本研究基于问题回答（QA）方法和信息提取，尝试从医学对话中快速提取药物治疗方案（药品剂量和频率），使用数据扩充方法和预训练神经网络等技术提高模型精度，并取得远高于基准的性能。该研究提出了首个可自动从医学对话中提取药物治疗方案的系统，准确率达到了 71%。

Dec, 2019

本文介绍了一种新的建模方法 MedFilter，以解决从医患对话中提取相关信息的任务。该方法有效提高了识别和分类任务相关话语的性能，并在下游的信息提取任务中取得了显著的改进。

Oct, 2020

研究开发了自然语言处理（NLP）系统，用于从临床叙述中提取上下文药物信息，证明大型转换模型的优势。

Mar, 2023

本文介绍了一种从临床笔记的自由文本中自动提取药物变化信息的方法，并用 Contextual Medication Event Dataset (CMED) 数据集识别药物提及。并提出了三种基于 BERT 的高性能系统来解决注释的药物变化特性。研究表明，所提出的系统可以提高药物变化分类性能。

Aug, 2022

该研究开发了两种新型深度学习模型，基于医疗文本数据集，旨在从临床会话中提取症状信息，针对模型性能进行全面评估，为医疗提供辅助应用方向。

Jun, 2019

探索了 MedTem 项目中利用深度学习和大型语言模型（LLM）进行医疗信息从 EMR 中提取和分类的效果，并对不同字嵌入技术进行了研究。在医疗实体识别任务中，CNN-BiLSTM 模型优于 BiLSTM-CRF 模型，分别达到了 75.67，77.83 和 78.17 的 Macro Average 精确度，召回率和 F1 分数。BERT-CNN 模型在 i2b2-2012 挑战的时间关系提取测试集上表现也较好，分别达到了 64.48，67.17 和 65.03 的 Macro Average P/R/F1 分数。

Oct, 2023

本文讨论了采用弱标签数据从手写处方单中提取药名的问题，并提出一种新的方法，并证明该方法比现有的最先进技术方法表现更好。

Jun, 2023

本文研究使用预训练的转换器模型对医患对话转录进行自动摘要的可行性，展示了在特定构造的数据集上，使用有限的训练数据 fine-tuning BART 可以生成流畅而足够的摘要，其生成效果远远超过人工注释者和先前发表的作品质量，并提出了多阶段的方法来处理较长的对话。

Sep, 2021

本研究旨在探讨利用预训练的大型语言模型 (ChatGPT) 进行数据增强来识别电子病历中的关键因素，结果表明基于 ChatGPT 的数据增强对药物识别和药物事件分类任务的性能提高有益。

Jun, 2023

通过使用两种不同的提示策略（即 shot 提示和 pattern 提示），该研究通过结合范围和领域上下文，改善了自动医学报告的性能，并且获得了最高分数，超过了一般执业医生的参考文献。然而，由于报告中添加了冗余和相关陈述，自动报告的长度大约是人工参考的两倍。

Nov, 2023