MIMIC-IV-Note
PulseAugur coverage of MIMIC-IV-Note — every cluster mentioning MIMIC-IV-Note across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的DeidSharp工具包使用本地LLM进行临床文本去标识化
一个名为DeidSharp的新型开源工具包已被开发出来，通过将本地大型语言模型（LLM）与基于规则和命名实体识别（NER）的检测器相结合，用于去标识化临床文本。与现有的开源工具相比，这种方法旨在以更高的精度识别更多的受保护健康信息（PHI）。在护理记录和出院总结上的评估表明，DeidSharp的召回优先配置实现了高召回率，而其精度优先配置则显著提高了精度，为去标识化提供了一个可行的本地解决方案。
-
新数据集使用 LLM 结构化临床笔记，以增强医学研究
研究人员开发了 MIMIC-Note-Extract (MNE)，这是一个旨在结构化 MIMIC-IV-Note 出院小结中自由文本临床信息的新数据集。该数据集采用确定性解析和大型语言模型相结合的混合方法，将数据提取并组织成结构化表格，显著提高了患者病史和用药信息的覆盖范围和详细程度。MNE 的提取准确率已超过 92%，并经过医生验证，旨在减少未来临床研究和 LLM 代理开发的 डेटा क्युरेशन (data curation) 工作。
-
新基准改进了从临床文本中推荐SNOMED CT概念
研究人员开发了一个新的基准，用于从掩码临床上下文中推荐SNOMED CT概念，旨在提高临床语言的标准化和互操作性。该研究使用了源自MIMIC-IV-Note的SNOMED CT实体链接挑战v1.2.1数据集，并测试了各种推荐方法。稀疏TF-IDF被证明是最有效的方法，实现了14.81%的Recall@1和33.43%的Recall@10。研究结果强调，概念频率和局部词汇上下文的覆盖范围对推荐质量有显著影响，尤其是在低资源场景下。
-
AI pipeline flags nearly 70% of EHRs for documentation inconsistencies
研究人员开发了一个两阶段的大型语言模型管道，以自动检测电子健康记录（EHRs）中的不一致之处。该系统利用Gemini 2.5 Pro进行初步候选识别，并利用Gemini 2.5 Flash进行验证，应用于3,000份MIMIC-IV-Note出院总结。该管道识别出近70%的入院记录中存在潜在的不一致之处，涵盖了各种临床领域，但也突显了在需要时间推理或专业医学知识的领域中的局限性。
-
新的MedLoCoMo基准测试LLM在长上下文医疗对话方面的能力
研究人员推出了MedLoCoMo，这是一个旨在评估大型语言模型长上下文医疗对话能力的新基准。该基准源自MIMIC-IV和MIMIC-IV-Note记录，侧重于跨多个就诊的患者特定临床推理。MedLoCoMo包含100个患者时间线，平均超过74,000个token，测试模型在单次就诊、跨就诊以及对抗性无法回答问题方面的能力。初步评估表明，即使是那些具有广泛上下文窗口或检索机制的模型，跨就诊推理仍然是一个重大挑战。