Fugu-MT 論文翻訳(概要): Retrieval-Augmented Generation Based Nurse Observation Extraction

論文の概要: Retrieval-Augmented Generation Based Nurse Observation Extraction

arxiv url: http://arxiv.org/abs/2603.26046v1
Date: Fri, 27 Mar 2026 03:32:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-30 21:49:48.344103
Title: Retrieval-Augmented Generation Based Nurse Observation Extraction
Title（参考訳）: 検索・拡張生成に基づく看護観察抽出
Abstract要約: 本稿では,看護師の判断から臨床所見を自動的に抽出することにより,看護師の負担を軽減するための自動パイプラインを提案する。提案手法は,MEDIQA-SYNURRテストデータセット上でのF1スコア0.796の有効性能を示す。
参考スコア（独自算出の注目度）: 32.617963085525126
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advancements in Large Language Models (LLMs) have played a significant role in reducing human workload across various domains, a trend that is increasingly extending into the medical field. In this paper, we propose an automated pipeline designed to alleviate the burden on nurses by automatically extracting clinical observations from nurse dictations. To ensure accurate extraction, we introduce a method based on Retrieval-Augmented Generation (RAG). Our approach demonstrates effective performance, achieving an F1-score of 0.796 on the MEDIQA-SYNUR test dataset.
Abstract（参考訳）: 近年のLarge Language Models (LLMs) の進歩は、様々な領域にわたる人的負担を減らす上で重要な役割を担っている。本稿では,看護師の判断から臨床所見を自動的に抽出することにより,看護師の負担を軽減するための自動パイプラインを提案する。精度の高い抽出を実現するために,検索型拡張生成(RAG)に基づく手法を提案する。提案手法は,MEDIQA-SYNURテストデータセット上でF1スコア0.796を達成し,有効性能を示す。

関連論文リスト

Pretraining EHR Foundation Models with Patient-Aware Sampling [15.261305009306978]
患者サンプリングは、患者間でのトレーニング信号の分散を制御できる事前訓練シーケンス構築法である。制御可能な重み付けによる患者サンプリングにより,実世界のEHRデータの性能が向上することを示す。これらの結果は,自己回帰的EHR基盤モデルにおいて,トレーニングと検証を重要かつ過小評価された設計選択とみなす。
論文参考訳（メタデータ） (2026-07-24T09:10:43Z)
ReMedi: Reasoner for Medical Clinical Prediction [70.84466325266068]
EHRによる臨床結果予測を改善するためのフレームワークであるReMediを提案する。 ReMediは、複雑な臨床問題に対する挑戦的なサンプル再生機構を用いて有理応答対を生成する。複数のEHR予測タスクの実験では、F1スコアで最先端のベースラインを19.9%上回った。
論文参考訳（メタデータ） (2026-05-02T14:44:49Z)
GEMeX-RMCoT: An Enhanced Med-VQA Dataset for Region-Aware Multimodal Chain-of-Thought Reasoning [60.03671205298294]
医学的視覚的質問応答は、医学的イメージに基づいた自然言語的質問にモデルで答えることによって、臨床的な意思決定を支援することを目的としている。現在の方法はまだ、答えの信頼性の制限と解釈性の低下に悩まされている。この研究はまず、回答を生成するプロセスが中間的推論ステップのシーケンスに先行する領域対応マルチモーダル・チェーン・オブ・ソートデータセットを提案する。
論文参考訳（メタデータ） (2025-06-22T08:09:58Z)
Examining Deployment and Refinement of the VIOLA-AI Intracranial Hemorrhage Model Using an Interactive NeoMedSys Platform [0.7653237341032667]
現在の研究では、AIモデルの効率的なデプロイメントと改善を可能にする、NeoMedSysと呼ばれる放射線学ソフトウェアプラットフォームについて説明している。実地臨床環境でのNeoMedSysの実行可能性と有効性について検討した。
論文参考訳（メタデータ） (2025-05-14T13:33:38Z)
Simulated patient systems are intelligent when powered by large language model-based AI agents [32.73072809937573]
我々は,大規模言語モデルに基づくAIエージェントを用いた,インテリジェントシミュレートされた患者システムAIatientを開発した。このシステムにはRetrieval Augmented Generationフレームワークが組み込まれており、複雑な推論のために6つのタスク固有のLLMベースのAIエージェントが使用されている。シミュレーションの現実のために、このシステムはAIPatient KG (Knowledge Graph) も利用している。
論文参考訳（メタデータ） (2024-09-27T17:17:15Z)
STLLaVA-Med: Self-Training Large Language and Vision Assistant for Medical Question-Answering [58.79671189792399]
STLLaVA-Medは、医療ビジュアルインストラクションデータを自動生成できるポリシーモデルを訓練するために設計されている。 STLLaVA-Medの有効性とデータ効率を3つの主要な医用視覚質問応答(VQA)ベンチマークで検証した。
論文参考訳（メタデータ） (2024-06-28T15:01:23Z)
Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
論文参考訳（メタデータ） (2023-12-11T21:53:40Z)
A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文参考訳（メタデータ） (2023-09-05T19:45:09Z)
Multimodal Transformer for Nursing Activity Recognition [3.426093179756538]
骨格関節と加速度データから特徴を抽出し,それらを融合して看護活動認識を行うマルチモーダルトランスフォーマーネットワークを提案する。本手法は,看護ケア活動認識チャレンジから得られた看護活動認識のためのベンチマークデータセットにおいて,81.8%の精度で最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-04-09T23:01:00Z)
Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文参考訳（メタデータ） (2021-12-19T01:45:57Z)
Enhancing Clinical Information Extraction with Transferred Contextual Embeddings [9.143551270841858]
変換器(BERT)モデルによる双方向表現は、多くの自然言語処理(NLP)タスクにおいて最先端のパフォーマンスを達成した。 BERTをベースとした事前学習モデルは,軽度条件下で健康関連文書に転送可能であることを示す。
論文参考訳（メタデータ） (2021-09-15T12:22:57Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。