Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Statistical Software for Data Analysis and Clinical Trials01:12

Statistical Software for Data Analysis and Clinical Trials

Statistical software is pivotal in data analysis and clinical trials by providing tools to analyze data, draw conclusions, and make predictions. These software packages range from simple data management applications to complex analytical platforms, supporting various statistical tests, models, and simulation techniques. Their significance lies in their ability to handle vast amounts of data with precision and efficiency, enabling researchers to validate hypotheses, identify trends, and make...

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Pathways to Advance Targeted and Helpful Serious Illness Conversations (PATH-SIC): A Randomized Clinical Trial.

Journal of the National Comprehensive Cancer Network : JNCCN·2026
Same author

Palliative Care for Older Adults With Hip Fracture: An Explanatory Sequential Mixed-Methods Study.

Journal of pain and symptom management·2026
Same author

Patterns of Goals-of-Care Documentation in the Outpatient Oncology Setting: A Retrospective Cohort Study of Older Adults with Advanced Cancer.

Journal of palliative medicine·2026
Same author

Using large language models to identify geriatric assessment domains in patients with advanced cancer: A feasibility study.

Journal of geriatric oncology·2026
Same author

Using Large Language Models to Identify Patient-Oncologist Communication Domains: A Feasibility Study.

Journal of palliative medicine·2026
Same author

Effect of Emergency Department-Initiated Video-Enhanced Advance Care Planning on Documentation and Goal-Concordant Care: A Randomized Clinical Trial.

Journal of general internal medicine·2026

関連する実験動画

Updated: Jun 20, 2026

A Comprehensive Protocol for Manual Segmentation of the Medial Temporal Lobe Structures
12:30

A Comprehensive Protocol for Manual Segmentation of the Medial Temporal Lobe Structures

Published on: July 2, 2014

20.9K

MedSlice: セキュアな臨床記録セクション化のためのファインチューニングされた大規模言語モデル

Joshua Davis1,2, Thomas Sounack1, Kate Sciacca1,3

  • 1Department of Supportive Oncology, Dana-Farber Cancer Institute, Boston, MA 02215, United States.

JAMIA open
|January 16, 2026
PubMed
まとめ
この要約は機械生成です。

オープンソースの大規模言語モデル（LLM）は、自動臨床記録セクション化に有望です。ファインチューニングされたLLMは、プロプライエタリモデルを上回り、医療データ分析にコストとプライバシーの利点を提供します。

キーワード:
人工知能コンピューティング方法論電子健康記録自然言語処理

さらに関連する動画

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
05:56

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Published on: April 14, 2023

3.2K
Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

1.0K

関連する実験動画

Last Updated: Jun 20, 2026

A Comprehensive Protocol for Manual Segmentation of the Medial Temporal Lobe Structures
12:30

A Comprehensive Protocol for Manual Segmentation of the Medial Temporal Lobe Structures

Published on: July 2, 2014

20.9K
Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
05:56

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Published on: April 14, 2023

3.2K
Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

1.0K

科学分野:

  • ヘルスケアにおける自然言語処理
  • 臨床データ分析のための機械学習

背景:

  • 臨床記録セクションの自動抽出は研究に不可欠ですが、手作業とデータのばらつきによって妨げられています。
  • プロプライエタリな大規模言語モデル（LLM）は可能性を示していますが、医療アプリケーションにおけるプライバシーの懸念を引き起こします。

研究 の 目的:

  • オープンソースLLMを使用した臨床記録セクション化のための自動パイプラインを開発すること。
  • セクション抽出のためのファインチューニングされたオープンソースLLMとプロプライエタリモデルのパフォーマンスを比較すること。

主な方法:

  • 487件の臨床進捗記録のデータセットで3つのオープンソースLLMをファインチューニングすること。
  • 内部および外部の妥当性に関する精度、再現率、F1スコアを使用してパフォーマンスを評価すること。
  • GPT-4oやGPT-4o miniなどのプロプライエタリモデルとのベンチマーク。

主要な成果:

  • ファインチューニングされたLlama 3.1 8Bモデルは、GPT-4oを上回るF1スコア0.92を達成しました。
  • 高いパフォーマンスは、F1スコア0.85の外部分析妥当性テストセットでも維持されました。

結論:

  • ファインチューニングされたオープンソースLLMは、プロプライエタリモデルと比較して臨床記録セクション化において優れたパフォーマンスを示します。
  • オープンソースLLMは、臨床テキスト分析のための費用対効果が高く、プライバシーを保護し、アクセス可能な代替手段を提供します。