微调预训练抽取式 QA 模型用于临床文档解析
计算与语言
2023-12-06 v1 人工智能
摘要
电子健康记录（EHRs）包含大量高维多模态数据，能够准确表征患者的病史。遗憾的是，这些数据大部分是非结构化或半结构化的，使其不适合用于实时和回顾性分析。针对心力衰竭（HF）患者的远程患者监测（RPM）项目需要获取如 EF（射血分数）或 LVEF（左心室射血分数）等临床标志物，以确定该项目的资格和适当性。本文解释了一个能够解析超声心动图报告并验证 EF 值的系统。该系统有助于识别可以加入此类项目的合格 HF 患者。该系统的核心是一个预训练的抽取式 QA Transformer 模型，该模型在自定义标注数据上进行了微调。我们通过在 MIMIC-IV-Note 等公开临床数据集上运行实验，展示了准备此类模型以供部署的方法。该流水线可用于在低资源环境下将解决方案推广至类似问题。我们发现，通过大规模自动化该任务，该系统在 12 个月内为我们的临床医生节省了超过 1500 小时。
引用
@article{arxiv.2312.02314,
title = {Fine-tuning pre-trained extractive QA models for clinical document parsing},
author = {Ashwyn Sharma and David I. Feldman and Aneesh Jain},
journal= {arXiv preprint arXiv:2312.02314},
year = {2023}
}