論文の概要: Dual-stage and Lightweight Patient Chart Summarization for Emergency Physicians

• arxiv url: http://arxiv.org/abs/2510.06263v1
• Date: Sun, 05 Oct 2025 19:30:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.0754
• Title: Dual-stage and Lightweight Patient Chart Summarization for Emergency Physicians
• Title（参考訳）: 救急医のための二重ステージおよび軽量患者チャートの要約
• Authors: Jiajun Wu, Swaleh Zaidi, Braden Teitge, Henry Leung, Jiayu Zhou, Jessalyn Holodinsky, Steve Drew,
• Abstract要約: 組込みデバイス上で完全に動作する2段階の要約システムを提案する。 検索段階では、ローカルに保存されたEHRを使用し、長いメモを意味的に一貫性のあるセクションに分割し、クエリ毎に最も関連性の高いセクションを検索する。 生成段階は、検索したテキストから要約を生成するために、ローカルにホストされた小さな言語モデル(SLM)を使用する。
• 参考スコア（独自算出の注目度）: 31.476936654094942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic health records (EHRs) contain extensive unstructured clinical data that can overwhelm emergency physicians trying to identify critical information. We present a two-stage summarization system that runs entirely on embedded devices, enabling offline clinical summarization while preserving patient privacy. In our approach, a dual-device architecture first retrieves relevant patient record sections using the Jetson Nano-R (Retrieve), then generates a structured summary on another Jetson Nano-S (Summarize), communicating via a lightweight socket link. The summarization output is two-fold: (1) a fixed-format list of critical findings, and (2) a context-specific narrative focused on the clinician's query. The retrieval stage uses locally stored EHRs, splits long notes into semantically coherent sections, and searches for the most relevant sections per query. The generation stage uses a locally hosted small language model (SLM) to produce the summary from the retrieved text, operating within the constraints of two NVIDIA Jetson devices. We first benchmarked six open-source SLMs under 7B parameters to identify viable models. We incorporated an LLM-as-Judge evaluation mechanism to assess summary quality in terms of factual accuracy, completeness, and clarity. Preliminary results on MIMIC-IV and de-identified real EHRs demonstrate that our fully offline system can effectively produce useful summaries in under 30 seconds.
• Abstract（参考訳）: 電子健康記録(EHR)は、重要な情報を特定しようとする救急医師を圧倒する可能性のある、広範な非構造的な臨床データを含んでいる。 本報告では,患者プライバシを保護しつつ,オフラインで臨床的な要約を可能にする2段階の要約システムを提案する。 本手法では,まずJetson Nano-R (Retrieve) を用いて関連する患者の記録区間を検索し,次にJetson Nano-S (Summarize) 上で構成された要約を生成し,軽量ソケットリンクを介して通信する。 要約アウトプットは,(1)批判的発見の定型リスト,(2)臨床医の質問に焦点をあてた文脈特異的な物語である。 検索段階では、ローカルに保存されたEHRを使用し、長いメモを意味的に一貫性のあるセクションに分割し、クエリ毎に最も関連性の高いセクションを検索する。 生成段階では、ローカルにホストされた小さな言語モデル(SLM)を使用して、検索したテキストから要約を生成し、2つのNVIDIA Jetsonデバイスの制約内で動作させる。 まず、7Bパラメータで6つのオープンソースSLMをベンチマークし、実行可能なモデルを特定しました。 LLM-as-Judge 評価機構を導入し,現実的正確性,完全性,明確性の観点から要約品質を評価した。 MIMIC-IVと非同定実EHRの予備的な結果から、我々の完全オフラインシステムは30秒以内で有用な要約を効果的に生成できることを示した。

関連論文リスト

• From EMR Data to Clinical Insight: An LLM-Driven Framework for Automated Pre-Consultation Questionnaire Generation [9.269061009613033]
  複雑な電子カルテ(EMR)から事前コンサルテーションアンケートを作成するための新しい枠組みを提案する。 この枠組みは、明確な臨床知識を構築することによって直接的手法の限界を克服する。 実世界のEMRデータセットを用いて評価し,臨床専門家が検証し,情報カバレッジ,診断関連性,理解可能性,生成時間に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-01T12:24:49Z)
• DR.EHR: Dense Retrieval for Electronic Health Record with Knowledge Injection and Synthetic Data [2.9929405444223205]
  EHRは臨床実践において重要な役割を担っているが、その検索は主に意味的ギャップの問題によって困難である。 近年の高密度検索の進歩は有望なソリューションを提供するが、医療知識の不足やトレーニングコーパスのミスマッチにより、一般ドメインとバイオメディカルドメインの両方の既存のモデルは不足している。 本稿では,EHR検索に適した高密度検索モデルであるtexttDR.EHRを紹介する。
  論文  参考訳（メタデータ） (2025-07-24T17:02:46Z)
• CLI-RAG: A Retrieval-Augmented Framework for Clinically Structured and Context Aware Text Generation with LLMs [0.1578515540930834]
  CLI-RAG (Clinically Informed Retrieval-Augmented Generation) は、構造的および臨床的な基盤となるテキスト生成のためのドメイン固有のフレームワークである。 臨床文書構造を尊重する新しい階層的チャンキング戦略を取り入れ、タスク固有の2段階検索機構を導入する。 本システムを用いて,MIMIC-IIIデータセットから15種類の臨床ノートを作成した。
  論文  参考訳（メタデータ） (2025-07-09T10:13:38Z)
• Controllable Chest X-Ray Report Generation from Longitudinal Representations [13.151444796296868]
  レポートをスピードアップする1つの戦略は、自動レポートシステムを統合することである。 自動放射線診断への従来のアプローチは、入力として事前の研究を提供していないのが一般的である。 筆者らは,(1) 縦断学習 -- マルチモーダルレポート生成モデルに提供可能な関節長手表現に,現在のスキャン情報と先行スキャン情報を整合し,活用する手法を提案する。(2) 文解剖学的ドロップアウト -- レポート生成モデルを用いて,入力として与えられた解剖学的領域のサブセットに対応する元のレポートからのみ文を予測する訓練戦略。
  論文  参考訳（メタデータ） (2023-10-09T17:22:58Z)
• A Marker-based Neural Network System for Extracting Social Determinants of Health [12.6970199179668]
  健康の社会的決定因子(SDoH)は、患者の医療の質と格差を左右する。 多くのSDoHアイテムは、電子健康記録の構造化形式でコード化されていない。 我々は,臨床ノートから自動的にSDoH情報を抽出する,名前付きエンティティ認識(NER),関係分類(RC),テキスト分類手法を含む多段階パイプラインを探索する。
  論文  参考訳（メタデータ） (2022-12-24T18:40:23Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
  コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。 本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。 我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-02-03T15:47:19Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。