論文の概要: Evaluating LLM Abilities to Understand Tabular Electronic Health Records: A Comprehensive Study of Patient Data Extraction and Retrieval

• arxiv url: http://arxiv.org/abs/2501.09384v1
• Date: Thu, 16 Jan 2025 08:52:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:11:04.955450
• Title: Evaluating LLM Abilities to Understand Tabular Electronic Health Records: A Comprehensive Study of Patient Data Extraction and Retrieval
• Title（参考訳）: タブラル電子健康記録の理解のためのLCM能力の評価 : 患者のデータ抽出と検索に関する総合的研究
• Authors: Jesus Lovon, Martin Mouysset, Jo Oleiwan, Jose G. Moreno, Christine Damase-Michel, Lynda Tamine,
• Abstract要約: 我々はMIMICデータセットを用いて実験を行い、素早い構造、命令、文脈、実演の影響を探索する。 その結果,最適特徴選択とシリアライズ手法はタスク性能を最大26.79%向上させることができた。 実例選択によるインコンテキスト学習では,データ抽出性能が5.95%向上した。
• 参考スコア（独自算出の注目度）: 1.986227187900497
• License:
• Abstract: Electronic Health Record (EHR) tables pose unique challenges among which is the presence of hidden contextual dependencies between medical features with a high level of data dimensionality and sparsity. This study presents the first investigation into the abilities of LLMs to comprehend EHRs for patient data extraction and retrieval. We conduct extensive experiments using the MIMICSQL dataset to explore the impact of the prompt structure, instruction, context, and demonstration, of two backbone LLMs, Llama2 and Meditron, based on task performance. Through quantitative and qualitative analyses, our findings show that optimal feature selection and serialization methods can enhance task performance by up to 26.79% compared to naive approaches. Similarly, in-context learning setups with relevant example selection improve data extraction performance by 5.95%. Based on our study findings, we propose guidelines that we believe would help the design of LLM-based models to support health search.
• Abstract（参考訳）: EHR(Electronic Health Record)テーブルは、高レベルのデータ次元と空間性を持つ医療的特徴の間に隠れたコンテキスト依存が存在するという、ユニークな課題を提起する。 本研究は,患者データ抽出・検索におけるEMHの理解能力に関する最初の研究である。 我々はMIMICSQLデータセットを用いて、タスクパフォーマンスに基づく2つのバックボーンLLM(Llama2とMeditron)のプロンプト構造、命令、コンテキスト、実演の影響を探索する広範囲な実験を行った。 定量的および定性的な分析により,最適特徴選択と直列化手法により,単純アプローチと比較してタスク性能を最大26.79%向上させることができることがわかった。 同様に、関連するサンプル選択を伴うコンテキスト内学習設定は、データの抽出性能を5.95%向上させる。 本研究の結果から,健康検索を支援するLLMモデルの設計に役立つと思われるガイドラインを提案する。

関連論文リスト

• When Raw Data Prevails: Are Large Language Model Embeddings Effective in Numerical Data Representation for Medical Machine Learning Applications? [8.89829757177796]
  大規模言語モデルの最後の隠れ状態からベクター表現が医療診断および予後に有効であることを示す。 我々は,異常な生理的データを表すため,ゼロショット設定の命令調整LDMに着目し,それらのユーティリティを特徴抽出器として評価する。 医学MLタスクでは生データの特徴が依然として有効であることが示唆されているが、ゼロショットLSM埋め込みは競争力のある結果を示している。
  論文  参考訳（メタデータ） (2024-08-15T03:56:40Z)
• Large Language Model Distilling Medication Recommendation Model [61.89754499292561]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• EHR Interaction Between Patients and AI: NoteAid EHR Interaction [7.880641398866267]
  本稿では, 患者教育を支援するために, ジェネレーティブLLMを用いた革新的アプローチである NoteAid EHR Interaction Pipeline を紹介する。 MADE医療ノートコレクションからMIMIC Discharge Summariesと876のインスタンスから10,000のインスタンスを含むデータセットを抽出し、NoteAid EHR Interaction Pipelineを通して2つのタスクを実行する。 LLM評価と64例の厳密な手作業によるデータセット全体の総合的な評価を通じて,患者教育におけるLLMの可能性を示す。
  論文  参考訳（メタデータ） (2023-12-29T05:13:40Z)
• Aligning Large Language Models for Clinical Tasks [0.0]
  大規模言語モデル(LLM)は目覚ましい適応性を示しており、明示的に訓練されていないタスクに精通する能力を示している。 我々は「Expand-guess-refine」として知られる医療質問応答のためのアライメント戦略を提案する。 この手法の予備的な分析により、USMLEデータセットから得られた質問のサブセットで70.63%のスコアが得られた。
  論文  参考訳（メタデータ） (2023-09-06T10:20:06Z)
• CohortGPT: An Enhanced GPT for Participant Recruitment in Clinical Study [17.96401880059829]
  ChatGPTのような大規模言語モデル(LLM)は、様々な下流タスクで大きな成功を収めています。 我々は,知識グラフを補助情報として,予測を行う際のLCMを導くことを提案する。 本手法は, 微調整手法と比較して, 良好な性能が得られる。
  論文  参考訳（メタデータ） (2023-07-21T04:43:00Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• 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)
• 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)

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。