Jun, 2023

电子病历中的自然语言处理与医疗决策：一项系统性综述

PDF
TL;DR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。
natural language processingelectronic health recordsmachine learningdeep learningmedical language translation
发现论文，激发创造
  • 电子病历中的非结构化数据神经自然语言处理：综述

    本文综述了当前神经自然语言处理方法在电子病历应用中的广泛运用，包括分类和预测，词嵌入，提取，生成以及其他诸如问答、表型、知识图谱、医学对话、多语言性和可解释性等领域。

    Jul, 2021

  • 通过自然语言处理和深度学习在电子健康数据分析中的进展

    医疗环境中存在大量且多样化的数据，然而仅有少部分文本化电子健康数据被处理和解释，这导致了大数据操作的困难，研究致力于分析医疗领域的术语、自然语言处理和深度学习技术，以期提出相关解决方案。

    Jan, 2024

  • 临床放射肿瘤学中的自然语言处理技术和框架简介

    该研究回顾了现代自然语言处理模型的关键技术创新，并介绍了在放射肿瘤学研究中使用大型语言模型的最新应用，同时提出了一种全面的框架来评估 NLP 模型以便在临床应用前进行严格的评估和验证。

    Nov, 2023

  • 基于电子病历的计算表型自然语言处理

    文章综述了自然语言处理在电子健康记录领域的应用，重点介绍了计算表型学方法，包括基于关键词搜索和基于规则的系统等算法，以及监督式机器学习模型、深度学习和非监督式学习等最近受到关注的算法。同时文章指出在病历中特征关系的处理、模型可解释性和推广性等方面仍有待解决的问题。

    Jun, 2018

  • 使用语言模型预训练的医疗命名实体识别模型

    本文介绍了一种从非结构化电子医疗记录中提取结构化信息的方法，该方法通过自然语言处理技术和网络注释工具的组合应用，优化了使用少量训练数据训练的定制命名实体识别模型的性能，并展示了该技术与现有方法相比的优势。研究结果表明，在仅使用 50% 的训练数据的情况下，我们的方法训练的模型的 F1 得分可达到 0.734，而当前流行的方法训练的不带语言模型组件的 spaCy 模型的 F1 得分为 0.704。

    Oct, 2019

  • 自然语言处理在放射学报告中的应用的系统性综述

    该研究系统评估了最近 NLP 应用于放射学报告方面的文献，并将其归类为 6 个临床应用类别，结果表明，深度学习的使用在增加，但传统的机器学习方法仍然普遍存在。

    Feb, 2021

  • 基于规则和机器学习方法的电子病历命名实体识别比较

    本研究探讨了多种 Named Entity Recognition 方法，并针对脑成像报告中的记录与应用 (i) 基于规则、(ii) 深度学习和 (iii) 迁移学习系统，重点研究帕金森氏病患者病历中的自动标记。研究者确定手工制作的系统是自动标记 EHR 的最准确方法，但是机器学习方法可以在无法轻易获得手动系统资源的情况下提供一种可行的替代方案。

    Mar, 2019

  • 通过自然语言处理技术识别家族史中的健康风险调查

    利用自然语言处理和机器学习技术，通过电子健康记录，可以提取家族疾病风险信息，进而在人们晚年之前帮助医生识别健康风险，拯救生命并减少医疗费用。

    Mar, 2024

  • 利用语言模型进行临床风险预测：益处与考虑因素

    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

  • 电子病历信息利用的 NLP 解决方案，促进医院护理决策效率提升

    研究开发了一种技术解决方案，通过机器学习自动识别临床记录中的属性，使患者历史记录更全面，提高了临床决策的效率。

    Feb, 2022