May, 2024

SNOBERT：SNOMED CT 临床术语中的临床记录实体关联基准

PDF
TL;DR该研究提出了一种名为 “SNOBERT” 的方法，使用基于 BERT 的模型，将临床笔记中的文本片段与 SNOMED CT 中的特定概念进行链接，对医疗数据和医疗编码进行自动化处理，该方法在深度学习的基础上优于其他传统方法。
medical datamedical codingsnobertsnomed ctbert-based models
发现论文，激发创造
  • 临床实体提取机器学习的稳健基准测试

    本研究运用新的注释框架拟定临床实体抽取的评估标准，并发现现有的医学词汇一致性、数据标签限制、评估技术瓶颈等问题仍需要解决，因此提出了解决方案来推动临床实体识别和标准化的发展。

    Jul, 2020

  • 高效的生物医学实体链接：低资源技术下的临床文本标准化

    通过学习实体的同义词对，我们提出了一种用于临床文本标准化的方法，通过关联多个术语，从而显著减少训练数据和资源消耗，并引入了基于上下文和无上下文重排序技术进行实体消岐。在最大的 UMLS 标注数据集 Medmentions 上，我们的方法表现与现有的零样本和远程监督实体链接技术相当，在没有基于领域的训练的情况下。最后，我们证明了单纯的检索性能可能不足以作为评估指标，并引入了一种基于文章的定量和定性分析，揭示了实体链接方法的进一步洞察。

    May, 2024

  • 从文本中丰富本体学：一个用于概念发现和定位的生物医学数据集

    通过自动化方法将新概念放入知识库，提出基于 MedMentions 数据集的新基准来解决既定数据集常见的问题，并通过最近的大型语言模型方法进行评估。

    Jun, 2023

  • 大规模临床本体的语义搜索

    本文介绍了一种基于深度学习的方法来构建大型临床本体的语义搜索系统，该方法使用 Triplet-BERT 模型和直接从本体生成训练数据的方法，并在五个真实基准数据集上进行了评估，在自由文本到概念和概念到概念的搜索任务中取得了高结果。这项方法优于所有基线方法。

    Jan, 2022

  • ClinLinker：西班牙语临床概念提及的医学实体链接

    这项研究通过使用一种新颖的双阶段流程来实现医学实体链接，该流程利用领域内适应的语言模型进行生物医学文本挖掘，从而显著提升了临床文本分析的性能。该方法在西班牙语内容的初期侧重下，在涉及异构医学术语并在原始数据子集上进行训练的复杂场景中，显著优于为同一目的设计的多语言语言模型。通过在两个不同的临床实体链接 Gold Standard 语料库（DisTEMIST（疾病）和 MedProcNER（临床程序））上进行评估，我们的结果表明，该方法在 25 个 Top-k 准确度和其他 Top-k 指标上的性能优于前期基准，DisTEMIST 上提高了 40 个点，MedProcNER 上提高了 43 个点，两者均归一化到 SNOMED-CT 代码。这些发现突显了我们的方法在处理语言特定细微差别方面的能力，并树立了一个新的实体链接基准，为提高数字医疗记录的实用性提供了一种强大工具。该系统的结果具有实际价值，既可以用于从临床记录中自动产生大规模结构化数据，也可用于全面提取和协调预定义的临床变量。

    Apr, 2024

  • ClinicalBERT：医疗记录建模和医院复诊预测

    本文使用双向转换器（ClinicalBERT）开发和评估了临床笔记的表示方法，该方法发现了医学概念之间的高质量关系，并在 30 天医院再入院预测方面优于基线，使用的数据为出院小结和重症监护室的前几天的笔记。

    Apr, 2019

  • 提高临床试验的患者招募效率：基于提示的学习模型应用

    应用基于提示的大型语言模型在临床试验中基于资格标准对患者进行分类的研究提供了有希望的分数，并提出了一种利用 SNOMED CT 本体论进行提取式摘要的方法，该方法也可以应用于其他医学文本。

    Apr, 2024

  • MedCAT 多领域临床自然语言处理：医学概念标注工具包

    介绍了一种开源的医学概念注释工具 (MedCAT)，该工具使用自我监督的机器学习算法从电子医疗记录中提取 UMLS/SNOMED-CT 概念，从而实现了对大量结构化文本的临床分析。该工具包括：自定义和训练 IE 模型的功能丰富的注释界面；以及与 CogStack 生态系统的集成用于厂商无关的卫生系统部署。现实世界的验证表明，该工具在大型伦敦医院的 SNOMED-CT 提取方面的性能表现很好，表明了跨领域的 EHR-agnostic 实用性，可加速临床和研究用例。

    Oct, 2020

  • MT-Clinical BERT: 使用多任务学习扩展临床信息抽取能力的 BERT 模型

    采用 Multitask-Clinical BERT 模型，可同时执行包括实体抽取、PHI 识别、语言蕴含和相似性在内的 8 种临床任务，极大减轻了信息提取系统的工程负担且表现出色。

    Apr, 2020

  • 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