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

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

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

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

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

本研究旨在利用最先进的语言模型对 MIMIC-IV 数据集中的 “病历简况” 和 “出院指示” 部分进行自动生成，以减轻临床医生的行政工作负担。我们研究了自动化如何提高文档准确性、缓解临床医生过劳并提升医疗机构的运营效率。在本次 BioNLP @ ACL 2024 的共享任务 Discharge Me! 中，我们采用了各种策略，包括少样本学习、指令调优和动态专家选择 (DES)，以开发能够生成所需文本部分的模型。值得注意的是，利用额外的临床领域特定数据集展示了提升临床语言处理的巨大潜力。DES 方法通过优化从多个预测中选择文本输出的方式，证明其特别有效。在比赛中，DES 方法获得了最高的综合得分为 0.332，超过了单一模型的输出。这一发现表明，先进的深度学习方法与 DES 结合，可以有效地自动化电子病历的部分文档化。这些进展有望通过释放临床医生的时间用于病人互动，提升患者护理水平。文本选择策略的整合代表了进一步研究的有希望途径。

May, 2024

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

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

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