Jan, 2023

跨机构文本挖掘揭示临床相关性：以重症医学社会因素和病情代码为例的案例研究

PDF
TL;DR通过使用来自外部机构的现成文本挖掘模型，与内部标记有限的数据结合使用，可靠地提取研究变量以进行关联研究。我们对在不同数据组合上构建多个文本挖掘模型，并评估了社交因素与是否具有不复苏 / 插管代码之间的关联。虽然文本挖掘可以协助扩展对样本的分析，但估计结果可能是不可靠的。因此，需要进一步研究建立可靠使用文本挖掘进行医学研究的条件。
发现论文，激发创造
  • 利用电子健康记录进行因果推断的文本数据挖掘

    使用大量患者记录和治疗历史的文本数据，可以在临床数据的全部阶段中以最小的额外工作量支持因果推断，通过三种方式利用文本数据增强经典匹配分析，改善缺失数据的模拟值的准确性、增强匹配过程的合理性，并结合文本变量来估计易于解释的基于文本的治疗效应。希望利用这些技术拓展临床数据的次级分析范围，特别是在定量数据质量差或不存在的情况下，但有文本数据可用，例如在发展中国家。

    Jun, 2023

  • 文档级编码的临床概念提取

    通过将抽取的概念作为特征或标签，加以利用或学习，以期提高文档级别的临床编码任务的性能，但结果未取得较大的性能提升，探讨可能的原因和未来的研究方向。

    Jun, 2019

  • MIMICause: 从临床注释中自动提取因果关系类型的表示方法

    本文提供了一个注释指南并开发出一个带有基线分数的注释语料库来识别生物医学概念之间在医疗笔记中的暗示或明确的因果关系。在医疗文本中高度的评分一致性显示了我们注释指南的质量，而提供的基线 F1 分数则为未来研究向理解医疗文本中的叙述走向奠定了方向。

    Oct, 2021

  • 利用图神经网络嵌入临床代码和文本的多视图联合学习框架

    本文提出了一种多视图学习框架，结合 ICD 代码和文本以提高临床机器学习应用的性能，采用图神经网络（GNN）和 Bi-LSTM 处理输入信息，并应用深度典型相关分析（DCCA）来强制实现两个视图的相似表示。实验结果表明，本方法在临床和多样文本应用中都具有良好的性能。

    Jan, 2023

  • 半自监督自动 ICD 编码

    本文介绍一种使用神经网络对 Icelandic CTNs 数据集进行半自我监督的数据增强方法，以预测医生对某些疾病的诊断。该方法可以弥补医疗数据稀缺的不足，并证明了机器学习在医学数据分析中的有效性。

    May, 2022

  • 从文本中提取临床标记的廉价方法

    该论文描述了 UniBuc 考古团队在 CLPsych 的 2024 共享任务中的工作，其中包括在文本中找到支持所分配的自杀风险级别的证据。该工作关注评估大型语言模型（LLM），并与一种更加内存和资源高效的替代方法进行对比。

    Mar, 2024

  • 应用无监督关键词方法于从出院记录中提取出的概念

    在这项研究中，使用临床自然语言处理技术解决了识别和映射标准术语的问题。提出了一种用于提取临床文本中关键概念的 TF-IDF 快捷方法，并使用基于 transformer 的模型设计了两种下游任务，结果表明 SciBERT 模型在结合提出的方法时具有优越性，并为临床笔记的关键短语提取提供了洞察。

    Mar, 2023

  • 通过社会工作笔记的自然语言处理揭示社会环境对癌症治疗选择的影响

    研究使用自然语言处理探究社会因素对癌症治疗选择的影响，发现社会工作者的记录在预测靶向治疗中起着重要作用，并发现许多与临床决策 - making 有关的健康社会决定因素可能会对治疗差异造成贡献。

    Jun, 2023

  • 二阶段联邦表型分类和患者表征学习

    我们开发了一种基于联邦自然语言处理的方法，能够利用来自不同医院或诊所的临床笔记，改进特定临床任务的质量，并促进整个医疗保健系统的知识进步。这是联邦机器学习在临床自然语言处理中的第一次应用。

    Aug, 2019

  • 临床文本中医疗代码的可解释预测

    本文提出了一种使用卷积神经网络和注意力机制对临床文本进行医学编码的方法，并展示了该方法在精度和可解释性方面的优势。

    Feb, 2018