一篇新的研究论文探讨了将快速医疗互操作性资源 (FHIR) 问卷项目与逻辑观察标识符名称和代码 (LOINC) 绑定的方法，以改进电子预授权工作流程。该研究在一个包含 54 个项目的的数据集上比较了六种不同的技术，包括 TF-IDF、MiniLM、BioBERT 和一种新颖的 BioLORD 模型。BioLORD 在排名靠前的准确性方面表现最佳，而经过对比微调的 MiniLM 模型在排名第 5 和第 10 时实现了最高的召回率。研究还确定了具体的错误类型，例如特异性错误和文本歧义，是主要的挑战。 AI
影响 提高了医疗数据绑定的准确性，有可能简化预授权流程并改善临床数据的一致性。
排序理由 该集群包含一篇在 arXiv 上发表的研究论文，详细介绍了将迁移学习应用于 FHIR 问卷术语绑定的新颖方法。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- arXiv
- BioBERT
- BioLORD
- Fast Healthcare Interoperability Resources
- generative pre-trained transformer
- HL7 Da Vinci CDS-Library
- LHC-Forms
- Logical Observation Identifiers Names and Codes
- MiniLM: Deep Self-Attention Distillation for Task-Agnostic Compression of Pre-Trained Transformers
- tf–idf
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →