原始文章

這項研究探討急診部門對有監禁歷史病人的照護,揭示他們面臨的偏見與差異。研究分析了480,374份急診紀錄,發現有監禁歷史的病人大多為男性,且來自少數族群,失業、吸菸和物質使用的比例較高。這些病人逃脫、違醫囑離開及接受鎮靜和約束的機率顯著較高。即使調整各種因素後,監禁歷史與逃脫的關聯仍然明顯,顯示對被監禁者的照護存在差異,並突顯自然語言處理在揭示健康照護不平等中的價值。 PubMed DOI


站上相關主題文章列表

研究探討美國醫院對符合資格的患者再入院率,特別針對黑人患者。使用CMS方法找出具公平再入院率的醫院,發現少有服務黑人患者的特徵。低成本醫院對符合資格患者較公平,高品質醫院對黑人患者較公平。研究強調解決結構性種族主義問題,並考慮風險患者分佈實施公平再入院措施。 PubMed DOI

大型語言模型(LLMs)或許能改善醫療保健,但也可能存在偏見。社會健康因素影響癲癇護理的結果。研究發現LLM沒有固有偏見,但不同人群的癲癇結果有差異,女性、有公共保險和低收入者結果較差。解決這些差異對癲癇護理至關重要。 PubMed DOI

這項研究開發並驗證了自然語言處理(NLP)技術,以更有效地識別電子健康記錄(EHR)中的監禁狀態。與使用ICD-10代碼相比,NLP模型在識別監禁狀態方面表現出高準確性。需要進一步研究來探索將這些模型應用於人口健康計畫,以應對與監禁相關的健康不平等問題。 PubMed DOI

坐過牢的人健康狀況較差,容易發生可預防的死亡風險。研究發現,釋放後第一週死亡率高,主要原因是酒精/藥物中毒、自殺和心血管疾病。不同時間和地區的死亡率有所不同。研究建議在釋放後立即進行醫療干預,特別是預防自殺和過量用藥導致的死亡。 PubMed DOI

社會健康決定因素(SDoH)對健康影響很大,其中住房穩定性至關重要。電子健康記錄(EHRs)中包含有用的SDoH資訊,但常為非結構化,需要透過自然語言處理(NLP)進行分析。新的NLP技術如GPT-4能有效辨識住房不穩定性,雖然在偵測上有高召回率,但精確度較低。LLMs提供擴展且成本效益高的解決方案,同時召回率也較高。結合LLMs和人工審查可提高數據分析效率,支持醫療系統提供更主動的病人護理。 PubMed DOI

這項研究探討大型語言模型(LLMs),特別是GPT-4和GPT-3.5,如何分析急診部報告以識別與腎結石相關的就診。研究使用標註過的數據集,透過提示優化和微調來提升模型表現。結果顯示,GPT-4的宏觀F1分數達0.833,明顯優於基準系統的0.71,而GPT-3.5則為0.796。研究還發現,GPT-4在種族和性別偏見方面表現良好,顯示出其在臨床文本分析的潛力。 PubMed DOI

這項研究探討社會健康決定因素(SDOH)對住院病人急性腎損傷(AKI)風險的影響,於2014年10月至2017年9月在美國南部進行。研究發現,26,769名病人中有26%在住院期間發展為AKI,來自最弱勢社區的病人發展AKI的可能性高出10%。此外,鄉村地區病人未能從AKI恢復的風險增加25%。研究強調需進一步探討SDOH與AKI之間的關聯,以便為脆弱族群提供有效的干預措施。 PubMed DOI

您的研究強調住房對健康的重要性,並提出利用自然語言處理(NLP)來識別臨床文本中的住房相關概念。透過開發詞彙表和基於規則的方法,您成功從不同群體中提取資訊,特別是在合成群體和物質使用障礙(SUD)群體中,顯示出高召回率和精確率,證明方法的穩健性。不過,對於HEC群體的召回數據不足,顯示需進一步調整。整體而言,您的研究為住房與健康的關聯提供了重要見解,可能影響未來的臨床實踐和政策。 PubMed DOI

這項研究利用自然語言處理技術,檢測和分類重症監護電子健康紀錄中的污名化和偏見語言。研究團隊建立了一個詞彙表,並分析了MIMIC-III數據集中的1800萬句子。經過專家標註後,開發的監督式學習分類器在識別懷疑標記和污名化標籤方面表現優異,準確率達0.87。研究顯示,這種自動識別技術有助於了解醫療文本中的污名化語言,並可為改善醫療環境提供參考。 PubMed DOI

這項研究探討大型語言模型(LLMs),特別是GPT-4和GPT-3.5,如何分析急診部報告以識別與腎結石相關的就診。研究使用標註過的數據集,透過提示優化和微調來提升模型表現。結果顯示,GPT-4的宏觀F1分數為0.833,表現最佳,而GPT-3.5為0.796。微調改善了GPT-3.5的表現,並且加入人口統計和醫療歷史信息有助於決策。GPT-4未顯示種族或性別偏見,但GPT-3.5在種族多樣性建模上有困難。研究強調了LLMs在臨床應用的潛力及偏見問題的重要性。 PubMed DOI