論文の概要: HELIOT: LLM-Based CDSS for Adverse Drug Reaction Management

• arxiv url: http://arxiv.org/abs/2409.16395v2
• Date: Sun, 13 Apr 2025 18:36:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:45:53.418560
• Title: HELIOT: LLM-Based CDSS for Adverse Drug Reaction Management
• Title（参考訳）: HELIOT:逆薬物反応管理のためのLCS
• Authors: Gabriele De Vito, Filomena Ferrucci, Athanasios Angelakis,
• Abstract要約: ヘリオット(Heliot)は、薬物反応管理のための革新的な臨床診断支援システムである。 LLM(Large Language Models)と総合的な医薬データリポジトリを統合することで、フリーテキストの臨床情報を処理します。 Heliotは、過去の患者固有の薬剤耐性から学び、偽の警告を減らすことで、よりニュアンスで文脈的に有害な薬物イベント警告を可能にする。
• 参考スコア（独自算出の注目度）: 3.2627279988912194
• License:
• Abstract: Medication errors significantly threaten patient safety, leading to adverse drug events and substantial economic burdens on healthcare systems. Clinical Decision Support Systems (CDSSs) aimed at mitigating these errors often face limitations when processing unstructured clinical data, including reliance on static databases and rule-based algorithms, frequently generating excessive alerts that lead to alert fatigue among healthcare providers. This paper introduces HELIOT, an innovative CDSS for adverse drug reaction management that processes free-text clinical information using Large Language Models (LLMs) integrated with a comprehensive pharmaceutical data repository. HELIOT leverages advanced natural language processing capabilities to interpret medical narratives, extract relevant drug reaction information from unstructured clinical notes, and learn from past patient-specific medication tolerances to reduce false alerts, enabling more nuanced and contextual adverse drug event warnings across primary care, specialist consultations, and hospital settings. An initial evaluation using a synthetic dataset of clinical narratives and expert-verified ground truth shows promising results. HELIOT achieves high accuracy in a controlled setting. In addition, by intelligently analyzing previous medication tolerance documented in clinical notes and distinguishing between cases requiring different alert types, HELIOT can potentially reduce interruptive alerts by over 50% compared to traditional CDSSs. While these preliminary findings are encouraging, real-world validation will be essential to confirm these benefits in clinical practice.
• Abstract（参考訳）: 医療ミスは患者の安全を著しく脅かし、有害な薬物事件と医療システムに重大な経済的負担をもたらす。 これらのエラーを緩和することを目的とした臨床決定支援システム(CDSS)は、静的データベースやルールベースのアルゴリズムへの依存など、構造化されていない臨床データを処理する際に、しばしば、医療提供者の間で警告の疲労を引き起こす過度な警告を発生させるという制限に直面している。 本稿では,LLM(Large Language Models)を総合的な医薬データリポジトリに統合したフリーテキスト臨床情報を処理する,薬物反応管理のための革新的なCDSSであるHELIOTを紹介する。 HELIOTは、先進的な自然言語処理機能を活用して、医学的物語を解釈し、構造化されていない臨床論文から関連する薬物反応情報を抽出し、過去の患者固有の薬剤耐性から学び、偽の警告を減らす。 臨床物語の合成データセットと専門家が検証した地上真実を用いた初期評価は有望な結果を示す。 HELIOTは、制御された設定で高い精度を達成する。 さらに、臨床ノートに記録された以前の薬剤耐性をインテリジェントに分析し、異なる警告タイプを必要とするケースを区別することにより、HELIOTは従来のCDSSと比較して割り込み警告を50%以上削減できる可能性がある。 これらの予備的な発見は奨励されているが、臨床実践におけるこれらのメリットを確認するためには、現実世界の検証が不可欠である。

関連論文リスト

• Explainable AI for Classifying UTI Risk Groups Using a Real-World Linked EHR and Pathology Lab Dataset [0.47517735516852333]
  尿路感染症(UTIs)の特徴付けにリンクEHRデータセットを活用する 臨床専門知識からUTIリスク推定フレームワークを導入し,個別の患者タイムラインにまたがってUTIリスクを推定する。 リスクグループ間で臨床および人口統計学的予測値の違いが判明した。
  論文  参考訳（メタデータ） (2024-11-26T18:10:51Z)
• AIPatient: Simulating Patients with EHRs and LLM Powered Agentic Workflow [33.8495939261319]
  本稿では,AIPatient Knowledge Graph (AIPatient KG) を入力とし,生成バックボーンとしてReasoning Retrieval-Augmented Generation (RAG) を開発した。 Reasoning RAGは、検索、KGクエリ生成、抽象化、チェッカー、書き直し、要約を含むタスクにまたがる6つのLLMエージェントを活用する。 ANOVA F-value 0.6126, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.6126, p>0.1)。
  論文  参考訳（メタデータ） (2024-09-27T17:17:15Z)
• TCKAN:A Novel Integrated Network Model for Predicting Mortality Risk in Sepsis Patients [0.0]
  セプシスは世界的な健康上の脅威となり、毎年何百万人もの死者を出し、経済的にかなりのコストがかかる。 現在のメソッドは通常、定数、時間、ICDコードのいずれかの1種類のデータしか利用しない。 Time-Constant Kolmogorov-Arnold Network (TCKAN)は、時間的データ、定数データ、ICDコードを単一の予測モデルに統合する。
  論文  参考訳（メタデータ） (2024-07-09T05:37:50Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Mixed-Integer Projections for Automated Data Correction of EMRs Improve Predictions of Sepsis among Hospitalized Patients [7.639610349097473]
  本稿では,領域制約として臨床専門知識をシームレスに統合する革新的プロジェクションに基づく手法を提案する。 我々は、患者データの健全な範囲を規定する制約から補正されたデータの距離を測定する。 AUROCは0.865で、精度は0.922で、従来のMLモデルを上回る。
  論文  参考訳（メタデータ） (2023-08-21T15:14:49Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• SPeC: A Soft Prompt-Based Calibration on Performance Variability of Large Language Model in Clinical Notes Summarization [50.01382938451978]
  本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。 実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
  論文  参考訳（メタデータ） (2023-03-23T04:47:46Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with Drug Combinations and Heterogeneous Patient Groups [84.63561578944183]
  本稿では,薬物の最大許容量(MTD)を臨床試験で検索するための新しいベイズ設計であるSDF-Bayesを提案する。 SDF-Bayesは、1つの薬物の現在の投与量をエスカレートまたは脱エスカレートする従来の原則ではなく、慎重な楽観主義によって進行する。 合成データセットと実世界データセットの両方に基づく広範な実験は、最先端のDC試験設計よりもSDFベイズの利点を示しています。
  論文  参考訳（メタデータ） (2021-01-26T18:59:26Z)
• EVA: Generating Longitudinal Electronic Health Records Using Conditional Variational Autoencoders [34.22731849545798]
  離散的な EHR の出会いと出会いの特徴を合成するための EHR Variational Autoencoder (EVA) を提案する。 EVAは現実的なシーケンスを生成でき、患者間の個人差を考慮し、特定の疾患条件で条件付けできる。 250,000人以上の患者を含む大規模な現実世界のEHRリポジトリの方法の有用性を評価します。
  論文  参考訳（メタデータ） (2020-12-18T02:37:49Z)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。