医院信息系统的处方辅助软件已经成为医疗机构必不可少的一部分，但是这种系统使医生花费更多时间在电脑输入信息而不是提供医疗服务。本论文介绍了一种自然语言界面的电子处方软件，以口语对话系统的形式呈现，该系统允许医生语音记录处方，接近他们的正常实践方式。该系统在野外评估中表现出较好的处方时间和任务成功率，该评估数据已被录制和注释为 PxCorpus，是第一个完全向社区提供的口语药物处方语料库。

Nov, 2023

通过从患者论坛、社交媒体和临床报告中收集多种语言（德语、法语和日语）关于不良药物反应（ADRs）的文本，本研究提供一个多语言语料库，并提供了涵盖 12 种实体类型、4 种属性类型和 13 种关系类型的注释。该语料库对于发展面向医疗保健的真实世界多语言语言模型具有重要意义。我们提供了统计数据来强调与该语料库相关的某些挑战，并进行了初步实验，实现了在语言内部和跨语言之间提取实体和实体之间的关系的强基线。

Mar, 2024

该研究提出一种基于医疗对话的药物推荐方法，使用自然语言处理技术结合病历数据，构建了一个高质量的医疗对话数据集 DIALMED, 并提出了 DDN 模型和 QA 对话图机制，有效考虑了各种因素的影响，实现了医患对话中对药物的智能推荐。

Feb, 2022

提出了一个新的基于机器翻译的方法，PharmMT，用于将处方指示语言自动简化为患者友好的语言，从而显着减少药师的工作量。该系统对超过 530K 份处方进行了评估，达到了与药师生成的参考指示方向的 BLEU 得分为 60.27，相对于基于规则的归一化的 39.6％的相对改进。药剂师判断 94.3％的简化指示方向可以按原样或进行最小更改使用。这项工作展示了在现实生活中简化处方指示的机器翻译工具的可行性。

Apr, 2022

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

本文介绍了我们在 ImageClef 2023 MediQA-Sum 任务中提交的系统 PULSAR，用于将患者与医生的对话总结为临床记录。我们的方法主要依赖于领域特定的预训练和数据增强，并利用黑匣子 LLM 生成的合成数据来训练一个专业化的语言模型。虽然我们发现领域特定的预训练和数据增强的效果有限，但是增加语言模型的规模可以获得最佳的性能提升。在任务 B 的比赛中，我们的方法在 13 个提交中排名第二和第三。我们的代码可在此 https URL 中找到。

Jul, 2023

本文旨在通过构建人 - 人对话数据集来快速搭建一种对话理解系统，从而实现对医院对话的深度理解，更好地进行病症筛查和分流。

Mar, 2019

通过医患对话数据集，使用基于 Transformer 的​TAScore 注意力评分函数与 Fusedmax 投影方法相结合，提高了自动抽取对话中药品用法及频率等信息的模型的最大公共子串 F1 值。

Oct, 2020

本文介绍了使用 CTC 和 LAS 系统，运用多种配准方法，构建自动语音识别模型来转录医生和患者之间的谈话，并提供了对其表现的详细分析。我们的分析表明，在重要的医疗话语上，语音识别模型表现良好，而在非正式对话中存在误差。

Nov, 2017

本研究详细阐述了开发出的 57 个模拟初级保健咨询数据集，包括音频记录、手动语音层次转录和相关的咨询备注，旨在成为医疗对话 ASR 基准以及转录生成咨询注意事项的数据集。

Apr, 2022