Mar, 2023

住院信息对抽象性出院小结生成有用吗？

PDF
TL;DR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。
discharge summaryautomated generationsequence-to-sequence architectureelectric health recordsmedical meta-information
发现论文，激发创造
  • 电子健康记录出院记录的摘要生成

    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

  • 面向临床会诊摘要：从先前的笔记中学习撰写出院摘要

    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

  • 电子健康档案的神经摘要

    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

  • 探索日本最大的多机构健康记录档案中无结构健康记录的最佳粒度提取摘要

    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

  • 自动化神经病学患者出院总结医院病程的方法

    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

  • 利用临床概念引导的深层预训练转换器模型对住院电子健康记录文本进行出院总结和医院过程概括

    本文介绍了一种自动化的医院病程小结（BHC）摘要生成方法，该方法采用基于深度学习的抽取式和生成式摘要模型，在加入 SNOMED 医学概念本体论的指导下，取得了超越其他方法的表现。

    Nov, 2022

  • 2024 年 “出院我” 电子健康 CSIRO: 用精细调整的语言模型生成出院小结部分

    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

  • 通过基于直接优化偏好的高效方法生成病人文本摘要的显著性创作

    提出了 “NOTE”（直接偏好优化的显著病人文本摘要生成方法）来为患者的单个住院期间生成出院小结，并演示了基于网页的软件。

    Feb, 2024

  • Shimo Lab 在 “Discharge Me!”：通过提示驱动的电子病历章节拼接进行出院总结

    我们提出了一种方法来通过从电子健康记录（EHR）中提取相关部分并添加解释性提示来生成 “Brief Hospital Course” 和 “Discharge Instructions” 段落，从而减少医生在写入详细笔记方面所需的时间和工作量。我们的方法在 ClinicalT5-large 模型上进行了 LoRA 微调来训练文本生成模型，在最终测试数据中实现了 0.394 的 ROUGE-1 得分，与顶级解决方案相当。

    Jun, 2024

  • 利用摘要指导进行医学报告摘要

    本研究提出了三个去识别化的医学文本数据集，命名为 DISCHARGE、ECHO 和 RADIOLOGY，共包含 50K、16K 和 378K 的报告和摘要对，作者在这些数据集上使用基于预训练编码器 - 解码器语言模型的有说服力的自动抽象摘要基线，并基于 BART 模型利用训练集的示例摘要作为先验知识引导来增强编码器和解码器的上下文表示，实验结果证实了这种方法在 ROUGE 分数和 BERTScore 上的改进，超过了更大模型 T5-large。

    Feb, 2023