論文の概要: Understanding Stigmatizing Language in Clinical Documentation: A Paired Comparison of Ambient AI Drafts and Clinician Finalized Notes
- arxiv url: http://arxiv.org/abs/2606.00019v1
- Date: Tue, 14 Apr 2026 00:10:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.577677
- Title: Understanding Stigmatizing Language in Clinical Documentation: A Paired Comparison of Ambient AI Drafts and Clinician Finalized Notes
- Title（参考訳）: クリニカルドキュメンテーションにおける言語分類の理解:AIドラフトと臨床ファイナライズノートの比較
- Authors: Yiliang Zhou, Yawen Guo, Sairam Sutari, Jasmine Dhillon, Alexandra L. Beck, Emilie Chow, Steven Tam, Danielle Perret, Deepti Pandita, Gelareh Sadigh, Archana J. McEligot, Kai Zheng,
- Abstract要約: クリニックドキュメントの負担を軽減するために、アンビエントAIツールがますますデプロイされているが、臨床ノートにおける偏りのある言語に対する影響は、まだ不明である。
我々は,AIドラフトとそれに対応する臨床ファイナライズノートの大規模比較分析を行い,言語変化の事前および後変化の定量化を行った。
66,297対のノートセクション、21.4%のAIドラフトセクションには少なくとも1つのスティグマライズ言語言及が含まれており、臨床の最終版では24.0%まで上昇した。
導入は削除よりも頻繁に発生し、クリニック編集は、Ambient AIを使用してEHRに入る言語をスティグマタイズするネットソースになり得ることを示唆している。
- 参考スコア（独自算出の注目度）: 31.33057850885733
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ambient artificial intelligence (AI) documentation tools are increasingly deployed to reduce clinician documentation burden, but their implications for biased language in clinical notes remain unclear. We conducted a large-scale comparison analysis of AI drafts and corresponding clinician finalized notes to quantify stigmatizing language changes pre- and post-editing. Using a lexicon-based natural language processing (NLP) pipeline, we measured (1) the prevalence of stigmatizing language in AI drafts, (2) the prevalence and term composition in final notes, and (3) the frequency of removal or introduction of stigmatizing terms. Across 66,297 paired note sections, 21.4% of AI draft sections contained at least one stigmatizing language mention, rising to 24.0% in clinician finalized versions. Introductions occurred more often than removals, suggesting clinician editing can be a net source of stigmatizing language entering the EHR with using Ambient AI.
- Abstract（参考訳）: クリニックドキュメントの負担を軽減するために、アンビエント人工知能(AI)ドキュメンテーションツールがますますデプロイされているが、臨床ノートにおけるバイアス言語の影響は、まだ不明である。
我々は,AIドラフトとそれに対応する臨床ファイナライズノートの大規模比較分析を行い,言語変化の事前および後変化の定量化を行った。
辞書ベースの自然言語処理(NLP)パイプラインを用いて,(1)AIドラフトにおけるスティグマタイズ言語の普及状況,(2)最終ノートにおける頻度と用語構成,(3)スティグマタイズ用語の除去・導入頻度を測定した。
66,297対のノートセクション、21.4%のAIドラフトセクションには少なくとも1つのスティグマライズ言語言及が含まれており、臨床の最終版では24.0%まで上昇した。
導入は削除よりも頻繁に行われ、クリニック編集は、Ambient AIを使用してEHRに入る言語をスティグマタイズするネットソースになり得ることを示唆している。
関連論文リスト
- Automated ICD Classification of Psychiatric Diagnoses: From Classical NLP to Large Language Models [67.51123543731806]
メンタルヘルスは世界的な優先事項となり、臨床診断のコーディングにおける管理上の負担が大きくなった。
本研究では、自然言語処理(NLP)と機械学習(ML)技術を用いて、フリーテキスト記述を国際疾患分類(ICD)にマッピングすることで、精神医学的診断分析の自動化を提案する。
