Leveraging deep active learning to identify low-resource mobility functioning information in public clinical notes

Leveraging deep active learning to identify low-resource mobility functioning information in public clinical notes

以下は、上記の論文のアブストラクトをChatGPTに解釈させたものです。解釈の正確性について保証はいたしません。

• 論文タイプ：この研究は原著論文であり、研究者が自身のオリジナルな研究結果を報告するために行われるものです。

• 本研究の背景と関連研究：この研究は、患者の機能性情報を抽出するための自然言語処理（NLP）に焦点を当てています。従来の医療コーディングでは、機能性情報が十分に反映されていないため、臨床ノートに埋もれたままです。これまでのNLPの研究では、個々の健康状態や関連薬剤に焦点が当てられてきましたが、本研究では機能性情報の抽出と分析に特化し、公開データセットの提供を目指しています。

• 本研究の目的とその重要性：本研究の目的は、ICFのMobilityドメインに特化した注釈付きデータセットを作成し、自由文の臨床ノートから機能性情報の自動抽出と分析を支援することです。機能性は個人の健康全体を示す重要な指標であり、臨床NLPの研究ではあまり注目されていませんでした。この研究により、機能性情報の包括的な捉え方を促進し、電子医療記録（EHR）での研究を可能にすることが期待されます。

• 本研究で用いた材料やデータの詳細：本研究では、National NLP Clinical Challenges（n2c2）の研究データセットを利用し、候補文のプールを構築しました。キーワードの拡張とサンプリングの手法を使用して、アノテーションするための適切な文を選択しました。BERTとCRFモデルをトレーニングし、新しい文の選択とアノテーションを繰り返し行いました。

• 本研究で何をどのように，どこまで明らかにした？：本研究では、アノテーションされたデータセットを作成し、アクション、モビリティ、アシスタンス、数量など、機能性に関連する情報が含まれることを明らかにしました。また、BERTモデルや最新のNERモデルのトレーニングと評価も行いました。これにより、臨床テキストからモビリティの機能情報を正確に抽出する可能性が示されました。

• 本研究の有効性はどのように検証した？：本研究では、NERモデルの実証結果により、臨床テキストからモビリティの機能情報を正確に抽出する可能性が示されました。また、アノテーションされたデータセットの公開により、EHRにおける機能性情報の包括的な研究が可能になります。