本研究提出一个基于领域特定词汇上下文嵌入的临床问题、治疗和测试自动标注临床笔记的模型，使用上下文嵌入模型训练一个双向LSTM-CRF模型用于临床概念提取，并在I2B2 2010挑战数据集上进行了测试，最终性能优于现有模型3.4%。

Oct, 2018

通过对临床记录进行语义学分析，可以帮助精确地提取出患者的病情，进而为医疗决策和医疗档案二次利用提供支持；本研究探索了几种基于BERT模型的病情提取机制，避免了传统的手工规则的繁琐操作，实验结果表明这种机制在病情识别上具有较高的性能，可适用于医学领域的实际应用。

Oct, 2019

该论文提出了一种基于无监督机器学习的医疗概念注释工具MedCAT，可在不需要人工标注数据的情况下从电子病历等医疗文档中提取并链接具有潜在医疗知识的实体，表现出良好的性能，是一种轻量级、快速且易于使用的工具。

Dec, 2019

Med-BERT是一种基于BERT框架训练的语境嵌入模型，适用于在数据集较小的情况下预测疾病。通过电子病历研究心力衰竭和胰腺癌的预测，表明Med-BERT具有较高的准确性和泛化性能，可以大幅提升深度学习模型的性能和推广医疗人工智能的发展。

May, 2020

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

使用命名实体识别和链接工具（即MedCAT）对电子病历的自由文本部分进行结构化和组织，从而预测出一系列的未来医疗事件（最初是疾病），MedGPT有效地处理了噪声和额外细粒度， 并在King's College Hospital的真实世界医院数据上表现出色。

Jul, 2021

本文介绍了EHRKit python库，该库包含两个主要部分，MIMIC-III特定功能和任务特定功能，通过访问MIMIC-III NOTEEVENTS数据并整合多个第三方库，以处理包括实体识别、文本摘要、机器翻译等12个NLP任务的临床文本。

Apr, 2022

比较了三种荷兰临床笔记中否定检测的方法，并发现基于 biLSTM 模型和 RoBERTa 模型的检测系统精准度更高，可以在临床信息检索和决策支持系统中用于标签提取。

Sep, 2022

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。

Jun, 2023

使用大型语言模型（LLMs）结合人类专家的方法，快速生成医疗文本注释的地面真实标签，从而减少人工注释负担并保持高准确性，为医疗健康领域的定制自然语言处理（NLP）解决方案提供了潜力。

Dec, 2023