論文の概要: A Narrative-Driven Computational Framework for Clinician Burnout Surveillance

• arxiv url: http://arxiv.org/abs/2509.04497v1
• Date: Mon, 01 Sep 2025 19:05:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.33316
• Title: A Narrative-Driven Computational Framework for Clinician Burnout Surveillance
• Title（参考訳）: 臨床用バーンアウトサーベイランスのためのナラティブ駆動型計算フレームワーク
• Authors: Syed Ahmad Chan Bukhari, Fazel Keshtkar, Alyssa Meczkowska,
• Abstract要約: 臨床医のバーンアウトは、特にICU(High-acuity intensive care Unit)において、患者の安全に重大な脅威をもたらす 本研究では,Beth Israel Deaconess Medical Centerの電子健康記録から得られたMIMIC-IVから,1万 ICU放電サマリーを解析した。 このデータセットは、バイタルサイン、医療命令、診断、処置、治療、特定自由テキスト臨床ノートを含む多様な患者データを含んでいる。
• 参考スコア（独自算出の注目度）: 0.5281694565226512
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinician burnout poses a substantial threat to patient safety, particularly in high-acuity intensive care units (ICUs). Existing research predominantly relies on retrospective survey tools or broad electronic health record (EHR) metadata, often overlooking the valuable narrative information embedded in clinical notes. In this study, we analyze 10,000 ICU discharge summaries from MIMIC-IV, a publicly available database derived from the electronic health records of Beth Israel Deaconess Medical Center. The dataset encompasses diverse patient data, including vital signs, medical orders, diagnoses, procedures, treatments, and deidentified free-text clinical notes. We introduce a hybrid pipeline that combines BioBERT sentiment embeddings fine-tuned for clinical narratives, a lexical stress lexicon tailored for clinician burnout surveillance, and five-topic latent Dirichlet allocation (LDA) with workload proxies. A provider-level logistic regression classifier achieves a precision of 0.80, a recall of 0.89, and an F1 score of 0.84 on a stratified hold-out set, surpassing metadata-only baselines by greater than or equal to 0.17 F1 score. Specialty-specific analysis indicates elevated burnout risk among providers in Radiology, Psychiatry, and Neurology. Our findings demonstrate that ICU clinical narratives contain actionable signals for proactive well-being monitoring.
• Abstract（参考訳）: 臨床医のバーンアウトは、特にICU(High-acuity intensive care Unit)において、患者の安全に重大な脅威をもたらす。 既存の研究は、主に振り返り調査ツールや広範な電子健康記録(EHR)メタデータに依存しており、しばしば臨床ノートに埋め込まれた貴重な物語情報を見下ろしている。 本研究では,Beth Israel Deaconess Medical Centerの電子健康記録から得られたMIMIC-IVから,1万 ICU放電サマリーを解析した。 このデータセットは、バイタルサイン、医療命令、診断、処置、治療、特定自由テキスト臨床ノートを含む多様な患者データを含んでいる。 臨床物語用に微調整されたBioBERT感情埋め込みと,臨床用バーンアウト監視用に調整された語彙的ストレスレキシコンと,ワークロードプロキシを併用した5トピック遅延ディリクレアロケーション(LDA)を組み合わせたハイブリッドパイプラインを提案する。 プロバイダレベルロジスティック回帰分類器は、メタデータのみのベースラインを0.17F1スコア以上越えて、階層化されたホールトアウトセット上での精度0.80、リコール0.89、F1スコア0.84を達成する。 専門的な分析は、放射線学、精神医学、神経学のプロバイダーの間で燃え尽き症候群のリスクが高まることを示している。 以上の結果から, ICU 臨床物語には, 能動的幸福度モニタリングのための実用的な信号が含まれていることが示唆された。

関連論文リスト

• LLM-based Prompt Ensemble for Reliable Medical Entity Recognition from EHRs [4.262074310505135]
  本稿では,大規模言語モデル(LLM)を用いた即時医療機関認識について検討する。 即発アンサンブルのGPT-4oはF1スコア0.95、リコール0.98で最高評価を達成した。 アンサンブル法は、埋め込みベースの類似性と多数決によって出力を集約することで信頼性を向上させた。
  論文  参考訳（メタデータ） (2025-05-13T16:11:29Z)
• Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
  MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。 本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。 このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
  論文  参考訳（メタデータ） (2025-03-06T18:35:39Z)
• SemioLLM: Evaluating Large Language Models for Diagnostic Reasoning from Unstructured Clinical Narratives in Epilepsy [45.2233252981348]
  臨床知識を符号化するための言語モデル(LLM)が示されている。 6つの最先端モデルをベンチマークする評価フレームワークであるSemioLLMを提案する。 ほとんどのLSMは、脳内の発作発生領域の確率的予測を正確かつ確実に生成できることを示す。
  論文  参考訳（メタデータ） (2024-07-03T11:02:12Z)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• A Multimodal Transformer: Fusing Clinical Notes with Structured EHR Data for Interpretable In-Hospital Mortality Prediction [8.625186194860696]
  臨床ノートと構造化HRデータを融合し,院内死亡率の予測に役立てる新しいマルチモーダルトランスフォーマーを提案する。 そこで本研究では,臨床ノートにおいて重要な単語を選択するための統合的勾配(IG)手法を提案する。 また,臨床 BERT における領域適応型事前訓練とタスク適応型微調整の重要性についても検討した。
  論文  参考訳（メタデータ） (2022-08-09T03:49:52Z)
• Machine Learning to Support Triage of Children at Risk for Epileptic Seizures in the Pediatric Intensive Care Unit [5.708335717084799]
  小児集中治療室(PICU)に入院した小児はてんかん発作が比較的多い PICU内の発作の危険と判断された小児は、連続脳波(cEEG)を用いてモニタリングされる 本研究の目的は、重篤児の発作リスク評価を改善するためのコンピュータ支援ツールを開発することである。
  論文  参考訳（メタデータ） (2022-05-11T10:24:58Z)
• Collaborative residual learners for automatic icd10 prediction using prescribed medications [45.82374977939355]
  本稿では,処方用データのみを用いたicd10符号の自動予測のための協調残差学習モデルを提案する。 平均精度0.71および0.57のマルチラベル分類精度、F1スコア0.57および0.38の0.73および0.44の精度を取得し、患者および外来データセットの主診断をそれぞれ予測します。
  論文  参考訳（メタデータ） (2020-12-16T07:07:27Z)
• Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
  正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。 平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
  論文  参考訳（メタデータ） (2020-12-16T07:02:56Z)

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。