Jun, 2018

电子健康档案的自然语言生成

PDF
TL;DR使用编码器 - 解码器模型，可以从电子健康记录中生成实际数据的一些病人的主诉文本，而且能够去除数据中的个人信息和不常见的缩写和拼写错误，这种模型的算法可以与生成敌对网络（GANs）等算法结合使用，生成完全合成的电子健康记录，这有助于医疗保健提供者和研究人员之间的数据共享，也有助于我们开发出更适合于医疗数据中信息的机器学习方法。
synthetic electronic health recordsencoder-decoder modeldeep learning algorithmgenerative adversarial networksmachine learning
发现论文，激发创造
  • 合成电子病历文本生成

    该研究提出了一种基于机器学习和自然语言处理的方法，叫做 mtGAN，用于生成电子病历文本数据，以解决医疗数据难以获得、保密性高的问题，并在中文电子病历文本数据集上进行了评估，取得了一定的成果。

    Dec, 2018

  • CEHR-GPT：生成具有时间轴的电子健康记录

    通过使用从 CEHR-BERT 导出的特定患者表征，我们展示了使用 GPT 模型来生成患者序列，并能够无缝转换为 OMOP 数据格式的能力。

    Feb, 2024

  • 利用加速去噪扩散模型生成电子健康记录

    本篇论文提出了一种基于扩散模型的生成模型，可以成功地应用于电子病历数据。该模型提出了一种基于分类条件的采样机制以保留标签信息，并引入了一种新的采样策略来加速推理速度。经实验证明，该模型优于现有的其他合成电子病历生成方法。

    Feb, 2023

  • PromptEHR: 基于 Prompt 学习的条件式电子健康记录生成

    本文提出了一种基于语言模型将电子医疗记录 (EHRs) 的生成形式转化为文本翻译任务的方法，使得事件插入更加灵活。该方法实现了根据数值和分类人口特征来控制生成的提示学习方式，其评估了两个迷惑度度量，考虑了纵向和跨模态插值的关系，同时利用了隐私保护评估的两个对手，展现了其在 MIMIC-III 数据上生成现实 EHRs 的优越性 (平均 longitudinal imputation perplexity 降低 53.1% 和平均 cross-modality imputation perplexity 降低 45.3% 与最佳基线相比)。

    Oct, 2022

  • 电子健康档案中的笔记撰写学习

    本文提出了一种预测病历记录中病人的过去数据，包括人口统计学，检验，药物和过去的笔记，预测未来笔记内容的新型语言建模任务，并使用公开的、去个人化的 MIMIC-III 数据集训练生成模型。我们发现大部分笔记的内容都可以被预测，并且学习了许多常见的笔记模板。本文探讨了这样的模型如何在支持辅助笔记编写功能方面是有用的，比如错误检测和自动完成。

    Aug, 2018

  • 电子病历生成的导向离散扩散

    电子健康记录生成的新方法 (EHR-D3PM) 以离散的扩散模型为基础，通过高质量的数据生成、数据增强和隐私安全性等方面的实验表明它在生成质量、潜在风险和任务效果方面优于现有方法。

    Apr, 2024

  • 预测扩散模型综合多模态电子健康记录

    通过引入基于扩散的 EHR 数据生成模型 EHRPD 来解决电子健康记录数据生成中存在的局限性，并从真实性、隐私性和实用性的角度对其进行实验验证。

    Jun, 2024

  • 使用扩散模型综合混合类型的电子健康记录

    使用扩散模型生成混合类型的电子病历在数据质量、效用和增强方面超过其他现有模型，但在隐私方面存在同质化风险。

    Feb, 2023

  • 用于患者预后预测的文本数据增强

    本文研究提出一种新的文本数据增强方法，利用 GPT-2 生成病人电子病历中的临床记录作为额外的训练数据，用于预测病人的不良预后，实验证明了该数据增强方法的有效性。

    Nov, 2022

  • 利用大型语言模型在电子健康记录中进行主诉自动完成

    利用 LSTM 模型和三种不同的 Biomedical Generative Pretrained Transformers (BioGPT) 变体 (microsoft/biogpt, microsoft/BioGPT-Large 和 microsoft/BioGPT-Large-PubMedQA)，结合 GPT-4 的 OpenAI API，我们开发了一种有效的自动完成工具，用于生成医疗保健领域的主诉文档。BioGPT-Large 模型表现出卓越的性能。

    Jan, 2024