論文の概要: MIMIC-Note-Extract: A Large-Scale Structured Dataset Extracted from MIMIC-IV-Note Discharge Summaries

• arxiv url: http://arxiv.org/abs/2611.04685v1
• Date: Tue, 03 Nov 2026 11:08:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:57:09.858409
• Title: MIMIC-Note-Extract: A Large-Scale Structured Dataset Extracted from MIMIC-IV-Note Discharge Summaries
• Title（参考訳）: MIMIC-Note-Extract:MIMIC-IV-Note-Extracted from MIMIC-IV-Note Discharge Summaries
• Abstract要約: MIMICは、電子健康記録の機械学習に最も広く使われている公共病院のデータセットの1つである。 過去の医療歴、アレルギー、診断所見などの臨床的に重要な情報は、フリーテキストの放電サマリーに限られている。 大規模データセットであるMIMIC-Note-Extract (MNE) を,ハイブリッド抽出パイプラインを用いて16のセクションを構造化テーブルに変換する。
• 参考スコア（独自算出の注目度）: 25.181107177547915
• License:
• Abstract: MIMIC is one of the most widely used public hospital datasets for machine learning on electronic health records, yet clinically important information, such as past medical history, allergies, and diagnostic findings, remains confined to free-text discharge summaries. Studies requiring this information must therefore build their own extraction pipelines, duplicating substantial effort across projects. We release MIMIC-Note-Extract (MNE), a large-scale dataset that uses a hybrid extraction pipeline combining deterministic parsing with schema-guided large language model generation to transform 16 sections from 300,720 discharge summaries into structured tables. MNE adds information that has no structured MIMIC counterpart and enriches related tables with broader coverage and greater clinical detail, including 10 times more patient-history entries and medication histories for more than twice as many admissions. Validation by medical doctors confirms extraction accuracy above 92% across sections. Using MNE, we construct a clinical decision-making benchmark for LLM agents, demonstrating how reusable structured representations of clinical narratives reduce data curation effort.
• Abstract（参考訳）: MIMICは、電子健康記録に関する機械学習のための最も広く使われている公共病院のデータセットの1つであるが、過去の医療歴、アレルギー、診断所見などの臨床的に重要な情報は、フリーテキストの退院要約に限られている。 そのため、この情報を必要とする研究は独自の抽出パイプラインを構築し、プロジェクト全体でかなりの労力を掛け合わなければならない。 我々は、スキーマ誘導型大規模言語モデル生成と決定論的解析を組み合わせたハイブリッド抽出パイプラインを用いた大規模データセットMIMIC-Note-Extract (MNE) をリリースし、16のセクションを300,720の放電サマリーから構造化テーブルに変換する。 MNEは、MIMICとは無関係な情報を付加し、より広範なカバレッジとより深い臨床詳細を持つ関連するテーブルを豊かにし、10倍の患者史のエントリと薬の履歴を2倍以上の受け入れで追加する。 医師による検証は、セクション間で92%以上の抽出精度を確認します。 MNEを用いてLCMエージェントの診断基準を構築し,再利用可能な臨床物語の表現がデータキュレーションの労力を減らしたことを示す。

関連論文リスト

• Primary ICD Category Prediction using LLM-based Probing [7.948368617192842]
  ICD-10符号10個のうち13,645個のMIMIC-IVコホートを構築した。 我々は,5つの変圧器層から隠れた状態を抽出し,非構造的,非構造的,複合的な入力に対して線形プローブを訓練した。 組み合わせたプローブはMIMIC-IV(87.69%の厳格さ、91.45%の医療的精度)で最高性能を達成し、単一モードのプローブとベースラインを上回った。
  論文  参考訳（メタデータ） (2026-06-27T08:10:05Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• MEDFuse: Multimodal EHR Data Fusion with Masked Lab-Test Modeling and Large Language Models [11.798375238713488]
  MEDFuseは構造化および非構造化の医療データを統合するフレームワークである。 10種類のマルチラベル分類タスクにおいて、90%以上のF1スコアを達成している。
  論文  参考訳（メタデータ） (2024-07-17T04:17:09Z)
• EMERGE: Enhancing Multimodal Electronic Health Records Predictive Modeling with Retrieval-Augmented Generation [22.94521527609479]
  EMERGEはRetrieval-Augmented Generation(RAG)駆動のフレームワークであり、マルチモーダルEHR予測モデリングを強化する。 時系列データと臨床ノートからエンティティを抽出し,LLM(Large Language Models)を誘導し,プロのPrimeKGと整合させる。 抽出した知識は、患者の健康状態のタスク関連サマリーを生成するために使用される。
  論文  参考訳（メタデータ） (2024-05-27T10:53:15Z)
• REALM: RAG-Driven Enhancement of Multimodal Electronic Health Records Analysis via Large Language Models [19.62552013839689]
  既存のモデルは、しばしば臨床上の課題に医学的文脈を欠いているため、外部知識の組み入れが促される。 本稿では、マルチモーダルEHR表現を強化するためのRAG(Retrieval-Augmented Generation)駆動フレームワークREALMを提案する。 MIMIC-III 死亡率と可読化タスクに関する実験は,ベースラインよりもREALM フレームワークの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-10T18:27:28Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)
• 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。