論文の概要: Intelligent Documentation in Medical Education: Can AI Replace Manual Case Logging?

• arxiv url: http://arxiv.org/abs/2601.12648v1
• Date: Mon, 19 Jan 2026 01:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.722127
• Title: Intelligent Documentation in Medical Education: Can AI Replace Manual Case Logging?
• Title（参考訳）: 医学教育におけるインテリジェントドキュメンテーション:AIは手動のケースログを置き換えることができるか?
• Authors: Nafiz Imtiaz Khan, Kylie Cleland, Vladimir Filkov, Roger Eric Goldman,
• Abstract要約: 手続き的なケースログは、放射線学のトレーニングのコア要件であるが、完成には時間がかかり、手作業で作成する場合には一貫性が低下する。 本研究では,大規模言語モデル (LLM) が自由テキストラジオグラフィーレポートから直接,手続き的ケースログの文書化を自動化できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 1.3266402517619373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Procedural case logs are a core requirement in radiology training, yet they are time-consuming to complete and prone to inconsistency when authored manually. This study investigates whether large language models (LLMs) can automate procedural case log documentation directly from free-text radiology reports. We evaluate multiple local and commercial LLMs under instruction-based and chain-of-thought prompting to extract structured procedural information from 414 curated interventional radiology reports authored by nine residents between 2018 and 2024. Model performance is assessed using sensitivity, specificity, and F1-score, alongside inference latency and token efficiency to estimate operational cost. Results show that both local and commercial models achieve strong extraction performance, with best F1-scores approaching 0.87, while exhibiting different trade-offs between speed and cost. Automation using LLMs has the potential to substantially reduce clerical burden for trainees and improve consistency in case logging. These findings demonstrate the feasibility of AI-assisted documentation in medical education and highlight the need for further validation across institutions and clinical workflows.
• Abstract（参考訳）: 手続き的なケースログは、放射線学のトレーニングのコア要件であるが、完成には時間がかかり、手作業で作成する場合には一貫性が低下する。 本研究では, 大規模言語モデル (LLM) が, フリーテキストラジオグラフィーレポートから直接, 手続き的ケースログの文書化を自動化できるかどうかを検討する。 我々は,2018年から2024年にかけて,9人の住民が著述した414回の介入放射線治療報告から,複数の局所的および商業的LCMを指導ベースおよびチェーン・オブ・シートで評価し,構造化された手続き情報を抽出した。 モデル性能は、感度、特異性、F1スコアを使用して評価され、推論遅延とトークン効率を併用して、運用コストを見積もる。 その結果,F1スコアは0.87に近づき,速度とコストのトレードオフは異なることがわかった。 LLMによる自動化は、研修生の事務負担を大幅に削減し、ケースロギングにおける一貫性を向上させる可能性がある。 これらの知見は、医学教育におけるAI支援ドキュメンテーションの実現可能性を示し、機関や臨床ワークフローにまたがるさらなる検証の必要性を強調している。

関連論文リスト

• DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
  大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。 本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
  論文  参考訳（メタデータ） (2025-10-24T08:01:21Z)
• MaLei at MultiClinSUM: Summarisation of Clinical Documents using Perspective-Aware Iterative Self-Prompting with LLMs [5.40185721303932]
  本稿では,MultiClinSUM共有タスクにおける臨床事例文書の要約手法について述べる。 我々はLLMにタスク固有のプロンプトを生成するよう依頼することで,大規模言語モデル(LLM)に反復的自己プロンプト手法を適用した。 語彙と埋め込み空間のメトリクスであるROUGEとBERTスコアを用いて、エポックによるモデル微調整をガイドした。
  論文  参考訳（メタデータ） (2025-09-09T11:52:16Z)
• Zero-Shot Document-Level Biomedical Relation Extraction via Scenario-based Prompt Design in Two-Stage with LLM [6.26004554105527]
  ハードウェアと労働コストの低い汎用大言語モデル (LLM) を用いて, 注釈のない完全文書から同じ結果を得るための新しい手法を提案する。 我々のアプローチは、名前付きエンティティ認識(NER)と関係抽出(RE)の2つの主要な段階を組み合わせる。 本稿では,プロンプトの有効性を高めるために,5部テンプレート構造とシナリオに基づくプロンプト設計の原理を提案する。
  論文  参考訳（メタデータ） (2025-05-02T07:33:20Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• An Iterative Optimizing Framework for Radiology Report Summarization with ChatGPT [80.33783969507458]
  放射線医学報告の「印象」セクションは、放射線医と他の医師とのコミュニケーションにとって重要な基盤である。 近年の研究では、大規模医療用テキストデータを用いた印象自動生成の有望な成果が得られている。 これらのモデルは、しばしば大量の医療用テキストデータを必要とし、一般化性能が劣る。
  論文  参考訳（メタデータ） (2023-04-17T17:13:42Z)
• Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
  この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。 臨床文献のコーパスを12種類に分類した。 私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
  論文  参考訳（メタデータ） (2023-03-23T17:17:46Z)
• Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
  本稿では,Re$3$Writer法を提案する。 本手法が患者の退院指示生成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-10-23T16:34:39Z)
• Active learning for medical code assignment [55.99831806138029]
  臨床領域における多ラベルテキスト分類におけるアクティブラーニング(AL)の有効性を示す。 MIMIC-IIIデータセットにICD-9コードを自動的に割り当てるために、よく知られたALメソッドのセットを適用します。 その結果、有益なインスタンスの選択は、大幅に減少したトレーニングセットで満足のいく分類を提供する。
  論文  参考訳（メタデータ） (2021-04-12T18:11:17Z)
• A Systematic Review of Natural Language Processing Applied to Radiology Reports [3.600747505433814]
  本研究は, 放射線学報告に応用されたNLPの最近の文献を体系的に評価する。 本研究は, 放射線学的特徴, nlp法, 性能, 研究, 臨床応用特性を含む21の変数に基づく。
  論文  参考訳（メタデータ） (2021-02-18T18:54:41Z)
• An Emergency Medical Services Clinical Audit System driven by Named Entity Recognition from Deep Learning [0.0]
  本稿では, 階層型と非構造化型の両方の救急症例記録と, ディープニューラルネットワークを用いたエンティティ認識モデルを用いた臨床記録に基づく自動監査システムを提案する。 提案手法は,非構造的救急用フリーテキストレポートから臨床エンティティを確実に識別できる名前付きエンティティ認識モデルである。
  論文  参考訳（メタデータ） (2020-07-07T16:32:44Z)

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。