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

利用 Llama3 8B 量化模型和检索增强生成（RAG）方法生成病人出院信中的 “简要医院病程” 和 “出院指示” 节，结果表明我们的方法在多个评估指标上取得了高效且有效的结果。

May, 2024

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

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

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

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

本研究提出了三个去识别化的医学文本数据集，命名为 DISCHARGE、ECHO 和 RADIOLOGY，共包含 50K、16K 和 378K 的报告和摘要对，作者在这些数据集上使用基于预训练编码器 - 解码器语言模型的有说服力的自动抽象摘要基线，并基于 BART 模型利用训练集的示例摘要作为先验知识引导来增强编码器和解码器的上下文表示，实验结果证实了这种方法在 ROUGE 分数和 BERTScore 上的改进，超过了更大模型 T5-large。

Feb, 2023

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

该论文旨在探讨医学专业自动文本摘要中的不同单位粒度，病历中的概念应该是如何被提取和组合的，研究发现将医学病历划分为更小的单位可以获得更高的文本摘要的准确性。

Sep, 2022

本论文研究了电子病历的快速采用对临床人员面临的文档负担增加、医生与患者交流减少以及医生职业倦怠增加等问题，并提出了自动生成病人住院摘要的自动化解决方案，通过模型评估和领域适应等方法改进了模型质量和实体抽取的准确性。

Apr, 2024