論文の概要: Generating Querying Code from Text for Multi-Modal Electronic Health Record

• arxiv url: http://arxiv.org/abs/2511.20904v1
• Date: Tue, 25 Nov 2025 22:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.885453
• Title: Generating Querying Code from Text for Multi-Modal Electronic Health Record
• Title（参考訳）: マルチモーダル電子健康記録のためのテキストからのクエリコード生成
• Authors: Mengliang ZHang,
• Abstract要約: 我々は、textbfTablesと臨床用textbfTextの両方を統合した、公開データセットTQGenを構築した。 医療用テキスト処理において,テキスト処理モジュールをコール可能なツールとしてカプセル化するツールセットの概念を導入した。
• 参考スコア（独自算出の注目度）: 1.2273653203862964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electronic health records (EHR) contain extensive structured and unstructured data, including tabular information and free-text clinical notes. Querying relevant patient information often requires complex database operations, increasing the workload for clinicians. However, complex table relationships and professional terminology in EHRs limit the query accuracy. In this work, we construct a publicly available dataset, TQGen, that integrates both \textbf{T}ables and clinical \textbf{T}ext for natural language-to-query \textbf{Gen}eration. To address the challenges posed by complex medical terminology and diverse types of questions in EHRs, we propose TQGen-EHRQuery, a framework comprising a medical knowledge module and a questions template matching module. For processing medical text, we introduced the concept of a toolset, which encapsulates the text processing module as a callable tool, thereby improving processing efficiency and flexibility. We conducted extensive experiments to assess the effectiveness of our dataset and workflow, demonstrating their potential to enhance information querying in EHR systems.
• Abstract（参考訳）: 電子健康記録(EHR)は、表情報や自由テキスト臨床ノートを含む広範な構造化および非構造化データを含んでいる。 関連する患者情報を問い合わせるには、しばしば複雑なデータベース操作を必要とし、臨床医の作業量を増やす。 しかし、複雑なテーブル関係と EHR の専門用語はクエリの精度を制限している。 本研究は,自然言語検索のためのTQGenを構築した。このデータセットは,textbf{T}ables と臨床用 \textbf{T}ext を統合したものだ。 複雑な医療用語や多種多様な質問から生じる課題に対処するために,医療知識モジュールと質問テンプレートマッチングモジュールからなるフレームワークであるTQGen-EHRQueryを提案する。 医療用テキスト処理において,テキスト処理モジュールをコール可能なツールとしてカプセル化するツールセットの概念を導入し,処理効率と柔軟性を向上した。 我々は、データセットとワークフローの有効性を評価するための広範囲な実験を行い、EHRシステムにおける情報クエリの強化の可能性を示した。

関連論文リスト

• OIDA-QA: A Multimodal Benchmark for Analyzing the Opioid Industry Documents Archive [50.468138755368805]
  オピオイド危機は公衆衛生にとって重要な瞬間である。 UCSF-JHU Opioid Industry Documents Archive(OIDA)に公開されているデータと文書 本稿では,文書属性に応じて元のデータセットを整理することで,この問題に対処する。
  論文  参考訳（メタデータ） (2025-11-13T03:27:32Z)
• TACT: Advancing Complex Aggregative Reasoning with Information Extraction Tools [51.576974932743596]
  大規模言語モデル(LLM)は、テキスト間の情報の集約を必要とするクエリではよく機能しないことが多い。 TACTには、1つ以上のテキストに散らばる縫合情報を要求する難しい命令が含まれている。 既存のテキストと関連するテーブルのデータセットを活用することで、このデータセットを構築します。 現代のLLMはいずれも,このデータセットでは性能が悪く,精度が38%以下であることが実証された。
  論文  参考訳（メタデータ） (2024-06-05T20:32:56Z)
• Overview of the EHRSQL 2024 Shared Task on Reliable Text-to-SQL Modeling on Electronic Health Records [12.692089512684955]
  1つの戦略は質問応答システムを構築することであり、おそらくはテキスト・ツー・リレーショナル・モデルを活用することである。 EHR 2024共有タスクは、EHRのための質問応答システムの開発における研究の推進と促進を目的としている。 共有タスクに応募した100人以上の参加者のうち、8チームが編成され、共有タスク要求全体を完成させた。
  論文  参考訳（メタデータ） (2024-05-04T04:12:18Z)
• Retrieval augmented text-to-SQL generation for epidemiological question answering using electronic health records [0.6138671548064356]
  本稿では,テキスト・ツー・ジェネレーションと検索拡張生成(RAG)を組み合わせて疫学的な疑問に答えるエンド・ツー・エンド手法を提案する。 RAGは、現実的な業界環境で示すように、彼らの能力を改善するための有望な方向性を提供します。
  論文  参考訳（メタデータ） (2024-03-14T09:45:05Z)
• Multimodal Fusion of EHR in Structures and Semantics: Integrating Clinical Records and Notes with Hypergraph and LLM [39.25272553560425]
  本稿では,EHRにおける構造と意味を効果的に統合するMINGLEという新しいフレームワークを提案する。 本フレームワークでは,医療概念のセマンティクスと臨床ノートのセマンティクスをハイパーグラフニューラルネットワークに組み合わせるために,2段階の注入戦略を採用している。 2つのEHRデータセット(パブリックMIMIC-IIIとプライベートCRADLE)の実験結果から、MINGLEは予測性能を11.83%向上できることが示された。
  論文  参考訳（メタデータ） (2024-02-19T23:48:40Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)
• DrugEHRQA: A Question Answering Dataset on Structured and Unstructured Electronic Health Records For Medicine Related Queries [7.507210439502174]
  本稿では, 質問応答データセット(DrugEHRQA)を開発した。 我々のデータセットには、70,000以上の質問応答対を含む、医薬品関連のクエリがある。
  論文  参考訳（メタデータ） (2022-05-03T03:50:50Z)
• 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)

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。