論文の概要: From Staff Messages to Actionable Insights: A Multi-Stage LLM Classification Framework for Healthcare Analytics

• arxiv url: http://arxiv.org/abs/2509.05484v1
• Date: Fri, 05 Sep 2025 20:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.532921
• Title: From Staff Messages to Actionable Insights: A Multi-Stage LLM Classification Framework for Healthcare Analytics
• Title（参考訳）: スタッフメッセージからActionable Insightsへ:医療分析のための多段階LCM分類フレームワーク
• Authors: Hajar Sakai, Yi-En Tseng, Mohammadsadegh Mikaeili, Joshua Bosire, Franziska Jovin,
• Abstract要約: 本稿では、スタッフのメッセージトピックを特定し、メッセージの理由を多種多様な方法で分類するフレームワークを提案する。 最高の性能モデルはO3で、78.4%の重み付きF1スコアと79.2%の精度を実現した。 提案手法は,医療環境に不可欠なデータセキュリティ対策とHIPAAコンプライアンス要件を取り入れたものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hospital call centers serve as the primary contact point for patients within a hospital system. They also generate substantial volumes of staff messages as navigators process patient requests and communicate with the hospital offices following the established protocol restrictions and guidelines. This continuously accumulated large amount of text data can be mined and processed to retrieve insights; however, traditional supervised learning approaches require annotated data, extensive training, and model tuning. Large Language Models (LLMs) offer a paradigm shift toward more computationally efficient methodologies for healthcare analytics. This paper presents a multi-stage LLM-based framework that identifies staff message topics and classifies messages by their reasons in a multi-class fashion. In the process, multiple LLM types, including reasoning, general-purpose, and lightweight models, were evaluated. The best-performing model was o3, achieving 78.4% weighted F1-score and 79.2% accuracy, followed closely by gpt-5 (75.3% Weighted F1-score and 76.2% accuracy). The proposed methodology incorporates data security measures and HIPAA compliance requirements essential for healthcare environments. The processed LLM outputs are integrated into a visualization decision support tool that transforms the staff messages into actionable insights accessible to healthcare professionals. This approach enables more efficient utilization of the collected staff messaging data, identifies navigator training opportunities, and supports improved patient experience and care quality.
• Abstract（参考訳）: 病院コールセンターは、病院システム内の患者の主要なコンタクトポイントとなっている。 彼らはまた、ナビゲーターが患者の要求を処理し、確立されたプロトコルの制約とガイドラインに従って病院のオフィスと通信するときに、かなりの量のスタッフメッセージを生成する。 この継続的に蓄積された大量のテキストデータをマイニングして、洞察を得るために処理することができるが、従来の教師付き学習アプローチでは、注釈付きデータ、広範囲なトレーニング、モデルチューニングが必要である。 大規模言語モデル(LLM)は、医療分析のためのより計算効率の良い方法論へのパラダイムシフトを提供する。 本稿では,多段階のLDMベースのフレームワークを提案する。 このプロセスでは、推論、汎用モデル、軽量モデルを含む複数のLLMタイプが評価された。 最高性能モデルは、78.4%の重み付きF1スコア、79.2%の精度で、gpt-5(75.3%の重み付きF1スコア、76.2%の精度)が続いた。 提案手法は,医療環境に不可欠なデータセキュリティ対策とHIPAAコンプライアンス要件を取り入れたものである。 処理されたLCM出力は視覚化意思決定支援ツールに統合され、スタッフのメッセージを医療専門家がアクセス可能な実用的な洞察に変換する。 このアプローチは、収集されたスタッフのメッセージデータをより効率的に活用し、ナビゲータのトレーニング機会を特定し、患者体験の改善とケア品質をサポートする。

関連論文リスト

• Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
  大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。 本稿では,構造化医療推論を利用した新しいアプローチを提案する。 我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-05T05:24:55Z)
• Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
  大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。 本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
  論文  参考訳（メタデータ） (2024-10-24T15:41:56Z)
• Adapted Large Language Models Can Outperform Medical Experts in Clinical Text Summarization [8.456700096020601]
  大規模言語モデル (LLM) は自然言語処理 (NLP) において有望であるが, 様々な臨床要約タスクにおける有効性は証明されていない。 本研究では,4つの臨床要約課題にまたがる8つのLCMに適応法を適用した。 10名の医師による臨床読影者を対象に, 要約, 完全性, 正当性, 簡潔性を評価した。ほとんどの場合, ベスト適応LSMの要約は, 医用専門家の要約と比べ, 同等(45%), 上等(36%)である。
  論文  参考訳（メタデータ） (2023-09-14T05:15:01Z)
• MedAlign: A Clinician-Generated Dataset for Instruction Following with Electronic Medical Records [60.35217378132709]
  大型言語モデル(LLM)は、人間レベルの流布で自然言語の指示に従うことができる。 医療のための現実的なテキスト生成タスクにおけるLCMの評価は依然として困難である。 我々は、EHRデータのための983の自然言語命令のベンチマークデータセットであるMedAlignを紹介する。
  論文  参考訳（メタデータ） (2023-08-27T12:24:39Z)

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。