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.
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.
Offene Sprach-Großmodelle können ohne Trainingsdaten Informationen zum Krebsstadium aus unstrukturierten Pathologieberichten extrahieren.
Durch Feinabstimmung großer Sprachmodelle können präzise und kohärente Zusammenfassungen von psychologischen Patientengesprächen erstellt werden, um die Arbeitsbelastung von Psychiatern zu reduzieren.
Große Sprachmodelle können genutzt werden, um unstrukturierte Patientenakten effizient zu verarbeiten und Klinikern bei der Zuweisung von Patienten zu geeigneten Behandlungsteams zu unterstützen.
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.
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.
Dieser Ansatz nutzt große generative Sprachmodelle, um Arzt-Patienten-Dialoge effizient und kostengünstig in klinische Notizen zusammenzufassen, indem Prompt-Feinabstimmung verwendet wird.