Oct, 2018

电子健康记录出院记录的摘要生成

PDF
TL;DR使用 LSTM 模型标记当前病历的主题，从而通过自动摘要有效地协助医生完成患者总结，提高医疗决策的效率，并减少医疗错误。
发现论文，激发创造
  • 电子健康档案的神经摘要

    本文使用神经网络模型对医院出院总结报告进行自动摘要，结论表明以护理笔记为来源，离散化分离出院总结报告的各个部分作为目标输出来训练语言模型可以提高模型效率和文本质量。

    May, 2023

  • 面向临床会诊摘要：从先前的笔记中学习撰写出院摘要

    介绍了为临床诊断过程生成出院小结的任务，该任务需要忠实、可追溯，并适用于多个长文档，因此推动了采用提取 - 摘要级联的文本摘要方法。提出了两个新的度量方式：忠诚度和臆断率，补充了流畅度和信息性等现有度量方式。结果显示，支持可追溯性的文本摘要结构提供了有希望的结果，并且一种句子重写的方法在生成的多个部分上对于忠实度调整 $F_3$ 的度量表现一致。

    Apr, 2021

  • 探索日本最大的多机构健康记录档案中无结构健康记录的最佳粒度提取摘要

    该论文旨在探讨医学专业自动文本摘要中的不同单位粒度，病历中的概念应该是如何被提取和组合的，研究发现将医学病历划分为更小的单位可以获得更高的文本摘要的准确性。

    Sep, 2022

  • 自动化神经病学患者出院总结医院病程的方法

    研究了使用编码器 - 解码器序列转序列变换模型自动生成患者住院期间医院记录的方法，并评估了此方法的效果，评分较高。

    May, 2023

  • 通过基于直接优化偏好的高效方法生成病人文本摘要的显著性创作

    提出了 “NOTE”（直接偏好优化的显著病人文本摘要生成方法）来为患者的单个住院期间生成出院小结，并演示了基于网页的软件。

    Feb, 2024

  • 住院信息对抽象性出院小结生成有用吗？

    该论文研究了使用电子病历中的元数据来提高患者出院摘要自动生成的效率，并发现使用元数据可以提高模型精确度。

    Mar, 2023

  • 利用临床概念引导的深层预训练转换器模型对住院电子健康记录文本进行出院总结和医院过程概括

    本文介绍了一种自动化的医院病程小结（BHC）摘要生成方法，该方法采用基于深度学习的抽取式和生成式摘要模型，在加入 SNOMED 医学概念本体论的指导下，取得了超越其他方法的表现。

    Nov, 2022

  • 摘要中包含什么？为医院课程摘要进步奠定基础

    介绍了医院纪录摘要的任务，提出了构建一个由 109,000 个入院病例的医师所写的 “简短住院经过” 段落和相应摘要代理构成的英文文本数据集，并通过实证分析确认其高抽象性、简洁全面性、不同的组织风格，是模拟这种复杂的、多文档摘要任务的重要实例。

    Apr, 2021

  • Shimo Lab 在 “Discharge Me!”：通过提示驱动的电子病历章节拼接进行出院总结

    我们提出了一种方法来通过从电子健康记录（EHR）中提取相关部分并添加解释性提示来生成 “Brief Hospital Course” 和 “Discharge Instructions” 段落，从而减少医生在写入详细笔记方面所需的时间和工作量。我们的方法在 ClinicalT5-large 模型上进行了 LoRA 微调来训练文本生成模型，在最终测试数据中实现了 0.394 的 ROUGE-1 得分，与顶级解决方案相当。

    Jun, 2024

  • 从电子病历生成忠实而完整的医院病程总结

    本论文研究了电子病历的快速采用对临床人员面临的文档负担增加、医生与患者交流减少以及医生职业倦怠增加等问题，并提出了自动生成病人住院摘要的自动化解决方案，通过模型评估和领域适应等方法改进了模型质量和实体抽取的准确性。

    Apr, 2024