כתבה
arXiv cs.AI ·
צמצום טקסט רפואי לאורך זמן לשימוש יעיל ב-LLM
Clinical Note Bloat Reduction for Efficient LLM Use
מערכת TRACE צומצמה את טקסט הערוך הרפואי, כדי לשפר את השימוש ב-LLM. המערכת זיהתה 86% מהטקסט המורכב מטקסט רפואי מורכב, וצומצמה את הטקסט ב-47.3%. המערכת תציל 1-13.58M דולר ב-3 שנים.
תקציר מקורי באנגליתarXiv:2604.16364v2 Announce Type: replace-cross Abstract: Background: Clinical notes contain extensive duplicated text from templates, copy-paste, and auto-populated fields ("note bloat"), diluting clinical signal, limiting longitudinal context, and increasing large language model (LLM) costs. Methods: TRACE removes note bloat using note-level EHR metadata to identify templated and copied content, with frequency-based de-duplication when metadata are unavailable. We evaluated TRACE using blinded physician span review and gold-standard templated-text annotations across four cohorts spanning liver transplant, obstetrics, and inpatient populations at multiple health systems (5.3M notes). We compared zero-shot LLMs and embedding-based classifiers using original and TRACE-processed notes for 20
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית