモデル化する能力に集中している。また, 患者支援モデルの再訓練を必要とせず, 医師との会話に合わせた限られた数の臨床ノートが手に入る場合に, 新規医院入学のための新しい手法を導入する。本手法は,現在の病歴項目のROUGE-2スコアを13.8%,身体検査項目を88.6%,アセスメント・アンド・プラン項目を50.8%改善し,ベースラインモデルより優れていることを示す。

関連論文リスト

Improving Clinical Note Generation from Complex Doctor-Patient Conversation [20.2157016701399]
大言語モデル(LLM)を用いた臨床ノート作成分野への3つの重要な貢献について述べる。まず、CliniKnoteを紹介します。CliniKnoteは、1200の複雑な医師と患者との会話と、その全臨床ノートを組み合わせたデータセットです。第2に,従来のSOAPcitepodder20soap(Subjective, Objective, Assessment, Plan)のメモを上位にキーワードセクションを追加することで,必須情報の迅速な識別を可能にするK-SOAPを提案する。第3に、医師と患者との会話からK-SOAPノートを生成する自動パイプラインを開発し、様々な近代LCMをベンチマークする。
論文参考訳（メタデータ） (2024-08-26T18:39:31Z)
Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文参考訳（メタデータ） (2024-03-12T18:12:02Z)
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)
Clinical Camel: An Open Expert-Level Medical Language Model with Dialogue-Based Knowledge Encoding [31.884600238089405]
臨床研究に適したオープン・大型言語モデル(LLM)であるクリニカル・カメルについて述べる。 QLoRAを用いてLLaMA-2を微調整し,医療用LCMの医療用ベンチマークにおける最先端性能を実現する。
論文参考訳（メタデータ） (2023-05-19T23:07:09Z)
This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-16T10:12:07Z)
Human Evaluation and Correlation with Automatic Metrics in Consultation Note Generation [56.25869366777579]
近年,機械学習モデルによる臨床相談ノートの作成が急速に進んでいる。 5人の臨床医が57件のモック・コンサルテーションを聴き、自作のノートを書き、自動的に生成されたノートを編集し、全てのエラーを抽出する、広範囲にわたる人的評価研究を行った。単純な文字ベースのLevenshtein距離測定は、BertScoreのような一般的なモデルベースの測定値に比較して、同等に動作します。
論文参考訳（メタデータ） (2022-04-01T14:04:16Z)
ITTC @ TREC 2021 Clinical Trials Track [54.141379782822206]
本課題は、患者の入院ノートの要約を構成するトピックに有効な臨床試験を適合させる問題に焦点を当てる。 NLP手法を用いて試行とトピックの表現方法を探索し、共通の検索モデルを用いて各トピックに関連するトライアルのランク付けリストを生成する。提案されたすべての実行の結果は、すべてのトピックの中央値よりもはるかに上回っていますが、改善の余地はたくさんあります。
論文参考訳（メタデータ） (2022-02-16T04:56:47Z)
Towards more patient friendly clinical notes through language models and ontologies [57.51898902864543]
本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
論文参考訳（メタデータ） (2021-12-23T16:11:19Z)
Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。