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

该研究介绍了一个原型工具，结合多种可视化方式，帮助终端用户理解临床文本中提取出的信息，修正必要错误，形成反馈循环，支持 NLP 模型的优化。针对该工具进行的临床医生和研究人员的用户研究显示，用户可以快速开始修正 NLP 模型，尽管他们很少或没有机器学习经验。研究结果还提供了优化界面以支持结果审查工作流程和解释的建议。

Jul, 2017

本研究提出使用 Consultation Checklists 作為評估醫療自動生成文本的指標，以提高客觀性和降低專家評估者間的差異。根據實驗結果，使用 Consultation Checklists 作為自動度量標準可以更好地與人工評估相關聯。

Nov, 2022

本文介绍了我们在 MEDIQA-Chat 2023 共享任务中对于从医生 - 患者对话自动生成临床笔记的提交。我们报道了两种方法的结果：第一种微调共享任务数据上的预训练语言模型（PLM），第二种使用大型语言模型（LLM）进行少量样本的上下文学习（ICL）。两种方法在自动指标（如 ROUGE，BERTScore）上均实现了高性能，并分别排名共享任务的二和一位。专业人士的审查表明，通过基于 ICL 的方法和 GPT-4 生成的笔记与人工书写的笔记一样受欢迎，这使其成为从医生 - 患者对话自动生成笔记的有前途的途径。

May, 2023

该研究引入了最先进的自然语言处理技术（具体为掩蔽语言建模预训练）和伪标记的方法，以应对临床病历评估的挑战，提高效率和性能，并改变临床病历评估的潜力。

Jan, 2024

该研究提出了一种半自动化的方法来解决自动摘要难以在临床环境中使用并且难以评估安全性的问题，该方法利用医师编辑自动生成的笔记以提高其效率和安全性。该研究通过模拟会诊评估了这种方法的时间效益，在这个实验中，半自动方法比从头开始写笔记更快。

Apr, 2021

医生在每次患者访问后撰写的详细临床记录对医生和研究人员至关重要。利用语言模型自动化创建这些记录可以减轻医生的工作负担。本文介绍了 NoteChat，一个利用大型语言模型生成基于临床记录的合成医患对话的协作多代理框架。NoteChat 包括规划、角色扮演和润色模块。通过与 OpenAI 的 ChatGPT 和 GPT-4 等最先进模型进行全面的自动和人工评估，结果表明 NoteChat 促进了高质量的合成医患对话，突显了语言模型在医疗保健中的潜力。这项工作是多个语言模型合作完成以临床记录为条件的医患对话的首次示例，为人工智能与医疗保健的交叉领域提供了有前景的途径。

Oct, 2023

本研究阐述了自然语言处理技术在电子病历上的应用存在的挑战和限制，以及研究人员使用机器学习、深度学习等技术进行处理和信息提取的相关领域和方法。

Jun, 2023

研究机器学习模型如何生成临床咨询笔记，并提出了一种人工评估方法，以理解它们对医生和患者临床安全性的影响，发现基于字符的 Levenshtein 距离指标的性能与 BertScore 等基于模型的指标相当，甚至更好。

Apr, 2022