Query-Guided Self-Supervised Summarization of Nursing Notes

要約

電子医療記録 (EHR) の重要な部分である看護ノートは、ケア中の患者の健康状態を追跡します。
重要な情報を看護ノートに要約すると、臨床医が患者の状態を迅速に理解するのに役立ちます。
しかし、臨床現場における既存の要約方法、特に抽象的な方法では、看護ノートを見落としており、トレーニング用の参考要約が必要です。
抽象的な看護ノート要約のための新しいクエリガイド自己教師ありドメイン適応アプローチである QGSumm を紹介します。
この方法では、患者関連の臨床質問をガイダンスに使用するため、トレーニング用の参考要約は必要ありません。
自動実験と専門臨床医による手動評価を通じて、私たちは看護ノートの要約のためのアプローチとその他の最先端の大規模言語モデル (LLM) を研究します。
私たちの実験では、1) GPT-4 はオリジナルの看護ノートの情報を維持する点で競争力があり、2) QGSumm はオリジナルの内容の想起と他のトップ手法よりも低い幻覚率とのバランスが取れた高品質の要約を生成できることを示しています。
最終的に、私たちの研究は、臨床応用に合わせた条件付きテキストの要約に関する新しい視点を提供します。

要約(オリジナル)

Nursing notes, an important part of Electronic Health Records (EHRs), track a patient’s health during a care episode. Summarizing key information in nursing notes can help clinicians quickly understand patients’ conditions. However, existing summarization methods in the clinical setting, especially abstractive methods, have overlooked nursing notes and require reference summaries for training. We introduce QGSumm, a novel query-guided self-supervised domain adaptation approach for abstractive nursing note summarization. The method uses patient-related clinical queries for guidance, and hence does not need reference summaries for training. Through automatic experiments and manual evaluation by an expert clinician, we study our approach and other state-of-the-art Large Language Models (LLMs) for nursing note summarization. Our experiments show: 1) GPT-4 is competitive in maintaining information in the original nursing notes, 2) QGSumm can generate high-quality summaries with a good balance between recall of the original content and hallucination rate lower than other top methods. Ultimately, our work offers a new perspective on conditional text summarization, tailored to clinical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google