ClinLinker: Medizinische Entitätsverknüpfung von klinischen Konzepterwähnungen auf Spanisch
ClinLinker ist ein neuartiger Ansatz, der eine zweistufige Pipeline für die medizinische Entitätsverknüpfung nutzt, um die Leistungsfähigkeit von domänenangepassten Sprachmodellen für das biomedizinische Textmining zu nutzen.
Automatische Erkennung und Klassifizierung von Argumenten in medizinischen Texten über mehrere Sprachen hinweg
Durch den Einsatz von Argumenterkennung (Argument Mining) können medizinische Texte strukturiert und für evidenzbasierte Entscheidungsfindung nutzbar gemacht werden. Diese Studie untersucht effiziente Methoden, um Argumenterkennung in medizinischen Texten über Sprachgrenzen hinweg durchzuführen, wenn für die Zielsprache keine manuell annotierten Daten verfügbar sind.
Automatische Klassifizierung des Krebsstadiums mit Open-Source-Modellen für klinische Sprache
Offene Sprach-Großmodelle können ohne Trainingsdaten Informationen zum Krebsstadium aus unstrukturierten Pathologieberichten extrahieren.
Automatische Zusammenfassung von psychologischen Patientengesprächen durch Feinabstimmung großer Sprachmodelle
Durch Feinabstimmung großer Sprachmodelle können präzise und kohärente Zusammenfassungen von psychologischen Patientengesprächen erstellt werden, um die Arbeitsbelastung von Psychiatern zu reduzieren.
Effiziente Verarbeitung und Analyse von Patientenakten zur Unterstützung der Triage in der psychischen Gesundheitsversorgung
Große Sprachmodelle können genutzt werden, um unstrukturierte Patientenakten effizient zu verarbeiten und Klinikern bei der Zuweisung von Patienten zu geeigneten Behandlungsteams zu unterstützen.
Mehrsprachiges Korpus zur Erfassung von Arzneimittelnebenwirkungen: Annotierung von Arzneimittelnebenwirkungen über Sprachgrenzen hinweg
Dieser Datensatz bietet einen mehrsprachigen Korpus mit Texten zu Arzneimittelnebenwirkungen aus der Perspektive von Patienten. Der Korpus ist mit Entitäten, Attributen und Relationen annotiert, um Erfahrungen mit Arzneimittelnebenwirkungen umfassend zu beschreiben.
Effiziente Erkennung von Nebenwirkungen durch wissensbasierte Graph-Neuronale-Netze mit konzeptbezogener Aufmerksamkeit
Durch die Verwendung von wissensbasierten heterogenen Textgraphen und einer konzeptbezogenen Aufmerksamkeitsmechanik kann die Erkennung von Nebenwirkungen von Arzneimitteln in Texten aus verschiedenen Quellen wie medizinischen Foren, biomedizinischen Veröffentlichungen und sozialen Medien verbessert werden.
Effiziente Zusammenfassung von Arzt-Patienten-Gesprächsdialogen mithilfe großer Sprachmodelle durch Prompt-Feinabstimmung
Dieser Ansatz nutzt große generative Sprachmodelle, um Arzt-Patienten-Dialoge effizient und kostengünstig in klinische Notizen zusammenzufassen, indem Prompt-Feinabstimmung verwendet wird.
© 2024 by Linnk AI