論文の概要: Extracting OPQRST in Electronic Health Records using Large Language Models with Reasoning

• arxiv url: http://arxiv.org/abs/2509.01885v1
• Date: Tue, 02 Sep 2025 02:21:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.880439
• Title: Extracting OPQRST in Electronic Health Records using Large Language Models with Reasoning
• Title（参考訳）: 推論を用いた大規模言語モデルを用いた電子健康記録におけるOPQRST抽出
• Authors: Zhimeng Luo, Abhibha Gupta, Adam Frisch, Daqing He,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.486461799078777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The extraction of critical patient information from Electronic Health Records (EHRs) poses significant challenges due to the complexity and unstructured nature of the data. Traditional machine learning approaches often fail to capture pertinent details efficiently, making it difficult for clinicians to utilize these tools effectively in patient care. This paper introduces a novel approach to extracting the OPQRST assessment from EHRs by leveraging the capabilities of Large Language Models (LLMs). We propose to reframe the task from sequence labeling to text generation, enabling the models to provide reasoning steps that mimic a physician's cognitive processes. This approach enhances interpretability and adapts to the limited availability of labeled data in healthcare settings. Furthermore, we address the challenge of evaluating the accuracy of machine-generated text in clinical contexts by proposing a modification to traditional Named Entity Recognition (NER) metrics. This includes the integration of semantic similarity measures, such as the BERT Score, to assess the alignment between generated text and the clinical intent of the original records. Our contributions demonstrate a significant advancement in the use of AI in healthcare, offering a scalable solution that improves the accuracy and usability of information extraction from EHRs, thereby aiding clinicians in making more informed decisions and enhancing patient care outcomes.
• Abstract（参考訳）: EHR(Electronic Health Records)から重要な患者情報を抽出することは、データの複雑さと非構造性のために大きな課題となる。 従来の機械学習アプローチは、しばしば関連する詳細を効率的に捉えることができないため、臨床医がこれらのツールを患者医療に効果的に活用することは困難である。 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手法を提案する。 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。 このアプローチは解釈可能性を高め、医療設定におけるラベル付きデータの限られた可用性に適応する。 さらに,従来の名前付きエンティティ認識(NER)メトリクスの変更を提案することにより,臨床コンテキストにおける機械生成テキストの精度を評価するという課題に対処する。 これにはBERTスコアのような意味的類似性尺度の統合が含まれており、生成されたテキストと元のレコードの臨床的意図との整合性を評価する。 弊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からの情報抽出の精度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、臨床医がより情報のある意思決定を行い、患者のケア結果を向上させるのに役立つ。

関連論文リスト

• 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)
• README: Bridging Medical Jargon and Lay Understanding for Patient Education through Data-Centric NLP [9.432205523734707]
  医療用語を患者に親しみやすい平易な言語に簡略化することを目的とした,レイ定義の自動生成という新たなタスクを導入する。 このデータセットは、5万以上のユニークな(医療用語、日常の定義)ペアと30万の言及からなる。 また、データフィルタリング、拡張、選択を相乗化してデータ品質を改善する、データ中心のHuman-AIパイプラインも開発しました。
  論文  参考訳（メタデータ） (2023-12-24T23:01:00Z)
• RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19 Assessment in Primary Care [45.43645878061283]
  本稿では,患者相談の前後に書かれた生のGP医療ノートから知識グラフ構築を行うフレームワークを提案する。 私たちの知識グラフには、既存の患者の症状、その持続時間、重症度に関する情報が含まれています。 本フレームワークを英国における新型コロナウイルス患者の相談ノートに適用する。
  論文  参考訳（メタデータ） (2023-06-17T23:35:51Z)
• 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)
• 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)
• Towards more patient friendly clinical notes through language models and ontologies [57.51898902864543]
  本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。 我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。 本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
  論文  参考訳（メタデータ） (2021-12-23T16:11:19Z)

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。