論文の概要: Automated Auditing of Hospital Discharge Summaries for Care Transitions

• arxiv url: http://arxiv.org/abs/2604.05435v1
• Date: Tue, 07 Apr 2026 05:04:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.63526
• Title: Automated Auditing of Hospital Discharge Summaries for Care Transitions
• Title（参考訳）: ケア・トランジションのための病院退院サマリーの自動監査
• Authors: Akshat Dasula, Prasanna Desikan, Jaideep Srivastava,
• Abstract要約: 大規模言語モデル(LLM)を用いた退院サマリーの大規模監査のためのフレームワークを提案する。 提案手法は, コア・オブ・ケア要件を, DISCHARGEDフレームワークに基づく質問の構造化された検証チェックリストとして運用する。 この研究は、スケーラブルで自動化された臨床監査の実現可能性を示し、電子健康記録文書の体系的な品質改善の基礎を提供する。
• 参考スコア（独自算出の注目度）: 2.1443570696048906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incomplete or inconsistent discharge documentation is a primary driver of care fragmentation and avoidable readmissions. Despite its critical role in patient safety, auditing discharge summaries relies heavily on manual review and is difficult to scale. We propose an automated framework for large-scale auditing of discharge summaries using locally deployed Large Language Models (LLMs). Our approach operationalizes core transition-of-care requirements such as follow-up instructions, medication history and changes, patient information and clinical course, etc. into a structured validation checklist of questions based on DISCHARGED framework. Using adult inpatient summaries from the MIMIC-IV database, we utilize a privacy-preserving LLM to identify the presence, absence, or ambiguity of key documentation elements. This work demonstrates the feasibility of scalable, automated clinical auditing and provides a foundation for systematic quality improvement in electronic health record documentation.
• Abstract（参考訳）: 不完全もしくは矛盾した退院文書は、ケアの断片化と回避可能な寛解の原動力である。 患者の安全において重要な役割を担っているにもかかわらず、検査総括は手作業によるレビューに大きく依存しており、拡張が困難である。 本稿では,ローカルにデプロイされたLarge Language Models (LLMs) を用いて,放電サマリーの大規模監査を行うためのフレームワークを提案する。 本手法は,フォローアップ・インストラクション,薬歴・変化,患者情報,臨床経過などのコア・オブ・ケア要件を,disCHARGEDフレームワークに基づく質問の構造化検証リストに運用する。 MIMIC-IVデータベースからの成人患者の要約を用いて、プライバシ保護のためのLCMを用いて、重要な文書要素の存在、欠如、曖昧さを識別する。 この研究は、スケーラブルで自動化された臨床監査の実現可能性を示し、電子健康記録文書の体系的な品質改善の基礎を提供する。

関連論文リスト

• Leveraging LLMs for Structured Data Extraction from Unstructured Patient Records [0.0]
  手動チャートのレビューは、臨床研究において非常に時間がかかり、資源集約的な要素である。 局所展開型大規模言語モデル(LLM)を利用した臨床ノートからの自動特徴抽出のためのフレームワークを提案する。 このフレームワークは、手動のチャートレビューの負担を軽減し、データキャプチャの一貫性を向上させるLLMシステムの可能性を示す。
  論文  参考訳（メタデータ） (2025-12-03T14:10:12Z)
• MedDCR: Learning to Design Agentic Workflows for Medical Coding [55.51674334874892]
  医療符号化は、フリーテキスト臨床ノートを標準化された診断および手続きコードに変換する。 本稿では,設計を学習問題として扱うクローズドループフレームワークであるMedDCRを提案する。 ベンチマークデータセットでは、MedDCRは最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-11-17T13:30:51Z)
• Toward Reliable Clinical Coding with Language Models: Verification and Lightweight Adaptation [3.952186976672079]
  本稿では,高速エンジニアリングや小型微調整を含む軽量な介入により,探索手法の計算オーバーヘッドを伴わずに精度を向上できることを示す。 階層的なニアミスエラーに対処するために,単体タスクとパイプラインコンポーネントの両方に臨床コード検証を導入する。
  論文  参考訳（メタデータ） (2025-10-08T23:50:58Z)
• DENSE: Longitudinal Progress Note Generation with Temporal Modeling of Heterogeneous Clinical Notes Across Hospital Visits [0.1578515540930834]
  プログレッシブノートは電子健康記録で最も臨床的に意味のあるアーティファクトの1つである。 その重要性にもかかわらず、それらは大規模なEHRデータセットでは不足している。 DENSEは、医師が過去の出会いを参照する方法をシミュレートすることで、臨床文書と整合するように設計されたシステムである。
  論文  参考訳（メタデータ） (2025-07-18T17:00:27Z)
• Query-Guided Self-Supervised Summarization of Nursing Notes [5.835276312834499]
  本稿では,QGSummについて紹介する。QGSummは,抽象看護ノート要約のためのクエリ誘導型自己教師型ドメイン適応手法である。 本研究は,看護ノート要約のためのアプローチや他の最先端の大規模言語モデル (LLM) について検討する。
  論文  参考訳（メタデータ） (2024-07-04T18:54:30Z)
• Generating Faithful and Complete Hospital-Course Summaries from the Electronic Health Record [3.6513957125331555]
  ドキュメントの負担の増加による意図しない結果が、患者との対面時間を短縮した。 本稿では,患者の入院状況の要約を自動生成するためのソリューションを提案し,評価する。
  論文  参考訳（メタデータ） (2024-04-01T15:47:21Z)
• Attribute Structuring Improves LLM-Based Evaluation of Clinical Text Summaries [56.31117605097345]
  大規模言語モデル(LLM)は、正確な臨床テキスト要約を生成する可能性を示しているが、根拠付けと評価に関する問題に苦慮している。 本稿では、要約評価プロセスを構成するAttribute Structuring(AS)を用いた一般的な緩和フレームワークについて検討する。 ASは、臨床テキスト要約における人間のアノテーションと自動メトリクスの対応性を一貫して改善する。
  論文  参考訳（メタデータ） (2024-03-01T21:59:03Z)
• RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19 Assessment in Primary Care [45.43645878061283]
  本稿では,患者相談の前後に書かれた生のGP医療ノートから知識グラフ構築を行うフレームワークを提案する。 私たちの知識グラフには、既存の患者の症状、その持続時間、重症度に関する情報が含まれています。 本フレームワークを英国における新型コロナウイルス患者の相談ノートに適用する。
  論文  参考訳（メタデータ） (2023-06-17T23:35:51Z)
• 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)
• 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)

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。