Fugu-MT 論文翻訳(概要): Overview of the MEDIQA-OE 2025 Shared Task on Medical Order Extraction from Doctor-Patient Consultations

論文の概要: Overview of the MEDIQA-OE 2025 Shared Task on Medical Order Extraction from Doctor-Patient Consultations

arxiv url: http://arxiv.org/abs/2510.26974v1
Date: Thu, 30 Oct 2025 19:56:05 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-03 17:52:15.905415
Title: Overview of the MEDIQA-OE 2025 Shared Task on Medical Order Extraction from Doctor-Patient Consultations
Title（参考訳）: MEDIQA-OE 2025 : 医師・医師の立場から
Authors: Jean-Philippe Corbeil, Asma Ben Abacha, Jerome Tremblay, Phillip Swazinna, Akila Jeeson Daniel, Miguel Del-Agua, Francois Beaulieu,
Abstract要約: MEDIQA-OE 2025共有タスクを導入する。 6つのチームがこのタスクに参加し、幅広いアプローチ、およびクローズドおよびオープンウェイトな大規模言語モデル(LLM)の実験を行った。本稿では,MEDIQA-OEタスク,データセット,最終リーダーボードランキング,参加者のソリューションについて述べる。
参考スコア（独自算出の注目度）: 3.6636483985650083
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Clinical documentation increasingly uses automatic speech recognition and summarization, yet converting conversations into actionable medical orders for Electronic Health Records remains unexplored. A solution to this problem can significantly reduce the documentation burden of clinicians and directly impact downstream patient care. We introduce the MEDIQA-OE 2025 shared task, the first challenge on extracting medical orders from doctor-patient conversations. Six teams participated in the shared task and experimented with a broad range of approaches, and both closed- and open-weight large language models (LLMs). In this paper, we describe the MEDIQA-OE task, dataset, final leaderboard ranking, and participants' solutions.
Abstract（参考訳）: 臨床文書は、音声認識と要約をますます利用しているが、会話を電子健康記録のための実行可能な医療命令に変換することは未調査のままである。この問題に対する解決策は、臨床医のドキュメンテーション負担を大幅に軽減し、下流の患者医療に直接影響を与える可能性がある。 MEDIQA-OE 2025共有タスクを導入する。 6つのチームが共有タスクに参加し、幅広いアプローチと、クローズドおよびオープンウェイトな大規模言語モデル(LLM)を試した。本稿では,MEDIQA-OEタスク,データセット,最終リーダーボードランキング,参加者のソリューションについて述べる。

関連論文リスト

MedREK: Retrieval-Based Editing for Medical LLMs with Key-Aware Prompts [70.64143198545031]
本稿では,情報誘導のための注目型プロンプトエンコーダと正確なマッチングのための共有クエリキーモジュールを統合した検索ベースの編集フレームワークであるMedREKを提案する。各種医用ベンチマークの結果から,MedREKは異なるコアメトリクス間で優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2025-10-15T12:50:33Z)
IIMedGPT: Promoting Large Language Model Capabilities of Medical Tasks by Efficient Human Preference Alignment [6.022433954095106]
実際の医療課題から派生した6つの医療指導を含む医療指導データセットCMedINSを紹介した。次に、効率的な選好アライメント手法を用いて、医用モデルIIMedGPTをローンチする。その結果,本研究の最終モデルは医療対話における既存の医療モデルよりも優れていた。
論文参考訳（メタデータ） (2025-01-06T09:22:36Z)
Using LLM for Real-Time Transcription and Summarization of Doctor-Patient Interactions into ePuskesmas in Indonesia: A Proof-of-Concept Study [0.5735035463793009]
本稿では,大規模言語モデル(LLM)を用いて,インドネシアにおける医師と患者との会話のリアルタイムの書き起こしと要約を自動化する概念実証フレームワークを提案する。本システムは,ePuskesmasフォームを自動生成するブラウザエクステンションとして実装された医用要約用GPT-3.5とWhisperモデルを組み合わせた。
論文参考訳（メタデータ） (2024-09-25T16:13:42Z)
AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文参考訳（メタデータ） (2024-02-15T06:46:48Z)
Yes, this is what I was looking for! Towards Multi-modal Medical Consultation Concern Summary Generation [46.42604861624895]
マルチモーダル・メディカル・コンシューム・サマリ・ジェネレーションの新しい課題を提案する。患者のジェスチャーや表情などの非言語的手がかりは、患者の懸念を正確に識別するのに役立つ。マルチモーダル・メディカル・コンシューム・サマリー・ジェネレーション・コーパスを構築。
論文参考訳（メタデータ） (2024-01-10T12:56:47Z)
PULSAR: Pre-training with Extracted Healthcare Terms for Summarising Patients' Problems and Data Augmentation with Black-box Large Language Models [25.363775123262307]
問題リストの形で患者の問題を自動的に要約することで、ステークホルダーが患者の状態を理解し、作業負荷と認知バイアスを減らすのに役立つ。 BioNLP 2023 共有タスク1Aは、入院中の提供者の進捗状況から診断と問題のリストを作成することに焦点を当てている。 1つのコンポーネントは、データ拡張のために大きな言語モデル(LLM)を使用し、もう1つは、リストとして要約された患者の問題を生成するための、新しいトレーニング済みの目標を持つ抽象的な要約 LLM である。私たちのアプローチは、共有タスクへの全提出のうち、第2位でした。
論文参考訳（メタデータ） (2023-06-05T10:17:50Z)
WangLab at MEDIQA-Chat 2023: Clinical Note Generation from Doctor-Patient Conversations using Large Language Models [2.3608256778747565]
我々はMEDIQA-Chat 2023の共有タスクを医師と患者との会話から自動的な臨床ノート作成のために提出した。本稿では,共有タスクデータに事前学習言語モデル(PLM)を1つ,大言語モデル(LLM)を2つ導入し,その2つについて報告する。専門家の人間の精査は、ICLベースのGPT-4によるアプローチによって生成されたメモが、人間によるメモと同じくらい頻繁に好まれていることを示している。
論文参考訳（メタデータ） (2023-05-03T15:58:28Z)
A Benchmark for Automatic Medical Consultation System: Frameworks, Tasks and Datasets [70.32630628211803]
本稿では,医師と患者との対話理解とタスク指向インタラクションという,医療相談の自動化を支援する2つの枠組みを提案する。マルチレベルな微粒なアノテーションを付加した新しい大規模医療対話データセットが導入された。本稿では,各タスクに対するベンチマーク結果のセットを報告し,データセットのユーザビリティを示し,今後の研究のベースラインを設定する。
論文参考訳（メタデータ） (2022-04-19T16:43:21Z)
MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware Medical Dialogue Generation [86.38736781043109]
MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。 MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
論文参考訳（メタデータ） (2020-10-15T03:34:33Z)

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。