論文の概要: Toward Relieving Clinician Burden by Automatically Generating Progress Notes using Interim Hospital Data

• arxiv url: http://arxiv.org/abs/2410.12845v1
• Date: Thu, 10 Oct 2024 02:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-20 09:11:04.006502
• Title: Toward Relieving Clinician Burden by Automatically Generating Progress Notes using Interim Hospital Data
• Title（参考訳）: 中間病院データを用いた進捗ノートの自動作成による診療所のバーデンの回収に向けて
• Authors: Sarvesh Soni, Dina Demner-Fushman,
• Abstract要約: 経過ノートの定期的な文書は、臨床医の負担に対する主要な貢献者の1つである。 医療記録における構造化チャート情報は、進捗ノートの自動作成の機会を提供する。
• 参考スコア（独自算出の注目度）: 15.837772594006038
• License:
• Abstract: Regular documentation of progress notes is one of the main contributors to clinician burden. The abundance of structured chart information in medical records further exacerbates the burden, however, it also presents an opportunity to automate the generation of progress notes. In this paper, we propose a task to automate progress note generation using structured or tabular information present in electronic health records. To this end, we present a novel framework and a large dataset, ChartPNG, for the task which contains $7089$ annotation instances (each having a pair of progress notes and interim structured chart data) across $1616$ patients. We establish baselines on the dataset using large language models from general and biomedical domains. We perform both automated (where the best performing Biomistral model achieved a BERTScore F1 of $80.53$ and MEDCON score of $19.61$) and manual (where we found that the model was able to leverage relevant structured data with $76.9\%$ accuracy) analyses to identify the challenges with the proposed task and opportunities for future research.
• Abstract（参考訳）: 経過ノートの定期的な文書は、臨床医の負担に対する主要な貢献者の1つである。 医療記録における構造化チャート情報の充実により負担はさらに増大するが、進歩ノートの自動作成の機会も提示される。 本稿では,電子カルテに存在する構造化情報や表計算情報を用いて進捗ノート作成を自動化するタスクを提案する。 この目的のために,116ドルの患者を対象に,7089ドルのアノテーションインスタンス(それぞれプログレスノートと中間構造化チャートデータを持つ)を含む,新たなフレームワークと大規模データセットであるChartPNGを提案する。 一般および生物医学領域からの大規模言語モデルを用いて,データセットのベースラインを確立する。 我々は、自動化(最高性能のBiomistralモデルがBERTSコアF1を80.53ドル、MEDCONスコアが19.61ドル)とマニュアル(モデルが関連する構造化データを76.9 %の精度で活用できることを発見した)の両方を実行し、提案されたタスクと将来の研究の機会の課題を特定した。

関連論文リスト

• PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
  そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。 提案手法は画像とテキストデータを融合して生成プロセスを強化する。 我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
  論文  参考訳（メタデータ） (2023-09-01T22:08:32Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• ACI-BENCH: a Novel Ambient Clinical Intelligence Dataset for Benchmarking Automatic Visit Note Generation [4.1331432182859436]
  訪問対話からAIによるノート生成の問題に対処する上で,これまでで最大のデータセットを提示する。 また、いくつかの一般的な最先端手法のベンチマーク性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:42:17Z)
• Does Synthetic Data Generation of LLMs Help Clinical Text Mining? [51.205078179427645]
  臨床テキストマイニングにおけるOpenAIのChatGPTの可能性を検討する。 本稿では,高品質な合成データを大量に生成する新たな学習パラダイムを提案する。 提案手法により,下流タスクの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-03-08T03:56:31Z)
• ICDBigBird: A Contextual Embedding Model for ICD Code Classification [71.58299917476195]
  文脈単語埋め込みモデルは、複数のNLPタスクにおいて最先端の結果を得た。 ICDBigBirdは、Graph Convolutional Network(GCN)を統合するBigBirdベースのモデルである。 ICD分類作業におけるBigBirdモデルの有効性を実世界の臨床データセットで実証した。
  論文  参考訳（メタデータ） (2022-04-21T20:59:56Z)
• TrialGraph: Machine Intelligence Enabled Insight from Graph Modelling of Clinical Trials [0.0]
  我々はCT.gov, AACT, TrialTroveデータベースから収集した治験データセット(n=1191臨床試験、100万人の患者を代表する)を紹介する。 次に,グラフ機械学習アルゴリズムの数学的基礎と実装について詳述する。 我々はこれらのモデルを用いて、疾患、既往の医療状況、治療に関する情報を与えられた臨床試験の副作用情報を予測する訓練を行った。
  論文  参考訳（メタデータ） (2021-12-15T15:36:57Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• CLIP: A Dataset for Extracting Action Items for Physicians from Hospital Discharge Notes [17.107315598110183]
  我々はMIMIC-III上に注釈付けされた臨床行動項目のデータセットを作成する。 このデータセットはCLIPと呼ばれ、医師によって注釈付けされ、1万の文章を表す文書をカバーしています。 本稿では,これらの文書からアクション項目を抽出するタスクを多アスペクト抽出要約として記述する。
  論文  参考訳（メタデータ） (2021-06-04T14:49:02Z)
• Towards Automated Anamnesis Summarization: BERT-based Models for Symptom Extraction [0.0]
  本稿では,ドイツの患者のモノローグのデータセットを提示し,適切に定義された情報抽出タスクを定式化する。 症状識別と症状属性抽出の両方において,モデルの有望な性能を示すことができる。
  論文  参考訳（メタデータ） (2020-11-03T13:34:36Z)
• 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)

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。