文献

J-GLOBAL ID：202202212125008144   整理番号：22A0480434

臨床テキストからの薬物および有害事象同定に対する文脈的マルチタスクニューラルアプローチ【JST・京大機械翻訳】

A contextual multi-task neural approach to medication and adverse events identification from clinical text

著者 (6件)： Narayanan Sankaran (Department of Computer Science and Engineering, Amrita Vishwa Vidyapeetham, Amritapuri, India) ,  Mannam Kaivalya (School of Mathematics, Georgia Institute of Technology, Atlanta, GA, USA) ,  Achan Pradeep (Amrita Medical Solutions LLC, 10200 Crow Canyon Road, Castro Valley, CA, USA) ,  Ramesh Maneesha V. (Department of Computer Science and Engineering, Amrita Vishwa Vidyapeetham, Amritapuri, India) ,  Rangan P. Venkat (Department of Computer Science and Engineering, Amrita Vishwa Vidyapeetham, Amritapuri, India) ,  Rajan Sreeranga P. (Department of Computer Science, Stanford University, 353 Jane Stanford Way, Stanford, CA 94305, USA)
資料名： Journal of Biomedical Informatics  (Journal of Biomedical Informatics)
巻： 125  ページ： Null  発行年： 2022年 
JST資料番号： B0827A  ISSN： 1532-0464  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 有効な大規模薬局は,臨床テキストからの薬物,投薬量,理由,および有害事象(ADE)のような薬物エンティティの正確な命名エンティティ認識(NER)を必要とする。有害事象アノテーションの不足と根底にある意味的あいまいさは,正確な範囲同定を困難にする。本研究は,この課題を緩和するために,多様な臨床NERデータセットから文脈化された言語モデルとマルチタスク学習を統合する。タスク間知識共有を改善するために,変換者(BERT)言語モデルから双方向エンコーダ表現により生成された埋込みを精密化する新しいマルチタスク適応法を提案した。適応BERTモデルを,投薬と補助臨床NERタスクから成るユニークな階層的マルチタスクニューラルネットワークに統合した。著者らは,多様なよく研究された臨床作業に関する2つの異なるバージョンのBERTを用いたモデルを検証した:投薬とADE(n2c22018/n2c22009),臨床概念(n2c22010/n2c22012),障害(ShAReCLEF2013)。全体の薬剤抽出性能は,単独のBERTベースラインと比較して,+5.38F1(n2c22009)によって強化された一方,最高+1.19F1(n2c22018)まで強化された。ADE認識は,有意に(McNemar試験),事前ベースラインを凌駕した。補助臨床および障害課題に関して同様の利点が観察された。マルチデータセットBERT適応とマルチタスク学習の組み合わせが,追加の特徴,新しい訓練データ,またはアンサンブルを要求せずに,事前投薬抽出法を凌駕することを実証した。まとめると,本研究は臨床意思決定支援のためのエンドツーエンドNERモデルに多様な臨床データセットを統合するための最初の事例研究に寄与する。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 薬局 ,  符号器 ,  エンドツーエンド方式 ,  事例研究 ,  精密化 ,  基準線 ,  曖昧さ ,  *アノテーション ,  言語モデル
準シソーラス用語： 訓練データ ,  *マルチタスク ,  エンティティ ,  *有害事象 , 【Automatic Indexing@JST】

著者キーワード (6件)： 薬物抽出 ,  生物医学名前付きエンティティ認識 ,  臨床意思決定支援 ,  マルチタスク学習 ,  薬剤安全性 ,  有害事象

分類 (1件)： 医用情報処理  (JE15030Q)

タイトルに関連する用語 (5件)： 臨床 ,  薬物 ,  有害事象 ,  同定 ,  文脈