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

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

通过使用人工智能（AI）技术，特别是大型语言模型（LLM），本研究直接解决了手动创建出院记录的低效性和不准确性问题，特别针对心脏病患者，评估了 LLM 在提高文档处理的能力方面的可行性，并证实了 Mistral-7B 的出色表现，可以通过生成精确的出院记录，显著提高文档处理效率和患者的连续护理。这些结果证实了 Mistral-7B 在将复杂的医学信息概括为简洁连贯摘要方面的功效，展示了先进的 AI 技术在改进医疗文档处理工作流程和促进患者护理方面的巨大潜力。

Apr, 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

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

提出了通过构建临床数据集和使用 Re3Writer，实现自动生成患者出院指南的方法，该方法可有效提高 5 种不同模型的表现，并经人类评估证明其对临床实践的有效性。

Oct, 2022

EHRTutor 是一个创新的多组件框架，利用大型语言模型（LLM）通过对话问答为患者教育提供了电子健康记录出院指示，评估结果表明 EHRTutor 在 LLMs 和领域专家中都表现出明显优势，并且 EHRTutor 还提供了一个从事后系统训练的未来内部系统的框架。

Oct, 2023

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

该研究系统地回顾了 2010 年至 2020 年间使用自然语言处理、机器学习和深度学习等方法来帮助医生更准确、高效地对患者病历进行编码的研究，其中共筛选出 38 篇符合条件的文献，并提出了未来的研究方向。

Jul, 2021

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