电子健康记录出院记录的摘要生成
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
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
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
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
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
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
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