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

研究发现机器学习（ML）模型可以从患者病历中识别患者的种族信息，即使这些信息被删除，而人类专家则不能准确预测患者的种族信息。此外，研究还展示了在这些种族信息被删除的病历上训练的 ML 模型可能在临床治疗决策中继续保持现有的偏见。

May, 2022

通过自然语言处理技术，使用强调和带有偏见的语言的特征在重症监护电子病历中进行检测和分类。

May, 2024

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

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

利用语言模型（LMs）来代表结构化电子健康记录（EHRs），例如诊断历史，可以在各种风险预测任务中提高性能，同时具有少样本学习、处理未知医学概念和适应各种医学词汇等优势，但在使用这些模型时需要谨慎

Nov, 2023

使用大型语言模型（LLMs）开发的 NoteAid EHR 交互流水线通过生成式 LLMs 的创新方法，帮助患者理解电子健康记录（EHRs），并提供有关 EHR 内容的解释和患者提问后的回答。研究使用 MIMIC 出院摘要和 MADE 医疗笔记收集的数据集，通过 NoteAid EHR 交互流水线执行这两个任务，并通过 LLM 评估和手动评估展示了 LLMs 在患者教育中的潜力。同时，这些结果为未来的探索和应用提供了宝贵的数据支持，并提供了用于内部系统训练的高质量合成数据集。

Dec, 2023

通过系统回顾性研究，本文总结了使用电子健康记录的人工智能应用存在的偏见问题，并讨论了现有的偏见处理方法。

Oct, 2023

精神病学中，消极的病人描述和带有污名化的语言对医疗不公平产生了负面影响，该研究利用大规模语言模型来识别基于读者视角的精神病临床记录中的情感表达。结果显示，GPT-3.5 对提供者视角最为契合，而 Mistral 对非提供者视角最为契合。

May, 2024

大型语言模型在医疗专业人员中具有潜力，但在训练过程中可能意外地继承偏见，可能会影响其在医学应用中的实用性。通过定性和定量分析，我们发现这些模型倾向于为白人群体投射更高的费用和较长的住院时间，并在具有更高生存率的具有挑战性的医疗场景中表现出乐观的态度。这些偏差在生成患者背景信息、将特定疾病与某种种族关联以及治疗建议的偏差等方面都有体现。我们的发现强调了未来研究在解决和减轻语言模型的偏见问题方面的关键需求，特别是关注关键的医疗应用，以确保公平和准确的结果对所有患者来说。

Jan, 2024