論文の概要: Mitigating Clinician Information Overload: Generative AI for Integrated EHR and RPM Data Analysis

• arxiv url: http://arxiv.org/abs/2509.00073v1
• Date: Tue, 26 Aug 2025 17:10:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.051988
• Title: Mitigating Clinician Information Overload: Generative AI for Integrated EHR and RPM Data Analysis
• Title（参考訳）: 臨床情報過負荷の軽減:統合EHRとRPMデータ分析のための生成AI
• Authors: Ankit Shetgaonkar, Dipen Pradhan, Lakshit Arora, Sanjay Surendranath Girija, Shashank Kapoor, Aman Raj,
• Abstract要約: 生成人工知能(GenAI)の能力・要件・応用の概要を概観する。 患者データ,すなわちリアルタイム遠隔患者モニタリング(RPM)ストリームと従来の電子健康記録(EHR)の形式と情報源について,まず背景を述べる。 これらのアプリケーションは、縦断的患者のデータのナビゲーションを強化し、自然言語対話による実用的な臨床診断支援を提供する。
• 参考スコア（独自算出の注目度）: 0.523377539745706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Artificial Intelligence (GenAI), particularly Large Language Models (LLMs), offer powerful capabilities for interpreting the complex data landscape in healthcare. In this paper, we present a comprehensive overview of the capabilities, requirements and applications of GenAI for deriving clinical insights and improving clinical efficiency. We first provide some background on the forms and sources of patient data, namely real-time Remote Patient Monitoring (RPM) streams and traditional Electronic Health Records (EHRs). The sheer volume and heterogeneity of this combined data present significant challenges to clinicians and contribute to information overload. In addition, we explore the potential of LLM-powered applications for improving clinical efficiency. These applications can enhance navigation of longitudinal patient data and provide actionable clinical decision support through natural language dialogue. We discuss the opportunities this presents for streamlining clinician workflows and personalizing care, alongside critical challenges such as data integration complexity, ensuring data quality and RPM data reliability, maintaining patient privacy, validating AI outputs for clinical safety, mitigating bias, and ensuring clinical acceptance. We believe this work represents the first summarization of GenAI techniques for managing clinician data overload due to combined RPM / EHR data complexities.
• Abstract（参考訳）: Generative Artificial Intelligence(GenAI)、特にLarge Language Models(LLM)は、医療における複雑なデータランドスケープを解釈する強力な機能を提供する。 本稿では,臨床知見を導き,臨床効率を向上させるためのGenAIの機能,要件,応用について概説する。 まず、患者データ、すなわち、リアルタイム遠隔患者モニタリング(RPM)ストリームと従来の電子健康記録(EHR)の形式と情報源について、いくつかの背景を提供する。 この組み合わせデータの量と不均一性は、臨床医にとって重大な課題を示し、情報の過負荷に寄与する。 また,LLMを用いた臨床応用の可能性についても検討した。 これらのアプリケーションは、縦断的患者のデータのナビゲーションを強化し、自然言語対話による実用的な臨床診断支援を提供する。 データ統合の複雑さ、データ品質とRPMデータの信頼性の確保、患者のプライバシの維持、臨床安全のためのAI出力の検証、バイアス軽減、臨床受け入れの確保といった重要な課題と共に、クリニックワークフローの合理化やケアのパーソナライズのための機会について論じる。 本研究は, RPM/EHRデータ複合化による臨床データのオーバーロード管理のためのGenAI技術の最初の要約であると考えている。

関連論文リスト

• Extracting OPQRST in Electronic Health Records using Large Language Models with Reasoning [3.486461799078777]
  本稿では,Large Language Models (LLM) の機能を活用して,EHRからOPQRSTアセスメントを抽出するための新しいアプローチを提案する。 本稿では,医師の認知過程を模倣する推論ステップをモデルに提供できるように,シーケンスラベリングからテキスト生成へタスクを再構成することを提案する。 当社のコントリビューションは、医療におけるAIの利用の大幅な進歩を示し、EHRからの情報抽出の正確性とユーザビリティを向上させるスケーラブルなソリューションを提供しています。
  論文  参考訳（メタデータ） (2025-09-02T02:21:02Z)
• A Comprehensive Review of Datasets for Clinical Mental Health AI Systems [55.67299586253951]
  本稿では,AIを活用した臨床アシスタントの訓練・開発に関連する臨床精神保健データセットの総合的調査を行う。 本調査では, 縦断データの欠如, 文化・言語表現の制限, 一貫性のない収集・注釈基準, 合成データのモダリティの欠如など, 重要なギャップを明らかにした。
  論文  参考訳（メタデータ） (2025-08-13T13:42:35Z)
• Leveraging Generative AI Through Prompt Engineering and Rigorous Validation to Create Comprehensive Synthetic Datasets for AI Training in Healthcare [0.0]
  GPT-4 APIは、この制限を克服するための高品質な合成データセットを生成するために使用された。 得られたデータには、医療提供者の詳細、病院部門、病棟、ベッド割り当て、患者人口統計、緊急連絡先、バイタルサイン、免疫、アレルギー、医療履歴、アポイントメント、病院訪問、検査、診断、治療計画、医療ノート、訪問ログ、退院サマリー、レファラルが含まれていた。
  論文  参考訳（メタデータ） (2025-04-29T16:37:34Z)
• Integrating Generative Artificial Intelligence in ADRD: A Roadmap for Streamlining Diagnosis and Care in Neurodegenerative Diseases [8.903189530397318]
  医療システムは、特にアルツハイマー病と関連する認知症において、神経学的ケアの需要が増大するのに苦慮している。 LLMに基づく生成AIシステムは,ADRDケアにおける専門レベルの評価と意思決定に大規模にアプローチするために臨床能力を高めることができる。
  論文  参考訳（メタデータ） (2025-02-06T19:09:11Z)
• Speaking the Same Language: Leveraging LLMs in Standardizing Clinical Data for AI [0.0]
  本研究は、医療データの標準化など、特定の課題に対処するため、大規模言語モデルの採用を念頭においている。 この結果から,大規模言語モデルを用いることで手作業によるデータキュレーションの必要性が著しく低下することが示唆された。 提案手法は、医療におけるAIの統合を迅速化し、患者のケアの質を向上させるとともに、AIのためのデータ作成に必要な時間と資金を最小化する。
  論文  参考訳（メタデータ） (2024-08-16T20:51:21Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 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)
• 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)

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。