Fugu-MT 論文翻訳(概要): Enhancing AI Accessibility in Veterinary Medicine: Linking Classifiers and Electronic Health Records

論文の概要: Enhancing AI Accessibility in Veterinary Medicine: Linking Classifiers and Electronic Health Records

arxiv url: http://arxiv.org/abs/2410.14625v1
Date: Fri, 18 Oct 2024 17:27:07 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-21 14:24:05.740164
Title: Enhancing AI Accessibility in Veterinary Medicine: Linking Classifiers and Electronic Health Records
Title（参考訳）: 獣医学におけるAIアクセシビリティの強化:分類器と電子健康記録のリンク
Authors: Chun Yin Kong, Picasso Vasquez, Makan Farhoodimoghadam, Chris Brandt, Titus C. Brown, Krystle L. Reagan, Allison Zwingenberger, Stefan M. Keller,
Abstract要約: 本稿では,医学における機械学習と電子健康記録(EHR)の統合について述べる。 Annaは、EHR実験データのML分類結果をリアルタイムで提供する、フリーソフトウェアソリューションである。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: In the rapidly evolving landscape of veterinary healthcare, integrating machine learning (ML) clinical decision-making tools with electronic health records (EHRs) promises to improve diagnostic accuracy and patient care. However, the seamless integration of ML classifiers into existing EHRs in veterinary medicine is frequently hindered by the rigidity of EHR systems or the limited availability of IT resources. To address this shortcoming, we present Anna, a freely-available software solution that provides ML classifier results for EHR laboratory data in real-time.
Abstract（参考訳）: 獣医学の急速な発展の中で、機械学習(ML)臨床意思決定ツールと電子健康記録(EHR)を統合することで、診断精度と患者のケアを改善することが期待されている。しかし、獣医学におけるML分類器の既存のEHRへのシームレスな統合は、EHRシステムの剛性やITリソースの限られた利用によってしばしば妨げられる。この欠点に対処するため,EHR実験データに対してML分類結果をリアルタイムで提供するソフトウェアソリューションであるAnnaを提案する。

関連論文リスト

Fine-tuning foundational models to code diagnoses from veterinary health records [2.007589967804153]
本研究は,コロラド州立大学獣医学教育病院(VTH)が認定したSNOMED-CT診断符号7,739点を取り入れたものである。 246,473人の医師が手動で獣医を診察した自由テキストで, LLMを10種類の訓練済みの大規模言語モデル(LLMs)に微調整した。
論文参考訳（メタデータ） (2024-10-19T19:30:29Z)
medIKAL: Integrating Knowledge Graphs as Assistants of LLMs for Enhanced Clinical Diagnosis on EMRs [13.806201934732321]
medIKALは、診断能力を高めるために、LLM(Large Language Models)と知識グラフ(KG)を組み合わせる。 medIKALは、そのタイプに基づいて医療記録のエンティティに重み付けされた重要性を割り当て、KG内の候補疾患の正確な局在を可能にする。新たに導入した中国のEMRデータセットの広範な実験により,medIKALの有効性を検証した。
論文参考訳（メタデータ） (2024-06-20T13:56:52Z)
GAMedX: Generative AI-based Medical Entity Data Extractor Using Large Language Models [1.123722364748134]
本稿では,Large Language Models(LLMs)を利用した名前付きエンティティ認識(NER)アプローチであるGAMedXを紹介する。この方法論は、NERのためのオープンソースのLCMを統合し、特殊な医学用語の複雑さをナビゲートするために、連鎖プロンプトとピダンティックスキーマを構造化出力に利用している。その結果, 評価データセットの1つに対して, 98%の精度でROUGE F1の有意なスコアが得られた。
論文参考訳（メタデータ） (2024-05-31T02:53:22Z)
AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文参考訳（メタデータ） (2024-02-15T06:46:48Z)
Redefining Digital Health Interfaces with Large Language Models [69.02059202720073]
大規模言語モデル(LLM)は、複雑な情報を処理できる汎用モデルとして登場した。 LLMが臨床医とデジタル技術との新たなインターフェースを提供する方法を示す。自動機械学習を用いた新しい予後ツールを開発した。
論文参考訳（メタデータ） (2023-10-05T14:18:40Z)
Leveraging A Medical Knowledge Graph into Large Language Models for Diagnosis Prediction [7.5569033426158585]
自動診断におけるLarge Language Models (LLMs) の習熟度を高めるための革新的なアプローチを提案する。我々は,国立医科大学統一医療言語システム(UMLS)からKGを抽出した。我々のアプローチは説明可能な診断経路を提供し、AIによる診断決定支援システムの実現に近づいている。
論文参考訳（メタデータ） (2023-08-28T06:05:18Z)
Mixed-Integer Projections for Automated Data Correction of EMRs Improve Predictions of Sepsis among Hospitalized Patients [7.639610349097473]
本稿では,領域制約として臨床専門知識をシームレスに統合する革新的プロジェクションに基づく手法を提案する。我々は、患者データの健全な範囲を規定する制約から補正されたデータの距離を測定する。 AUROCは0.865で、精度は0.922で、従来のMLモデルを上回る。
論文参考訳（メタデータ） (2023-08-21T15:14:49Z)
SPeC: A Soft Prompt-Based Calibration on Performance Variability of Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文参考訳（メタデータ） (2023-03-23T04:47:46Z)
Distantly supervised end-to-end medical entity extraction from electronic health records with human-level quality [77.34726150561087]
本稿では,電子健康記録(EHR)から医療用脳波を単一段階のマルチラベル分類タスクとして行う新しい手法を提案する。我々のモデルは、医療知識ベースから自動的に抽出されたターゲットを用いて、遠距離から教師付きでエンドツーエンドに訓練されている。我々の研究は、十分な量の未ラベルのEHRと医療知識ベースが利用できることを考えると、人間の監督なく、人的品質で、医療機関の抽出をエンドツーエンドで行えることを実証している。
論文参考訳（メタデータ） (2022-01-25T17:04:46Z)
DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文参考訳（メタデータ） (2022-01-24T12:32:48Z)
Active learning for medical code assignment [55.99831806138029]
臨床領域における多ラベルテキスト分類におけるアクティブラーニング(AL)の有効性を示す。 MIMIC-IIIデータセットにICD-9コードを自動的に割り当てるために、よく知られたALメソッドのセットを適用します。その結果、有益なインスタンスの選択は、大幅に減少したトレーニングセットで満足のいく分類を提供する。
論文参考訳（メタデータ） (2021-04-12T18:11:17Z)

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。