論文の概要: PAINT: A Framework for Multilingual Pain Representation from Medical Licensing Exams to Real-World Clinical Texts

• arxiv url: http://arxiv.org/abs/2610.18269v1
• Date: Tue, 13 Oct 2026 12:28:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:37:21.29124
• Title: PAINT: A Framework for Multilingual Pain Representation from Medical Licensing Exams to Real-World Clinical Texts
• Title（参考訳）: PAINT:医療ライセンシングから実世界の臨床テキストへの多言語的痛み表現のためのフレームワーク
• Abstract要約: 痛みは疾患発症、進行、治療反応を反映し、最も一般的で臨床的に重要な症状の1つである。 既存の痛みに関する研究は、ほとんどモノリンガルまたは狭い臨床環境に限られている。 We release the WorldMedQA-Pain ensemble labels, the extract pipeline, validation script, and clinician annotations sheets for public license corpora。
• 参考スコア（独自算出の注目度）: 9.751612527730341
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pain is one of the most common and clinically important symptoms, reflecting disease onset, progression, and treatment response. However, pain is difficult to accurately capture and interpret from medical text, as its expression varies across languages, documentation types, and patient demographics, and is often embedded in terminology, negation, temporality, and contextual descriptions. Existing pain-related studies remain largely monolingual or limited to narrow clinical settings. In this study, we introduce PAINT, a multilingual framework for studying pain representation across medical exams and real-world clinical texts. PAINT includes nine pain-focused dataset partitions spanning English, Spanish, Portuguese, and Japanese, with clinician annotations in all four languages. We curated a structured schema covering pain relevance, pain presence, anatomical location, pain descriptors, and demographic information. To capture multilingual pain representations, we leverage large language models (LLMs) and adopt an ensemble strategy to improve performance. Ten clinicians across four languages validate the labels: the ensemble reaches macro-F1 of 0.91-1.00 on pain relevance and pain presence and 92-100% accuracy on demographics, with inter-annotator $κ$ of 0.82-1.00. We release the WorldMedQA-Pain ensemble labels, the extraction pipeline, validation scripts, and clinician annotation sheets for publicly licensed corpora, providing a foundation for pain-centered clinical NLP and for studying pain documentation across languages and healthcare contexts.
• Abstract（参考訳）: 痛みは疾患発症、進行、治療反応を反映し、最も一般的で臨床的に重要な症状の1つである。 しかし、その表現は言語、文書タイプ、患者人口層によって異なり、しばしば用語、否定、時間性、文脈記述に埋め込まれているため、医学的テキストから正確に捉えて解釈することは困難である。 既存の痛みに関する研究は、ほとんどモノリンガルまたは狭い臨床環境に限られている。 本研究では,臨床検査と実世界の臨床テキストを対象とした,痛み表現研究のための多言語フレームワークPAINTを紹介する。 PAINTには、英語、スペイン語、ポルトガル語、日本語にまたがる9つの痛みに焦点を当てたデータセットパーティションが含まれており、4つの言語すべてに臨床アノテーションがある。 われわれは、痛み関連性、痛みの有無、解剖学的位置、痛み記述子、人口統計情報を網羅した構造化スキーマを作成した。 マルチリンガルな痛み表現を捉えるために,我々は大規模言語モデル(LLM)を活用し,性能向上のためのアンサンブル戦略を採用した。 アンサンブルは痛みの関連性と痛みの有無で0.91-1.00のマクロF1に達し、人口統計学では92-100%の精度でアノテーターは0.82-1.00のκ$である。 我々は、痛み中心のNLPの基礎を提供するとともに、言語や医療の文脈にまたがる痛みドキュメントを研究するために、WorldMedQA-Painアンサンブルラベル、抽出パイプライン、バリデーションスクリプト、および臨床アノテーションシートをリリースする。

関連論文リスト

• MedErrBench: A Fine-Grained Multilingual Benchmark for Medical Error Detection and Correction with Clinical Expert Annotations [4.451052650309736]
  我々はMedErrBenchを紹介した。MedErrBenchは、エラー検出、ローカライゼーション、修正のための最初の多言語ベンチマークである。 MedErrBenchは10種類の一般的な誤りの分類に基づいて、英語、アラビア語、中国語をカバーしている。 その結果、特に英語以外の設定では、顕著なパフォーマンスのギャップが明らかとなった。
  論文  参考訳（メタデータ） (2026-02-05T14:18:20Z)
• Computational analysis of the language of pain: a systematic review [0.19999259391104385]
  本研究の目的は、痛みの言語の計算処理に関する文献を体系的にレビューすることである。 データ抽出と合成を行い、その目的と結果に応じて選択された研究を分類した。
  論文  参考訳（メタデータ） (2024-04-24T21:59:40Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• Knowledge Graph Embeddings for Multi-Lingual Structured Representations of Radiology Reports [40.606143019674654]
  本稿では,新しい軽量グラフベースの埋め込み手法,特に放射線学レポートのキャタリングについて紹介する。 報告書の構造と構成を考慮し、報告書の医療用語を接続する。 本稿では,X線レポートの疾患分類と画像分類という2つのタスクにこの埋め込みを組み込むことについて述べる。
  論文  参考訳（メタデータ） (2023-09-02T11:46:41Z)
• Cross-lingual Argument Mining in the Medical Domain [6.0158981171030685]
  注釈付きデータがない医療用テキストでArgument Mining(AM)を実行する方法を示す。 我々の研究は、アノテーション(データ転送)を英語から特定のターゲット言語に自動翻訳・投影することは、注釈付きデータを生成する効果的な方法であることを示している。 また、スペイン語で自動生成されたデータを用いて、元の英語単言語設定の結果を改善する方法も示す。
  論文  参考訳（メタデータ） (2023-01-25T11:21:12Z)
• Cross-Lingual Knowledge Transfer for Clinical Phenotyping [55.92262310716537]
  本稿では,英語を使わないクリニックに対して,このタスクを実行するための言語間知識伝達戦略について検討する。 ギリシャ語とスペイン語のクリニックに対して,異なる臨床領域のクリニカルノートを活用して,これらの戦略を評価する。 以上の結果から,多言語データを用いることで,臨床表現型モデルが改善され,データの疎度を補うことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-08-03T08:33:21Z)
• 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)
• Clinical Named Entity Recognition using Contextualized Token Representations [49.036805795072645]
  本稿では,各単語の意味的意味をより正確に把握するために,文脈型単語埋め込み手法を提案する。 言語モデル(C-ELMo)とC-Flair(C-Flair)の2つの深い文脈型言語モデル(C-ELMo)を事前訓練する。 明示的な実験により、静的単語埋め込みとドメインジェネリック言語モデルの両方と比較して、我々のモデルは劇的に改善されている。
  論文  参考訳（メタデータ） (2021-06-23T18:12:58Z)
• 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)

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。