抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械学習を用いた臨床試験で報告された結果の認識を自動化することは,ヘルスケア意思決定に必要な証拠へのアクセスをスピードアップする巨大な可能性を有する。しかし,以前の研究は,転帰検出(OD)タスクの課題として,不十分な訓練コーパスを認知している。さらに,BERTやELMOのようないくつかの文脈化された表現は,様々な疾患,遺伝子,蛋白質,および化学物質の検出において,非並列な成功を達成しているが,これらのモデルが,ODタスクに対して比較的過小試験され,研究されているので,同じようには,結果について強調すべきではない。「EBM-COMET」を導入し,300のPubMed抄録が臨床結果のために専門的に注釈付けされたデータセットである。任意の結果分類を使用する以前の関連データセットと異なり,著者らは,最近発表された分類から,結果分類を標準化するために,ラベルを使用した。成果を抽出するために,著者らは,様々な事前訓練された文脈化表現を微調整し,さらに,著者らは,臨床的にインフォームドパート-Of-Speech埋込みおよびコスト感受性損失関数で拡張されたカスタムニューラルモデルにおける冷凍文脈化およびコンテキスト非依存表現を使用した。エンティティ内の単語よりも完全な結果語句を正確に同定するために,彼らを報酬することにより,訓練されたモデルに対する厳密な評価を採用し,その結果,「収縮期血圧」を与えられた場合,モデルは,順序ですべての3単語を予測するときのみ,分類スコアを報酬し,そうでなければ,それらは報酬されない。最良のモデル(BioBERT)は,81.5%F1,81.3%の感度および98.0%の特異性を達成した。著者らは,文脈化された表現が臨床-心房抽象から結果を検出するのに最も適しているコンセンサスに達する。さらに,著者らの最良モデルは,元のEBM-NLPデータセットリーダボードスコアで発表されたスコアよりも性能が優れていた。【JST・京大機械翻訳】
