論文の概要: Searching Clinical Data Using Generative AI

• arxiv url: http://arxiv.org/abs/2505.24090v1
• Date: Fri, 30 May 2025 00:33:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.71358
• Title: Searching Clinical Data Using Generative AI
• Title（参考訳）: ジェネレーティブAIを用いた臨床データの検索
• Authors: Karan Hanswadkar, Anika Kanchi, Shivani Tripathi, Shi Qiao, Rony Chatterjee, Alekh Jindal,
• Abstract要約: 本稿では,臨床データの検索精度と効率を高めるために,検索AIと呼ばれる生成AIアプローチを提案する。 医療専門家は典型的には、関連疾患、薬物、または多くのコードにマッピングされる状態の集団を探索する。 SearchAIはこれらの階層を予測的にナビゲートし、関連するノードを失うことなく、すべてのパスが到達可能であることを保証する。
• 参考スコア（独自算出の注目度）: 1.837618924882556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence (AI) is making a major impact on healthcare, particularly through its application in natural language processing (NLP) and predictive analytics. The healthcare sector has increasingly adopted AI for tasks such as clinical data analysis and medical code assignment. However, searching for clinical information in large and often unorganized datasets remains a manual and error-prone process. Assisting this process with automations can help physicians improve their operational productivity significantly. In this paper, we present a generative AI approach, coined SearchAI, to enhance the accuracy and efficiency of searching clinical data. Unlike traditional code assignment, which is a one-to-one problem, clinical data search is a one-to-many problem, i.e., a given search query can map to a family of codes. Healthcare professionals typically search for groups of related diseases, drugs, or conditions that map to many codes, and therefore, they need search tools that can handle keyword synonyms, semantic variants, and broad open-ended queries. SearchAI employs a hierarchical model that respects the coding hierarchy and improves the traversal of relationships from parent to child nodes. SearchAI navigates these hierarchies predictively and ensures that all paths are reachable without losing any relevant nodes. To evaluate the effectiveness of SearchAI, we conducted a series of experiments using both public and production datasets. Our results show that SearchAI outperforms default hierarchical traversals across several metrics, including accuracy, robustness, performance, and scalability. SearchAI can help make clinical data more accessible, leading to streamlined workflows, reduced administrative burden, and enhanced coding and diagnostic accuracy.
• Abstract（参考訳）: 人工知能(AI)は、特に自然言語処理(NLP)と予測分析の応用を通じて、医療に大きな影響を与えている。 医療セクターは、臨床データ分析や医療コード割り当てといったタスクにAIを採用しています。 しかし、大規模かつしばしば組織化されていないデータセットで臨床情報を探すことは、手動およびエラーを起こしやすいプロセスである。 このプロセスに自動化を組み込むことは、医師が運用生産性を大幅に向上させるのに役立つ。 本稿では,臨床データ検索の精度と効率を高めるために,検索AIと呼ばれる生成AIアプローチを提案する。 従来の1対1の問題であるコード代入とは異なり、臨床データ検索は1対多の問題である。 医療専門家は通常、関連疾患、薬物、あるいは多くのコードにマッピングする条件の集団を検索するので、キーワードの同義語、セマンティック・バリアント、幅広いオープンエンド・クエリを処理できる検索ツールが必要である。 SearchAIは、符号化階層を尊重する階層モデルを採用し、親ノードから子ノードへの関係のトラバースを改善する。 SearchAIはこれらの階層を予測的にナビゲートし、関連するノードを失うことなく、すべてのパスが到達可能であることを保証する。 検索AIの有効性を評価するため,公開および生産両方のデータセットを用いて一連の実験を行った。 その結果,SearchAIは,精度,堅牢性,パフォーマンス,スケーラビリティなど,いくつかの指標において,既定の階層的トラバーサルを上回っていることがわかった。 SearchAIは、臨床データをよりアクセスしやすくし、ワークフローの合理化、管理上の負担の軽減、コーディングと診断の精度の向上につながる。

関連論文リスト

• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Applying Bayesian Ridge Regression AI Modeling in Virus Severity Prediction [0.0]
  医療専門家に最先端ウイルス分析をもたらすAIモデルであるBayesian Ridge Regressionの長所と短所をレビューする。 モデルの精度評価は有望な結果を示し、改善の余地があった。 さらに、重症度指数は、患者のケアニーズを概観するための貴重なツールとして機能する。
  論文  参考訳（メタデータ） (2023-10-14T04:17:00Z)
• A Knowledge Graph-Based Search Engine for Robustly Finding Doctors and Locations in the Healthcare Domain [3.268887739788112]
  知識グラフ(KG)は、半構造化データから洞察を収集する利点を組み合わせる強力な方法として登場した。 医療領域の医師や場所を確実に見つけるためのKGベースの検索エンジンアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-10-08T18:28:17Z)
• PyTrial: Machine Learning Software and Benchmark for Clinical Trial Applications [49.69824178329405]
  PyTrialは、臨床試験の設計と運用のための一連の機械学習アルゴリズムのベンチマークとオープンソース実装を提供する。 患者結果予測,臨床試験サイト選択,トライアル結果予測,患者と臨床のマッチング,トライアル類似性検索,合成データ生成など,6つのタスクにわたる臨床試験のための34のMLアルゴリズムを網羅的に検討した。 PyTrialは、データローディング、モデル仕様、モデルトレーニング、モデル評価という、単純な4段階のプロセスで各タスクを定義します。
  論文  参考訳（メタデータ） (2023-06-06T21:19:03Z)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)
• 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)
• Benchmark datasets driving artificial intelligence development fail to capture the needs of medical professionals [4.799783526620609]
  臨床およびバイオメディカル自然言語処理(NLP)の幅広い領域に関するデータセットとベンチマークのカタログを公開した。 450のNLPデータセットが手動で体系化され、豊富なメタデータで注釈付けされた。 我々の分析は、AIベンチマークの直接臨床関連性は乏しく、臨床医が対応したい仕事のほとんどをカバーできないことを示唆している。
  論文  参考訳（メタデータ） (2022-01-18T15:05:28Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• A Modern Non-SQL Approach to Radiology-Centric Search Engine Design with Clinical Validation [0.0]
  本稿では,Radiologyの文脈において,文書ベース,セキュア,効率的,高精度な検索エンジンを開発するためのデノボプロセスを提案する。 効率的なデータベースアーキテクチャ、検索能力、臨床思考を活用することで、放射線学者は医療データのパワーを活用する最前線にいる。
  論文  参考訳（メタデータ） (2020-07-04T15:21:49Z)

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。