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

要約

薬は多くの場合、患者の日常の活動に一時的な制約を課します。
このような医療時間的制約 (MTC) の違反は、健康状態の悪化や医療費の増加に加えて、治療アドヒアランス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本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 内の MTC を計算的に表現することで、安全な患者の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歩させることができます。
私たちは、DUG に含まれる MTC の新しい分類を定義し、非構造化 DUG から MTC を計算で表現するための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 個の DUG を含む 3 つの新しいデータセットをリリースします。
私たちは、DUG 内で見つかった MTC を自動的に抽出して正規化するためのインコンテキスト学習 (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、データセットと MTC タイプ全体で、詳細なエラー分析を通じて、ベースライン モデルに対する 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