电子健康档案中的笔记撰写学习
通过利用电子病历审计日志,我们的工作在特定的临床背景和特定时间点上,将机器学习作为便签相关性的监督源进行概念化,以降低临床医生在记录过程中查找相关病史所需的努力。我们的评估集中在急诊部动态检索,这是一个具有独特信息检索和记录编写模式的高急症设置。我们展示了我们的方法在预测哪些便签将在个人记录会话中被阅读方面可以达到 0.963 的 AUC。此外,我们对数名临床医生进行了用户研究,发现我们的框架可以帮助临床医生更有效地检索相关信息。在这个要求高的环境中展示我们的框架和方法表现良好是一个有希望的概念验证,表明它们将适用于其他临床设置和数据模态(例如实验室、药物、影像)。
Aug, 2023
综合临床记录,生成式人工智能(AI),自然语言处理(NLP),自动语音识别(ASR)和医疗保健环境是本研究的关键词。研究发现生成式 AI 有潜力改变临床记录实践,减轻行政负担,使医疗保健专业人士更专注于直接病人护理。
May, 2024
本文提出了一种结合了结构化信息和文本医疗笔记的通用多任务框架,用于预测疾病发病率。与传统的基于文本的预测模型相比,我们的方法不需要特定于疾病的特征工程,并且可以处理存在于文本中的否定和数值。在 100 万名患者的队列中,我们的模型表明使用文本的模型优于仅使用结构化数据的模型,并且能够使用文本中的数值和否定,进一步提高预测性能。此外,我们比较了医疗专业人员用于解释模型预测的不同可视化方法。
Aug, 2018
提出了一种预先训练的层级循环神经网络模型,通过解析最小处理的临床记录,比传统方法更好地处理了医疗信息技术中的出院诊断分类任务,并应用归因技术来确定模型用于进行预测的单词以及其重要性。
Sep, 2019
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
使用两项预测任务,即再入院预测和入院期间死亡预测,来表征医疗笔记中信息的价值,我们发现整体而言,医疗笔记仅在再入院预测中提供额外的预测能力。最后,我们证明,针对所选有价值的信息进行训练的模型可以实现更好的预测性能,而只使用 6.8%的所有标记即可实现。
Oct, 2020
本文介绍了开发医疗笔记生成系统的过程中所进行的三轮用户研究,包括如何适应临床实践、系统设计以及参与临床实践的临床医生对该系统的印象和看法,并发现了五种不同的记录行为、实时笔记生成的重要性以及自动生成笔记系统可能面临的几种挑战性情况。
May, 2022
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
使用大型语言模型(LLMs)开发的 NoteAid EHR 交互流水线通过生成式 LLMs 的创新方法,帮助患者理解电子健康记录(EHRs),并提供有关 EHR 内容的解释和患者提问后的回答。研究使用 MIMIC 出院摘要和 MADE 医疗笔记收集的数据集,通过 NoteAid EHR 交互流水线执行这两个任务,并通过 LLM 评估和手动评估展示了 LLMs 在患者教育中的潜力。同时,这些结果为未来的探索和应用提供了宝贵的数据支持,并提供了用于内部系统训练的高质量合成数据集。
Dec, 2023