Feb, 2015

临床试验招募对非结构化临床叙述和信息融合多么重要？

PDF
TL;DR结构化电子健康记录和非结构化临床叙述是诊疗过程中不可或缺的信息来源，我们进行的实证研究表明，从非结构化临床叙述中提取信息对于大多数诊疗应用来说是必不可少的。
electronic health recordsstructured dataunstructured datainformation extractionclinical narratives
发现论文，激发创造
  • 利用自由文本临床记录实现非结构化死亡率预测

    通过以未经过多次预处理的多个临床笔记为输入，在用于预测住院死亡时提高模型性能，这项研究揭示了未结构化数据在临床预测方法中的潜力和必要性。

    Nov, 2019

  • 电子病历中的非结构化数据神经自然语言处理：综述

    本文综述了当前神经自然语言处理方法在电子病历应用中的广泛运用，包括分类和预测，词嵌入，提取，生成以及其他诸如问答、表型、知识图谱、医学对话、多语言性和可解释性等领域。

    Jul, 2021

  • 多模态数据的重要性：基于结构化和非结构化电子健康记录的语言模型预训练

    本文提出了一种名为 MedM-PLM 的医学多模态预训练语言模型，能够增强电子健康记录的表示能力，探索结构化和非结构化数据之间的相互作用，用于药物推荐、30 天再入院预测和 ICD 编码等三项临床任务，显示出比其他现有方法更好的性能和更全面的解释能力。

    Jan, 2022

  • 利用 LLMs 从电子病历中检索证据：可能性与挑战

    使用大型语言模型（Flan-T5 XXL）从非结构化电子健康记录（EHR）数据中检索和总结与特定查询相关的论据，较传统信息检索方法更受放射科医生欢迎，但面临 LLMs 产生虚构证据的挑战。然而，模型的信心可能指示 LLMs 是否存在虚构，为解决此问题提供了潜在方法。

    Sep, 2023

  • 如何利用多模态电子病历数据进行更好的医学预测？

    本文提出了一种从医疗电子健康系统中提取伴随临床记录的方法，并使用这些数据综合研究了不同模型和数据利用方法对于更好的医疗任务预测的影响。结果表明，我们的融合模型优于不包含临床记录的最新方法，这证明了我们的融合方法的重要性和临床注意点特征的价值。

    Oct, 2021

  • 利用电子健康记录进行因果推断的文本数据挖掘

    使用大量患者记录和治疗历史的文本数据，可以在临床数据的全部阶段中以最小的额外工作量支持因果推断，通过三种方式利用文本数据增强经典匹配分析，改善缺失数据的模拟值的准确性、增强匹配过程的合理性，并结合文本变量来估计易于解释的基于文本的治疗效应。希望利用这些技术拓展临床数据的次级分析范围，特别是在定量数据质量差或不存在的情况下，但有文本数据可用，例如在发展中国家。

    Jun, 2023

  • 电子健康记录与笔记的多模态融合：利用超图和 LLM 集成结构与语义

    提出了一个名为 MINGLE 的新框架，通过融合结构和语义以有效地整合不同类型的 EHR 数据，从而提高预测性能。

    Feb, 2024

  • 提高临床试验的患者招募效率：基于提示的学习模型应用

    应用基于提示的大型语言模型在临床试验中基于资格标准对患者进行分类的研究提供了有希望的分数，并提出了一种利用 SNOMED CT 本体论进行提取式摘要的方法，该方法也可以应用于其他医学文本。

    Apr, 2024

  • 自动去识别纵向临床叙述的调查

    本文探讨了对医疗数据进行去识别化处理的技术的发展与趋势，重点关注了从规则到深度学习的技术演变，以及 2014 年和 2016 年竞赛的结果和可能的研究问题。

    Oct, 2018

  • 大规模结构化现实世界数据的研究：利用患者级监督的深度学习从临床文本中提取关键肿瘤信息

    本文介绍了使用自然语言处理技术和基于深度学习的方法处理医学记录中的实际数据，通过利用医学注册处重点患者信息的导向监督，并结合领域特定的预训练、递归神经网络和分层注意的方法，实现了在医疗系统中具有可伸缩性的实证研究。

    Mar, 2022