SynSUM — Synthetic Benchmark with Structured and Unstructured Medical Records

要約

非構造化臨床ノートを構造化背景変数にリンクする合成データセットである SynSUM ベンチマークを紹介します。
このデータセットは、表形式の変数 (症状、診断、基礎疾患など) と呼吸器疾患の分野での架空の患者の遭遇を説明する関連メモを含む 10,000 件の人工患者記録で構成されています。
データの表部分はベイジアン ネットワークを通じて生成され、変数間の因果構造と条件付き確率の両方が専門家によってドメイン知識に基づいて提案されます。
次に、大規模言語モデル (GPT-4o) に、この患者との遭遇に関連する臨床メモを生成させ、患者の症状と追加のコンテキストを説明します。
SynSUM データセットは主に、表形式の背景変数の存在下での臨床情報抽出の研究を促進するように設計されています。背景変数は、ドメイン知識を通じて、テキストから抽出される関心のある概念 (SynSUM の場合は症状) にリンクできます。
二次用途には、表データとテキストの両方に対する臨床推論の自動化、表および/またはテキストの交絡因子が存在する場合の因果効果の推定、およびマルチモーダル合成データの生成に関する研究が含まれます。
データセットは https://github.com/prabaey/SynSUM からダウンロードできます。

要約(オリジナル)

We present the SynSUM benchmark, a synthetic dataset linking unstructured clinical notes to structured background variables. The dataset consists of 10,000 artificial patient records containing tabular variables (like symptoms, diagnoses and underlying conditions) and related notes describing the fictional patient encounter in the domain of respiratory diseases. The tabular portion of the data is generated through a Bayesian network, where both the causal structure between the variables and the conditional probabilities are proposed by an expert based on domain knowledge. We then prompt a large language model (GPT-4o) to generate a clinical note related to this patient encounter, describing the patient symptoms and additional context. The SynSUM dataset is primarily designed to facilitate research on clinical information extraction in the presence of tabular background variables, which can be linked through domain knowledge to concepts of interest to be extracted from the text – the symptoms, in the case of SynSUM. Secondary uses include research on the automation of clinical reasoning over both tabular data and text, causal effect estimation in the presence of tabular and/or textual confounders, and multi-modal synthetic data generation. The dataset can be downloaded from https://github.com/prabaey/SynSUM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google