面向从产科事件调查报告中提取种族不平等见解的智能多文档摘要
人工智能
2024-07-12 v1
摘要
在医疗保健领域，每年都有数千例安全事件发生，但从这些事件中获得的学习成果却未能有效地进行汇总。通过分析事件报告可以揭示关键见解，以防止伤害，通过识别不断出现的模式和贡献因素。为了汇总和提取有价值的信息，可以采用自然语言处理（NLP）和机器学习技术对非结构化数据进行摘要和挖掘，从而暴露系统性问题和改进的优先领域。本文提出了I-SIRch:CS框架，用于促进安全事件报告的汇总和分析，同时确保整个过程的可追溯性。该框架将使用Safety Intelligence Research（SIRch）分类法进行概念标注，集成聚类、摘要和分析功能。利用一组包含188份匿名产科调查报告的 datasets，这些报告使用27个SIRch人工因素概念进行了标注，I-SIRch:CS使用句子嵌入和k-means聚类将标注句子分组，同时通过文件和句子ID保持可追溯性。为每个聚类生成摘要，采用离线最先进的 abstractive 摘要模型（BART、DistilBART、T5），并使用评估总结质量属性的指标对其进行评估和比较。生成的摘要链接回原始文件和句子ID，确保可追溯性，允许对所摘要信息进行验证。结果表明，BART在创建信息丰富且简洁的摘要方面具有优势。
引用
@article{arxiv.2407.08322,
title = {Intelligent Multi-Document Summarisation for Extracting Insights on Racial Inequalities from Maternity Incident Investigation Reports},
author = {Georgina Cosma and Mohit Kumar Singh and Patrick Waterson and Gyuchan Thomas Jun and Jonathan Back},
journal= {arXiv preprint arXiv:2407.08322},
year = {2024}
}