The Scope of In-Context Learning for the Extraction of Medical Temporal Constraints

要約

薬はしばしば、日常の患者の活動に一時的な制約を課します。
このような医療の時間的制約 (MTC) の違反は、健康状態の悪化や医療費の増加に加えて、治療遵守の欠如につながります。
これらの MTC は、患者教育資料と臨床テキストの両方の薬物使用ガイドライン (DUG) に記載されています。
DUG で MTC を計算によって表現することで、患者の安全な活動パターンの定義を支援することで、患者中心のヘルスケア アプリケーションを進化させることができます。
DUG に見られる MTC の新しい分類法を定義し、構造化されていない DUG から MTC を計算で表す新しい文脈自由文法 (CFG) ベースのモデルを開発します。
さらに、正規化された MTC でラベル付けされた合計 N = 836 DUG を持つ 3 つの新しいデータセットをリリースします。
DUG で見つかった MTC を自動的に抽出して正規化するためのコンテキスト内学習 (ICL) ソリューションを開発し、すべてのデータセットで平均 F1 スコア 0.62 を達成しました。
最後に、ベースライン モデルに対して、データセットと MTC タイプにわたって、詳細なエラー分析を通じて、ICL モデルのパフォーマンスを厳密に調査します。

要約(オリジナル)

Medications often impose temporal constraints on everyday patient activity. Violations of such medical temporal constraints (MTCs) lead to a lack of treatment adherence, in addition to poor health outcomes and increased healthcare expenses. These MTCs are found in drug usage guidelines (DUGs) in both patient education materials and clinical texts. Computationally representing MTCs in DUGs will advance patient-centric healthcare applications by helping to define safe patient activity patterns. We define a novel taxonomy of MTCs found in DUGs and develop a novel context-free grammar (CFG) based model to computationally represent MTCs from unstructured DUGs. Additionally, we release three new datasets with a combined total of N = 836 DUGs labeled with normalized MTCs. We develop an in-context learning (ICL) solution for automatically extracting and normalizing MTCs found in DUGs, achieving an average F1 score of 0.62 across all datasets. Finally, we rigorously investigate ICL model performance against a baseline model, across datasets and MTC types, and through in-depth error analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google