标签
本文提出了MedNotes,一个多智能体管道,用于从纵向结构化EHR数据中生成有来源依据的合成临床笔记,实现了高准确性并改善了下游临床建模任务。
HERMES 是一个基于图的框架,它通过LLM引导的提取和对比逻辑建模,从临床笔记构建个性化知识图谱,并应用图注意力网络以改善患者预后预测,在MIMIC数据集上性能优于仅文本基线。
本研究论文提出一种新方法,通过利用大语言模型从呼吸治疗临床记录中提取特征,并在与结构化患者数据结合时提升拔管失败预测的性能。
本文提出一个证据驱动的框架,用于使用 Abstract Meaning Representation 和语义图进行自动医院出院摘要生成,旨在减少 LLMs 中的幻觉并确保临床文档的可追溯性。
本文提出了一项基准测试,用于评估大语言模型法官在AI生成的临床笔记中检测遗漏信息的能力。研究发现,标准法官模型在识别遗漏方面存在困难,但将任务重构为基于事实的验证可显著提升检测效果。
本文介绍了EHR-ReasonCon,这是一个用于电子健康记录中临床笔记与结构化表格之间一致性验证的推理密集型基准,以及EHR-Inspector,一个基于大语言模型的框架,在检测差异方面实现了最先进的性能。