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

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

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

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

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。

Oct, 2018

利用临床备注合成摘要（BHC synthesis）的大型语言模型（LLMs）在临床研究中表现出良好的性能，本研究提出了一个新的评估标准和数据集，用于评估临床备注合成中 LLMs 的性能，并通过定量和定性评估展示了高质量的摘要表现。

Mar, 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

通过调整多个开源语言模型的输入上下文、解码算法以及模型的特定领域训练，我们的研究解决了医护人员日常工作中繁琐的临床文档编写问题，并以生成出院小结为例，得出了在目标部分之前依赖于出院小结内容的生成方法要更加有效，同时较小的编码 - 解码模型也能比基于解码的较大语言模型在此任务中表现得更好。我们团队（aehrc）的模型训练结果已公开提供。

Jul, 2024

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

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