electronic-health-records

本文提出了一种利用机器学习技术策展心脏科接口术语（CIT）的方法，用于突出显示电子健康记录笔记中的细节。该方法包含三个阶段，包括衍生训练数据并训练ML模型以识别候选概念，在测试数据上实现了高完整性和高覆盖率。

本文探讨了整合多模态临床数据（包括治疗记录、病理报告和临床医生笔记）的方法，通过基于规则的提取和机器学习，与单模态方法相比，提高乳腺癌复发预测的准确性。

EHRBench是一个自动化且可靠的基准测试，利用真实电子健康记录评估大语言模型在临床决策任务上的表现，涵盖诊断、治疗和预后任务，包含近100万个问答条目。