論文 参考訳（メタデータ） (2026-05-20T13:26:05Z) - Artificial Intolerance: Stigmatizing Language in Clinical Documentation Skews Large Language Model Decision-Making [13.79732306725696]
大規模言語モデル(LLM)は、臨床上の意思決定支援や医療ドキュメントなど、高度な領域にますます展開されている。
臨床テキストの処理において、フロンティアLSMが人間のバイアスを継承し、伝播するかどうかを検討する。
論文 参考訳（メタデータ） (2026-05-17T02:28:25Z) - The Impact of Editorial Intervention on Detecting Native Language Traces [1.6210510806456278]
ネイティブ言語識別(NLI、Native Language Identification)は、著者のネイティブ言語(L1)をネイティブでない文章から判断するタスクである。
人間とAIの共著者の出現により、非ネイティブテキストは大規模言語モデルによって定期的に修正され書き直される。
編集介入の度合いが高まる中でL1トレースの堅牢性について検討した。
論文 参考訳（メタデータ） (2026-05-11T08:58:08Z) - Examine Clinicians' Modification of Hedging Language in Ambient AI Documentation: A Comparative Study of AI Drafts and Final Notes [11.71921723899066]
アンビエントAIドキュメンテーションシステムは、臨床医が電子健康記録に署名する前に頻繁に修正する臨床ノートのドラフトを生成する。
周辺AIドラフトの臨床編集部分と最終ノートのペア分析を行い,これらの編集がヘッジ言語の普及率を左右するかどうかを検討した。
論文 参考訳（メタデータ） (2026-04-14T00:08:28Z) - Adapting Self-Supervised Speech Representations for Cross-lingual Dysarthria Detection in Parkinson's Disease [72.0406069194794]
音声表現は、しばしば言語に依存した構造を符号化する。
本稿では,ソース言語による自己教師型音声表現とターゲット言語分布とを一致させる表現レベル言語シフトを提案する。
チェコ語,ドイツ語,スペイン語におけるパーキンソン病音声データセットの経口DDK記録に対するアプローチについて検討した。
論文 参考訳（メタデータ） (2026-03-23T17:23:39Z) - The Text Aphasia Battery (TAB): A Clinically-Grounded Benchmark for Aphasia-Like Deficits in Language Models [1.626147873921364]
Text Aphasia Battery (TAB) は、大規模言語モデル(LLM)における失語症様の欠陥を評価するためにQuick Aphasia Battery (QAB) から適応されたテキストのみのベンチマークである。
本稿ではTABの設計、サブテスト、評価基準について詳述する。
我々はTABを,人工システムにおける言語欠陥を解析するための臨床応用,拡張性のあるフレームワークとしてリリースする。
論文 参考訳（メタデータ） (2025-11-25T17:16:38Z) - On the Difficulty of Token-Level Modeling of Dysfluency and Fluency Shaping Artifacts [21.253980895817634]
障害や流布形成のアーティファクトはしばしば見過ごされ、臨床および研究価値が制限された非バーベティム転写をもたらす。
そこで本研究では, 転写中の特殊トークンとして, 周波数変化や周波数変化を復号化するためのパラメータ効率適応法を提案する。
以上の結果から,Dyfluency-aware ASRに対する軽量適応法の有効性が示唆された。
論文 参考訳（メタデータ） (2025-11-18T19:33:29Z) - Few-Shot Cross-lingual Transfer for Coarse-grained De-identification of
Code-Mixed Clinical Texts [56.72488923420374]
事前学習型言語モデル (LM) は低リソース環境下での言語間移動に大きな可能性を示している。
脳卒中におけるコードミキシング(スペイン・カタラン)臨床ノートの低リソース・実世界の課題を解決するために,NER (name recognition) のためのLMの多言語間転写特性を示す。
論文 参考訳（メタデータ） (2022-04-10T21:46:52Z) - CBLUE: A Chinese Biomedical Language Understanding Evaluation Benchmark [51.38557174322772]
中国初のバイオメディカル言語理解評価ベンチマークを提示する。
名前付きエンティティ認識、情報抽出、臨床診断正規化、単文/文対分類を含む自然言語理解タスクのコレクションである。
本研究は,現在の11種類の中国モデルによる実験結果について報告し,その実験結果から,現在最先端のニューラルモデルがヒトの天井よりもはるかに悪い性能を示すことが示された。
論文 参考訳（メタデータ） (2021-06-15T12:25:30Z) - Benchmarking Automated Clinical Language Simplification: Dataset,
Algorithm, and Evaluation [48.87254340298189]
我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。
我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-12-04T06:09:02Z)
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。