論文の概要: MedDeID enables locally governed clinical-text de-identification from real or synthetic training data
- arxiv url: http://arxiv.org/abs/2609.10049v1
- Date: Wed, 09 Sep 2026 11:24:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.002053
- Title: MedDeID enables locally governed clinical-text de-identification from real or synthetic training data
- Title（参考訳）: MedDeIDは実または合成トレーニングデータから局所的に管理された臨床テキストの同定を可能にする
- Abstract要約: MedDeIDは、社内アノテーションと合成ノート生成とモデルトレーニング、推論、偽名化、評価を組み合わせたオンプレミスフレームワークである。
独立に注釈が付された300点のオランダの病院のベンチマークでは、病院で訓練されたコンパクトトランスフォーマーが98.9%のテキストを検出した。
100のプライマリケアノートでは、合成訓練されたモデルは、病院で訓練されたモデル(90.3%対87.0%)よりも高いリコールを達成し、識別子フォーマットに対するロバスト性が向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical notes contain personally identifiable information (PII), restricting reuse for research and medical AI, especially when data cannot leave an institution. We developed MedDeID, an on-premises framework combining in-house annotation and synthetic-note generation with model training, inference, pseudonymisation and evaluation. On an independently annotated, adjudicated 300-note Dutch hospital benchmark, a hospital-trained compact transformer detected 98.9% of identifying text while redacting 0.24% of text outside annotated identifiers; a synthetic-only counterpart detected 96.1%. On 100 primary-care notes, the synthetic-trained model achieved higher recall than the hospital-trained model (90.3% versus 87.0%) and greater robustness to identifier-format perturbations. An English instantiation trained without real text detected 99.7% and 98.9% of annotated identifier characters on two external synthetic benchmarks. These results demonstrate transfer of the workflow to another language, but not clinical English performance. MedDeID provides a route to locally governed de-identification using real or synthetic training data.
- Abstract（参考訳）: 臨床ノートには個人識別可能な情報(PII)が含まれており、研究や医療AIの再利用を制限している。
我々は、MedDeIDを開発した。MedDeIDは、社内アノテーションと合成ノート生成とモデルトレーニング、推論、擬似化、評価を組み合わせたオンプレミスフレームワークである。
独立に注釈付けされた300ノートのオランダ病院のベンチマークでは、病院で訓練されたコンパクトトランスフォーマーがテキストの98.9%を検知し、注釈付き識別子の外で0.24%のテキストを再現した。
100のプライマリケアノートでは、合成訓練されたモデルは、病院で訓練されたモデル(90.3%対87.0%)よりも高いリコールと、識別子形式の摂動に対する堅牢性を達成した。
実際のテキストなしで訓練された英語のインスタンス化では、2つの外部合成ベンチマークで99.7%と98.9%の注釈付き識別子文字が検出された。
これらの結果は、ワークフローを他の言語に移すことを実証するが、臨床英語のパフォーマンスは示さない。
MedDeIDは、実または合成トレーニングデータを使用して、ローカルに管理された非識別へのルートを提供する。
関連論文リスト
- Meddies-PII: A Multilingual Framework for Personally Identifiable Information Extraction in Clinical De-identification [0.649970685896541]
我々は17の言語と9のPIIラベルにまたがる100万の合成臨床文書のコーパスであるMeddies-PII-Datasetを紹介した。
文書は属性条件付きプロンプトを使用して生成され、13の決定論的ゲートを通じて検証される。
Meddies-PII-Modelは、報告された全てのベンチマークで評価されたシステムの中で最高の性能を達成する。
論文 参考訳（メタデータ） (2026-09-11T07:53:52Z) - Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。
我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。
ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文 参考訳（メタデータ） (2026-03-18T06:15:35Z) - From Statistical Fidelity to Clinical Consistency: Scalable Generation and Auditing of Synthetic Patient Trajectories [0.8261055975875736]
臨床的に整合性を持たせるためのパイプラインを構築した。
実症例180,712例から合成患者18,071例を作成した。
プライバシーリスクの証拠は見つからず、メンバーシップのパフォーマンスはランダムな推測とは区別できない。
論文 参考訳（メタデータ） (2026-03-06T00:17:59Z) - Detection of Adverse Drug Events in Dutch clinical free text documents using Transformer Models: benchmark study [2.6758306285161075]
オランダのフリーテキスト文書における有害薬物事象(ADE)検出の基準を確立した。
両方向長短期記憶(Bidirectional Long Short-Term Memory, Bi-LSTM)モデルと4つのトランスフォーマーベースオランダ語および/または多言語エンコーダモデルを訓練した。
ADE RCモデルを金標準(2ステップタスク)と予測エンティティを用いて内部的に評価した。
論文 参考訳（メタデータ） (2025-07-25T16:02:02Z) - Embedding-Driven Diversity Sampling to Improve Few-Shot Synthetic Data Generation [4.684310901243605]
そこで本研究では,少数の臨床論文から多様性を抽出し,大規模言語モデルを数発のプロンプトでガイドする埋め込み型アプローチを提案する。
われわれは,コサイン類似性とチューリング試験を用いて,実際の臨床テキストとより密に一致した合成ノートを作成した。
論文 参考訳（メタデータ） (2025-01-20T00:16:57Z) - Detecting automatically the layout of clinical documents to enhance the
performances of downstream natural language processing [53.797797404164946]
我々は,臨床用PDF文書を処理し,臨床用テキストのみを抽出するアルゴリズムを設計した。
このアルゴリズムは、PDFを使った最初のテキスト抽出と、続いてボディテキスト、左書き、フッタなどのカテゴリに分類される。
それぞれのセクションのテキストから興味ある医学的概念を抽出し,医療的パフォーマンスを評価した。
論文 参考訳（メタデータ） (2023-05-23T08:38:33Z) - 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) - 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) - Towards more patient friendly clinical notes through language models and
ontologies [57.51898902864543]
本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。
我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。
本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
論文 参考訳（メタデータ） (2021-12-23T16:11:19Z) - Detecting of a Patient's Condition From Clinical Narratives Using
Natural Language Representation [0.3149883354098941]
本稿では,臨床自然言語表現学習と教師付き分類フレームワークを提案する。
この新しいフレームワークは、文脈的臨床物語入力から分布構文と潜在意味論(表現学習)を共同で発見する。
提案手法では, 精度, 再現性, 精度をそれぞれ89 %, 88 %, 89 %とした総合分類性能が得られる。
論文 参考訳（メタデータ） (2021-04-08T17:16:04Z) - 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。