論文の概要: MedPlan:A Two-Stage RAG-Based System for Personalized Medical Plan Generation
- arxiv url: http://arxiv.org/abs/2503.17900v1
- Date: Sun, 23 Mar 2025 02:03:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:31:29.686669
- Title: MedPlan:A Two-Stage RAG-Based System for Personalized Medical Plan Generation
- Title（参考訳）: MedPlan:個人化医療計画作成のための2段階RAGベースシステム
- Authors: Hsin-Ling Hsu, Cong-Tinh Dao, Luning Wang, Zitao Shuai, Thao Nguyen Minh Phan, Jun-En Ding, Chun-Chieh Liao, Pengfei Hu, Xiaoxue Han, Chih-Ho Hsu, Dongsheng Luo, Wen-Chih Peng, Feng Liu, Fang-Ming Hung, Chenwei Wu,
- Abstract要約: MedPlanは、実生活のクリニックと整合する推論を構造化するフレームワークである。
本手法では、まず患者症状と客観的データに基づいて臨床評価を作成した2段階のアーキテクチャを用いて、この評価から得られた構造化された治療計画を定式化し、検索強化世代による患者固有の情報に富む。
- 参考スコア（独自算出の注目度）: 21.38221785417373
- License:
- Abstract: Despite recent success in applying large language models (LLMs) to electronic health records (EHR), most systems focus primarily on assessment rather than treatment planning. We identify three critical limitations in current approaches: they generate treatment plans in a single pass rather than following the sequential reasoning process used by clinicians; they rarely incorporate patient-specific historical context; and they fail to effectively distinguish between subjective and objective clinical information. Motivated by the SOAP methodology (Subjective, Objective, Assessment, Plan), we introduce MedPlan, a novel framework that structures LLM reasoning to align with real-life clinician workflows. Our approach employs a two-stage architecture that first generates a clinical assessment based on patient symptoms and objective data, then formulates a structured treatment plan informed by this assessment and enriched with patient-specific information through retrieval-augmented generation. Comprehensive evaluation demonstrates that our method significantly outperforms baseline approaches in both assessment accuracy and treatment plan quality.
- Abstract（参考訳）: 大規模言語モデル(LLM)を電子健康記録(EHR)に適用することは近年成功しているが、ほとんどのシステムは治療計画よりも評価に重点を置いている。
臨床医が使用するシーケンシャルな推論プロセスではなく,単一のパスで治療計画を作成すること,患者固有の歴史的文脈を取り入れないこと,主観的および客観的な臨床情報を効果的に区別できないこと,である。
SOAP 方法論 (Subjective, Objective, Assessment, Plan) に動機づけられた私たちは,現実のクリニックワークフローと整合する LLM 推論を構造化する,新たなフレームワークである MedPlan を紹介します。
本手法では、まず患者症状と客観的データに基づいて臨床評価を作成した2段階のアーキテクチャを用いて、この評価から得られた構造化された治療計画を定式化し、検索強化世代による患者固有の情報に富む。
総合評価の結果,本手法は評価精度と治療計画品質の両方において,ベースラインアプローチを著しく上回っていることがわかった。
関連論文リスト
- A Foundational Framework and Methodology for Personalized Early and
Timely Diagnosis [84.6348989654916]
本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。
診断過程を概説する決定論的アプローチに基づいている。
機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
論文 参考訳（メタデータ） (2023-11-26T14:42:31Z) - Progress Note Understanding -- Assessment and Plan Reasoning: Overview
of the 2022 N2C2 Track 3 Shared Task [4.867840482657326]
2022年全国NLP臨床チャレンジ(N2C2)トラック3:進歩ノート理解 - 評価と計画推論について紹介する。
本課題は, 評価部に含まれる患者の総合的状態と, 計画部の各構成成分との関係を, 自動的に因果関係を予測できるNLPシステムの開発と評価を行うことである。
2022 n2c2 Track 3の結果を提示し,データ,評価,参加,システム性能について述べる。
論文 参考訳（メタデータ） (2023-03-14T16:17:55Z) - Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。
目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。
本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文 参考訳（メタデータ） (2021-08-02T10:42:52Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳（メタデータ） (2021-06-08T10:38:09Z) - A Methodology for Bi-Directional Knowledge-Based Assessment of
Compliance to Continuous Application of Clinical Guidelines [1.52292571922932]
ケアプロセスのガイドラインに基づく品質評価を自動化するための新しいアプローチを提案する。
BiKBAC法は臨床ガイドラインを適用する際のコンプライアンスの度合いを評価する。
DiscovErrシステムは、2型糖尿病管理領域の別の研究で評価されました。
論文 参考訳（メタデータ） (2021-03-13T20:43:45Z) - 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) - Benchmarking Automated Clinical Language Simplification: Dataset,
Algorithm, and Evaluation [48.87254340298189]
我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。
我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-12-04T06:09:02Z) - Health improvement framework for planning actionable treatment process
using surrogate Bayesian model [1.2468700211588881]
本研究は,データ駆動方式で治療プロセスを計画するための新しい枠組みを提案する。
このフレームワークの重要なポイントは、個人の健康改善のための「行動可能性」の評価である。
論文 参考訳（メタデータ） (2020-10-30T06:02:49Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Optimizing Medical Treatment for Sepsis in Intensive Care: from
Reinforcement Learning to Pre-Trial Evaluation [2.908482270923597]
本研究の目的は, 介入を最適化する強化学習(RL)が, 学習方針の治験に対する規制に適合する経路を遡及的に得る枠組みを確立することである。
我々は,死の主な原因の一つであり,複雑で不透明な患者動態のため治療が困難である集中治療室の感染症に焦点を当てた。
論文 参考訳（メタデータ） (2020-03-13T20:31:47Z)
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。